1.一种基于场景分析法的配电网中分布式电源规划方法，其特征在于，先获取目标区域配电网的结构、线路参数、负荷分布情况并建立配电网结构模型；然后采集目标区域的分布式光伏出力与分散式风电出力、负荷数据，并建立场景集；再引入互相关熵评价函数改进吸引子聚类算法对场景集中的场景进行削减；再构建目标模型，并利用文化基因算法对其进行求解，最终得到分布式电源在配电网中最优规划方案。

2.如权利要求1所述的基于场景分析法的配电网中分布式电源规划方法，其特征在于，具体按照以下步骤实施：步骤1、获取目标区域配电网的结构、线路参数、负荷分布情况；建立配电网结构模型；

步骤2、采集目标区域分布式光伏出力与分散式风电出力、负荷数据；

步骤3、将步骤2采集的三类数据整理为时序性场景数据，建立场景数量为N的场景集；

步骤4、引入互相关熵评价函数改进吸引子聚类算法，即用互相关熵评价函数代替吸引子聚类算法中以欧式距离为相似度的评价标准，并使用改进后的吸引子聚类算法将场景集中的相似场景进行合并，得到M个典型场景；

步骤5、根据目标要求，构建目标模型；

步骤6、将M个典型场景分别代入步骤1建立的配电网结构模型中，生成M个典型场景下的配电网结构模型；采用文化基因算法对步骤5的目标模型进行求解，得到分布式电源在配电网中最优规划方案。

3.如权利要求2所述的基于场景分析法的配电网中分布式电源规划方法，其特征在于，所述步骤1中，线路参数包括阻抗及电抗。

4.如权利要求2所述的基于场景分析法的配电网中分布式电源规划方法，其特征在于，所述步骤4具体按照以下步骤实施：步骤4.1、采用互相关熵评价函数代替吸引子聚类算法中的欧式距离作为相似度计算公式，计算场景集中N个场景的相似度值，并利用相似度值构建N×N的相似度矩阵S；

互相关熵评价函数如下：

式中，K为聚类中心数；N为场景数量；θ(i,c)为采样空间，且其满足两个条件，θ(i,c)∈{0,1}和 Xi表示第i个场景；μc表示第c个聚类中心；g(x)＝exp(-x/2σ2)为以核心宽度σ为参数的高斯核心方程；||Xi-μc||2整体为求第i个场景距第c个聚类中心的距离；

步骤4.2、选取参考度值P；

步骤4.3、设置最大迭代次数，计算从场景i发送到场景k的吸引度信息R(i,k)；计算从场景k发送到场景i的归属度信息A(i,k)；

计算公式如下：

R(i,k)＝S(i,k)-max{A(i,j)+S(i,j)}j∈1,2,…,N且j≠kR(k,k)＝P(k)-max{A(k,j)+S(k,j)}j∈1,2,…,N且j≠kj∈1,2,…,N且j≠i,j≠k

步骤4.4、根据R(i,k)+A(i,k)的值来判断是否为聚类中心；当迭代次数超过最大迭代次数或者当聚类中心连续多次不发生改变时终止计算；得到聚类计算后的M个典型场景。

5.如权利要求4所述的基于场景分析法的配电网中分布式电源规划方法，其特征在于，所述参考度值P为S的中值。

6.如权利要求2-5任一项所述的基于场景分析法的配电网中分布式电源规划方法，其特征在于，所述步骤6具体按照以下步骤实施：步骤6.1、随机生成L个规划方案；在L个规划方案中随机选择L1个方案进行其在配电网中接入位置与接入容量的随机变化；再在L个规划方案中随机选择L2个方案进行其在配电网中接入位置与接入容量的随机组合；最终得到L+L1+L2个规划方案；

将L+L1+L2个规划方案中的第一个规划方案依次代入M个典型场景下的配电网结构模型，得到M个评价指标；根据每个典型场景所占权重对该方案的M个典型场景下的配电网结构模型进行权重累加，得到该方案的配电网运行状态；提取每该方案的配电网运行参数代入步骤5的目标模型，得到该方案的最终评价指标；按照上述方法依次求得其余方案的最终评价指标；

步骤6.2、提取步骤6.1中指标优异的Q个规划方案；在Q个规划方案中随机选择Q1个方案进行其在配电网中接入位置与接入容量的随机变化；再在Q个规划方案中选择Q2个方案进行其在配电网中接入位置与接入容量的随机组合；最终得到Q+Q1+Q2个规划方案；

将Q+Q1+Q2个规划方案中的第一个规划方案依次代入M个典型场景下的配电网结构模型，得到M个评价指标；根据每个典型场景所占权重对该方案的M个典型场景下的配电网结构模型进行权重累加，得到该方案的配电网运行状态；提取每该方案的配电网运行参数代入步骤5的目标模型，得到该方案的最终评价指标；按照上述方法依次求得其余方案的最终评价指标；

步骤6.3、重复步骤6.2，直至得到最优规划方案。