1.基于多目标差分灰狼算法的配电网无功优化方法，其特征在于包括以下步骤：步骤1：输入网络原始参数，包括系统支路参数、各节点负荷、补偿装置容量上下限；输入算法相关参数，包括种群大小、最大迭代次数、变异系数上下限、交叉系数上下限；

步骤2：为解决高渗透率的光伏并网后，时序波动的功率输出对电网电能质量造成的影响，增设无功补偿装置对电压进行补偿，对含有无功补偿装置的配电网进行无功优化，构建以有功网损、电压偏差、补偿容量为目标函数，以无功补偿装置容量上下限、节点电压约束、以及潮流平衡为约束条件的无功优化模型，无功优化模型包括：A、有功网损：

B、电压偏差：

C、补偿容量：

式中：n为支路数，Ri为支路i的阻抗，Pi、Qi为支路i的末端有功、无功负荷，Vi为线路末端电压，VN为线路末端的额定电压，wc为候选节点集合，Qci为补偿的容量；

建立满足配电网无功优化的约束条件，包括无功补偿装置容量上下限约束、节点电压约束以及潮流约束：

a、潮流平衡方程：

b、节点电压约束：

t

c、补偿容量上下限约束：0≤q≤QDST；

式中： 为t时段内节点i上光伏注入的有功、无功功率， 为t时段内节点i的有功负荷， 为t时段内节点i的无功功率， 为t时段内DSTATCOM所提供的无功功率，Ui、Uj分别为节点i、j的电压幅值，Y为支路导纳矩阵；

t

为实际节点电压， 分别为节点电压允许的最小值，最大值；q 为DSTATCOM在t时刻的注入无功，QDST为无功补偿装置接入的容量；

步骤3：基于步骤1中所述补偿装置容量上下限以及种群大小，初始化灰狼种群，灰狼种群中的每一头灰狼即无功补偿装置的最优补偿容量；

步骤4：判断当前时段是否大于24，若小于24，执行步骤5；若大于24，输出24个时段无功补偿装置的最优补偿容量；

步骤5：对一天24小时分段处理，得到当前时段的各节点等效负荷，对当前时段的各节点等效负荷进行处理，针对每一个解进行潮流计算，得到解相应的目标函数值，根据目标函数值选择头狼，并更新灰狼位置；

潮流计算时，将光伏作为负的负荷接入配电网，同时考虑无功功率的输出；DSTATCOM作为PV节点接入配电网，平滑输出无功功率；

各节点的等效负荷处理步骤如下：

(1)：光伏的无功出力：

式中：PPV为光伏的有功功率，S为光伏逆变器的最大视在功率，S取500kVA；

(2)：有功负荷：P'＝Pn+1‑PPV‑Pload；

无功负荷：Q'＝Qn+1‑QPV‑QDST；

式中：Pn+1、Qn+1为节点n+1的有功负荷、无功负荷，PPV、QPV为光伏的注入有功、无功功率，QDST为无功补偿装置的补偿容量、Pload为负荷的有功功率；

选择头狼是根据潮流计算后相应解的目标函数值，基于每一个解的目标函数值，根据非支配排序关系选择排序等级为1的解存入Pareto精英解集中；在精英解集中，基于模糊隶属度函数选择排序为1，2，3的解分别为α狼、β狼、δ狼；

步骤6：引入差分算法中的变异与交叉，对父代种群进行变异与交叉处理，生成子代种群，并混合父代、子代种群；

步骤7：对混合种群基于约束条件进行越限处理，并从处理后的种群中选择规定种群大小的解为新种群，在新种群中选择下一次迭代的头狼；

步骤7中，根据约束条件对越限函数进行处理采用边界吸收与罚函数思想，对于容量约束采用边界吸收的原则，即若变量中容量值大于上限值，则对应容量取上限，下限的处理方式同理；对于节点电压越界的函数，采用罚函数进行处理；惩罚思路如下：式中：λu为电压越界的惩罚因子；Uimax、Uimin为节点电压的允许上下限，N为种群大小；

步骤8：采用多目标差分灰狼算法折衷选择最优解，判断当前迭代次数是否已经达到最大迭代次数，若未达到，返回步骤4，若达到最大迭代次数，得出各个时段的无功补偿装置的最小补偿容量，同时有效减小网损与电压偏差。

2.根据权利要求1所述基于多目标差分灰狼算法的配电网无功优化方法，其特征在于：所述步骤3中，种群初始化是根据安装的无功补偿装置的容量大小，基于混沌映射初始化种群，并对初始种群计算目标函数，初始化公式如下：Xn+1＝Xn×μ×(1‑Xn)式中，μ∈[0,4]为Logistic参数；X∈(0,1)，当μ＝4时，该方程呈现完全混沌状态，X序列为(0,1)上的满序列。

3.根据权利要求1所述基于多目标差分灰狼算法的配电网无功优化方法，其特征在于：所述步骤7中的选择头狼则是：先针对混合种群基于拥挤距离从大到小排序，选择前规定种群大小个解为新种群，并在新种群中采用如步骤5的选择头狼方式进行头狼的选择。

4.根据权利要求1所述基于多目标差分灰狼算法的配电网无功优化方法，其特征在于：所述步骤5中，更新灰狼位置是采用原始灰狼算法的更新位置思想，灰狼狩猎的行为即迭代更新得到DSTATCOM的最优输出补偿容量值，更新时计算头狼与猎物之间的距离，根据头狼的位置更新移动方向与距离，更新公式如下：Dp＝|C×Xp(t)‑Xi(t)|Xi(t+1)＝Xp(t)‑A×DpA＝2×a×r1‑a

C＝2×r2

式中：D为灰狼到猎物之间的距离；C为系数向量，模拟自然界中搜寻猎物的障碍；p为灰狼个体，对应α、β、δ狼；Xp(t)为第t次迭代中p狼的位置，即引导的猎物位置；X(t)为第t次迭代中的灰狼的位置；A为系数向量，|A|>1表示全局搜索，|A|<1表示局部搜索；a为收敛因子，随着迭代次数的增加从2到0线性递减；r1、r2是[0,1]内的随机数。

5.根据权利要求1所述基于多目标差分灰狼算法的配电网无功优化方法，其特征在于：所述步骤6中，引入差分算法的变异与交叉是为平衡改进多目标差分灰狼算法的全局搜索能力和局部搜索能力，同时将变异与交叉中的变异系数与交叉系数进行自适应调整；变异与交叉处理后得到子代种群，包括如下步骤：(1)基于交叉率上下限以及变异系数上下限，生成自适应参数：式中，Fmax、Fmin是缩放因子的上下限、RCRkmax、RCRkmin是交叉概率的上下限、Kmax为最大迭代次数、k为当前迭代次数；

(2)基于自适应的变异系数与交叉率，生成变异种群和交叉种群，公式如下：Hi(t)＝Xp1(t)+F·(Xp2(t)‑Xp3(t))式中，F是缩放因子，用于控制差分向量的影响力，Rcr∈[0,1]为交叉概率。