1.考虑DG和APF参与电压治理的SVG优化配置方法，其特征在于：包括如下步骤：A1、采用分区思想，提出基于社团理论的分区方法，选取各区域的主导治理节点作为SVG候选接入节点；

A2、考虑配电网中DG并网逆变器和电压检测型APF的无功补偿功能，利用DG并网逆变器和电压检测型APF的剩余容量协助SVG治理电压偏差污染，采用多场景分析技术构建一系列电压治理运行场景以表征DG并网逆变器和电压检测型APF剩余容量的不确定性；

A3、以系统总投资成本最小fC和电压偏差治理效果最优fAVD为多目标函数，构建多目标SVG优化配置模型，设定相应的等式和不等式约束条件，并利用改进遗传算法求解多目标优化配置模型。

2.根据权利要求1所述的考虑DG和APF参与电压治理的SVG优化配置方法，其特征在于：所述步骤A1具体如下：

A11、计算配电网中节点电压对无功功率灵敏度Sij，其值可通过潮流计算中雅可比矩阵的逆矩阵获得：

其中，Vi和Qj分别节点i的电压和无功功率；

A12、各节点之间的电压关系可以表示为：其中，ΔVi和ΔVj分别为节点i和j的电压变化量；αij表示节点i对节点j的无功电压变化的灵敏度；

A13、根据αij计算连接节点i和节点j的边的权重，代入Louvain分区算法中模块度Qmod的表达式进行分区；

模块度Qmod的表达式为：

m＝0.5×∑i,jAij，

ki＝∑jAij，

dij＝‑lg(αij·αji)，其中，Aij为连接节点i和节点j的边的权重，当节点i和节点j直接相连时Aij＝1，不相连时Aij＝0；m＝0.5×∑i,jAij为网络所有连边权重的总和；ki＝∑jAij为与节点i所有连边权重的之和；kj为与节点j所有连边权重的之和，计算方式参考ki；ci和cj表示节点i和j所在的社团编号，若ci＝cj，则δ(ci,cj)＝1，否则δ(ci,cj)＝0；dij为节点i和j之间的电气距离；de,g为节点e和g之间的电气距离；n为网络所有节点数；αji表示节点j对节点i的无功电压变化的灵敏度；

A14、将网络划分为不同的区域后，选取各区域的主导节点作为SVG的候选接入节点，主导节点是指该节点的电压偏差得到治理的同时，同一区域内其余节点的电压质量也会有很大的改善，选取节点间无功灵敏度为可控性指标，并通过计算该指标的最大平均值确定区域内的主导节点，为SVG提供更加有效的候选安装位置，平均灵敏度的表达式为：其中， 为区域z内节点i与区域内其余节点的平均灵敏度；Ni,z为区域z的总节点数，Sij,z为区域z内节点i对区域内节点j的无功功率灵敏度。

3.根据权利要求1所述的考虑DG和APF参与电压治理的SVG优化配置方法，其特征在于：所述步骤A2中考虑DG并网逆变器和电压检测型APF剩余容量的不确定性，采用多场景分析技术构建一系列电压治理运行场景，具体为，在分时段分析的基础上，分别构建电压检测型APF剩余容量场景C和DG并网逆变器剩余容量场景G，并进行组合形成具有双重不确定性的电压治理运行场景Y。

4.根据权利要求3所述的考虑DG和APF参与电压治理的SVG优化配置方法，其特征在于：所述步骤A2具体如下：

A21、电压检测型APF剩余容量与谐波污染程度有关，通过构建谐波污染场景以表征电压检测型APF剩余容量场景，依据t时段内系统n个节点的谐波预测信息，将系统的谐波污染分布表示为向量H，通过聚类算法构建该时段的典型谐波污染场景C，第γ个典型场景发生的概率为P(Hγ)，具体公式如下：H＝[H1 H2 ... Hi ...]，i∈N+，C＝{Hγ|γ≤c，γ∈N+}，其中，Hi为节点i在时段t内的谐波电流，N+表示非零自然数集合；Hγ为第γ个典型谐波污染场景，c为典型谐波污染场景的数量；nγ为Hγ这一类包含的场景数；mc为原始谐波污染场景的数量；

A22、在配电网中DG接入位置和容量SN已知的情况下，DG并网逆变器剩余容量受PDG影响具有不确定性，

DG并网逆变器剩余容量Sre与DG并网逆变器总容量SN，DG有功出力PDG的关系为：针对DG并网逆变器剩余容量的不确定性，将各时段按DG并网逆变器剩余容量大小分为不同场景，构建DG并网逆变器剩余容量场景集G：G＝{Gα|α≤g,α∈N+}，其中，Gα为第α个DG并网逆变器剩余容量场景，g为场景数量；

基于DG有功功率的概率密度函数fr(r)，分别计算场景Gα的发生概率P(Gα)及均值μα：其中，r1和r2分别为场景Gα下DG并网逆变器剩余容量所对应的光照强度；

A23、所述DG并网逆变器和电压检测型APF剩余容量具有双重不确定性，将同一时段内谐波污染场景C和DG并网逆变器剩余容量场景G进行组合，以构建具有双重不确定性的电压治理运行场景Y；运行场景Y、运行场景Y的个数R(Y)及运行场景Yl的发生概率P(Yl)分别表示为：

其中，Yl为时段t内第l个运行场景。

5.根据权利要求1所述的考虑DG和APF参与电压治理的SVG优化配置方法，其特征在于：所述步骤A3中以系统总投资成本最小fC和电压偏差治理效果最优fAVD为多目标函数：系统总投资费用由SVG固定投资成本 和运行维护费用 两部分组成：不同运行场景下电压偏差的治理效果不同，为合理地计及各运行场景治理效果的差异性，以各运行场景发生概率作为该场景下系统电压偏差的求和权重，建立电能质量水平最优fAVD的目标函数：

其中， 为运行场景Yl下系统所有节点电压偏差绝对值的和，r为设备的折旧率，LSG为SVG的使用寿命，SSG,i为接入节点i的SVG容量，μSG,i为SVG的单位容量成本，ωSG为SVG的运行维护费用占安装费用的比例系数。

6.根据权利要求5所述的考虑DG和APF参与电压治理的SVG优化配置方法，其特征在于：所述步骤A3中多目标函数采用加权求和法处理成优化问题，通过对各个目标函数加权求和将其转换为单目标优化问题进行求解，为消除各目标在量纲上的差别，考虑到各目标在其可行域上均为正值，故以各目标与其本身的极大值之比作为新的无量纲等级的目标函数，再赋予一组加权因子，构成新目标函数f：其中，α1、α2为加权因子，α1+α2＝1， 和 分别为去量纲后的目标函数fC和fAVD。

7.根据权利要求6所述的考虑DG和APF参与电压治理的SVG优化配置方法，其特征在于：所述步骤A3中以潮流方程为等式约束；

考虑DG并网逆变器和电压检测型APF剩余容量参与电压治理时，配电网接入SVG后功率平衡潮流方程约束为：

其中，Qi和Qi‑1分别为节点i和i‑1的注入无功功率，Ui‑1为节点i‑1的电压；Pi‑1，QLi分别为节点i‑1的注入有功功率和节点i的负荷无功功率；Xi‑1为节点i和节点i‑1之间线路的电抗；QGNi、QVFi、QSGi分别为治理设备DG并网逆变器和电压检测型APF和SVG的注入无功功率；λi为二进制决策变量，为1表示节点i接入SVG，为0则表示未接入SVG。

8.根据权利要求7所述的考虑DG和APF参与电压治理的SVG优化配置方法，其特征在于：所述步骤A3中以DG并网逆变器、电压检测型APF的无功补偿容量、SVG安装容量以及系统电压水平为不等式约束；

电压检测型APF参与无功补偿容量约束为：其中，IVFq,i为节点i处VDAPF的无功补偿容量；

每个运行场景中电压检测型APF的最大无功补偿容量 为其治理谐波后的剩余容量，具体可表示为：

其中，GVFh,i为节点i处电压检测型APF的h次谐波等效电导值；Uh,i为节点i处h次谐波电压；IVF,i为电压检测型APF总安装容量；H为考虑的最大谐波次数；

DG并网逆变器无功补偿容量约束为：其中，IGN,i为节点i处DG并网逆变器的无功补偿容量；

DG并网逆变器的最大无功补偿容量 可表示为：其中，UN,i为节点i的额定基波电压；

SVG安装容量约束为：

其中，ISG,i和 分别为节点i处SVG的无功补偿容量和节点i允许的最大接入容量；uSG,i为SVG的容量裕度；

系统电压水平约束为：

min max

Vi ≤Vi≤Vi ，

min max

其中，Vi为节点i电压；Vi 和Vi 分别为节点i处允许的电压最小值和最大值。

9.根据权利要求8所述的考虑DG和APF参与电压治理的SVG优化配置方法，其特征在于：所述步骤A3中采用改进遗传算法对建立的SVG优化配置模型进行求解，具体算法求解流程为：

输入所需要的的参数信息，包括配电网结构参数、负荷参数、运行场景信息、SVG候选位置和安装容量上下限值、目标函数加权因子值、改进遗传算法初始参数；

随机生成初始种群，并进行系统潮流计算；

依据加权求和后的新目标函数f计算个体适应度值并排序；

将满足约束的E个适应度即目标函数f最优的SVG配置方案纳入优秀个体库，选择优秀个体库中最优个体，随机选择n代种群中M/4个个体进行交叉操作，对于任一非最优个体，随机选择n代种群中(1‑e)×M/4个个体，随机生成e×M个个体进行交叉操作；

合并生成的个体，计算各个体的适应度值，按照适应度升序排序；

更新优秀个体库，由n代种群中最优个体替换优秀个体库中最差个体；

当满足n≥nmax时，输出优秀个体库中最优个体的信息，即SVG最优安装位置和容量。