1.基于改进灰狼算法的配电网PMU优化配置方法，其特征在于包括以下步骤：步骤1：在系统完全可观测的条件下，建立PMU优化配置数学模型；

步骤2：考虑零注入节点的影响、以及单个PMU中断和单条线路停电下的系统可观测问题，对步骤1建立的PMU优化配置数学模型约束条件进行修改；

步骤3：在灰狼优化算法的基础上对种群初始化、非线性收敛因子和位置更新权重系数进行改进；

步骤4：采用步骤3改进灰狼优化算法，对不同情景下的PMU配置模型进行优化配置方案的求解。

2.根据权利要求1所述基于改进灰狼算法的配电网PMU优化配置方法，其特征在于：所述步骤1中，PMU优化配置数学模型表示为公式(1)所示：式(1)中，ci表示在节点i安装PMU所需要的成本，不考虑不同节点安装成本所带来PMU配置的差异，统一选取ci＝1；xi是一个二进制变量，表示节点i是否安装PMU，如果在节点i安装了PMU则xi为1，否则为0；min表示求最小值符号；∑为求和符号；n表示节点个数；i表示第iT个节点；f为约束条件表达式符号；s.t.表示约束符号；X＝(x1,x2,...,xn) 表示系统各节点配置PMU的情况；B为元素均为1的n维列向量；A为n×n维节点关联矩阵，其元素aij表示为

3.根据权利要求2所述基于改进灰狼算法的配电网PMU优化配置方法，其特征在于：所述步骤2中，考虑零注入节点将减少实现完全可观测所需的PMU数量，其可观测性规则如下：若存在一个间接可观测的零注入节点，且相邻母线的电压相量除一个外均已知，则未知节点的电压相量可用KCL计算；

若零注入节点电压相量未知且其所有相邻节点的电压相量已知，则零注入节点电压相量可通过节点电压方程获得；

故考虑零注入节点的影响时，PMU优化配置数学模型中的约束条件转换如公式(2)所示：式(2)中，xi是一个二进制变量，表示节点i是否安装PMU，如果在节点i安装了PMU则xi为

1，否则为0；∑为求和符号；n表示节点个数；i表示第i个节点；fj为第j个节点的约束条件表达式符号；aij可表示为引入辅助二进制变量yij，取值为1时，表示可以根据相邻零注入节点i的测量数据使得节点j可观测；取值为0时，表示节点j不能被观察到；I为系统节点集合；表示任意符号；j表示第j个节点；zi也为二进制变量，值为1时表示节点i为零注入节点，值为0时表示节点i为非零注入节点。

4.根据权利要求2所述基于改进灰狼算法的配电网PMU优化配置方法，其特征在于：所述步骤2中，单个PMU中断是指系统中任一个PMU故障，此时模型转换为如公式(3)所示：f＝AX≥2B                   (3)；

T

式(3)中，f为约束条件表达式符号；X＝(x1,x2,...,xn) 表示系统各节点配置PMU的情况；B为元素均为1的n维列向量；A为n×n维节点关联矩阵，其元素aij可表示为当考虑到零注入节点时，将PMU优化配置数学模型中的约束条件进行更改，如公式(4)所示：式(4)中，xj是一个二进制变量，表示节点j是否安装PMU，如果在节点j安装了PMU则xj为

1，否则为0；∑为求和符号；n表示节点个数；i表示第i个节点；j表示第j个节点；fj为第j个节点的约束条件表达式符号；aij可表示为 引入辅助二进制变量yij，取值为1时，表示可以根据相邻零注入节点i的测量数据使得节点j可观测；取值为0时，表示节点j不能被观察到；zj也为二进制变量，值为1时表示节点j为零注入节点，值为0时表示节点i为非零注入节点；B为元素均为1的n维列向量；表示任意符号；I为系统节点集合。

5.根据权利要求2所述基于改进灰狼算法的配电网PMU优化配置方法，其特征在于：所述步骤2中，单条线路停电指的是系统中任一条线路停电，此时PMU优化配置数学模型中的约束条件转换如公式(5)所示：f＝(A+I)X≥2B                               (5)；

T

式(5)中，f为约束条件表达式符号；X＝(x1,x2,...,xn) 表示系统各节点配置PMU的情况；B为元素均为1的n维列向量；I为n×n阶单位矩阵；A为n×n维节点关联矩阵，其元素aij可表示为当考虑零注入节点时，将PMU优化配置数学模型中的约束条件进行更改，如公式(6)所示：式(6)中，xj是一个二进制变量，表示节点j是否安装PMU，如果在节点j安装了PMU则xj为

1，否则为0；∑为求和符号；n表示节点个数；i表示第i个节点；j表示第j个节点；fj为第j个节点的约束条件表达式符号；aij可表示为引入辅助二进制变量yij，取值为1时，表示可以根据相邻零注入节点i的测量数据使得节点j可观测；取值为0时，表示节点j不能被观察到；zj也为二进制变量，值为1时表示节点j为零注入节点，值为0时表示节点i为非零注入节点；B为元素均为1的n维列向量；表示任意符号；I为系统节点集合。

6.根据权利要求1所述基于改进灰狼算法的配电网PMU优化配置方法，其特征在于：所述步骤3中，引入Bernoulli混沌映射来改善GWO算法在初始化时狼群的分布属性，Bernoulli混沌映射如公式(15)所示：式(15)中，Xn为第n个混沌变量；n为维度大小；Xn+1为第n+1个混沌变量；λ为调节因子，Xn∈(0,1)。

7.根据权利要求1所述基于改进灰狼算法的配电网PMU优化配置方法，其特征在于：使用基于正弦函数的非线性收敛因子更新策略，如公式(16)所示：式(16)中，a为收敛因子；t表示当前迭代次数；Tmax为常数，表示算法在收敛过程中能够达到的最大迭代次数；p为控制系数，其值大小决定该算法前期探索与后期开发的平衡问题。

8.根据权利要求1所述基于改进灰狼算法的配电网PMU优化配置方法，其特征在于：GWO中w狼的位置更新公式是通过取更新后的α、β、δ灰狼位置的平均值，在位置更新公式中引入动态权重系数，如公式(17)、公式(18)、公式(19)和公式(20)所示：式(17)、式(18)、式(19)和式(20)中，w1、w2、w3分别表示α、β、δ狼相对应的权重系数；X1、X2、X3表示在灰狼群体中底层狼w根据α、β、δ进行的位置更新；X(t+1)表示狼群最后更新的位置。

9.根据权利要求1所述基于改进灰狼算法的配电网PMU优化配置方法，其特征在于：所述步骤4包括如下步骤：S1：根据IEEE‑33节点系统的网络拓扑结构，以及各节点之间的关系，求出该系统节点关联矩阵A；

S2：初始化灰狼算法的各个参数，包括种群规模，最大迭代次数，参数a、A、C；

S3：随机初始化系统中PMU的位置；

S4：根据当前位置，计算适应度函值并定义猎物位置；

S5：更新前三个最佳搜索代理Xα、Xβ、Xδ，更新系数向量a、A、C，以及更新灰狼位置X1、X2、X3；

S6：重复步骤S4、S5，直到最大迭代次数，最后输出结果。

10.根据权利要求1所述基于改进灰狼算法的配电网PMU优化配置方法，其特征在于：所述步骤4中，在考虑零注入节点的影响，以及单个PMU中断和单条线路停电的情况下，不同的测试情景包括以下六种：情景一为不考虑零注入节点下的仿真分析；

情景二为考虑零注入节点下的仿真分析；

情景三为不考虑零注入节点下单个PMU中断的仿真分析；

情景四为考虑零注入节点下单个PMU中断的仿真分析；

情景五为不考虑零注入节点下单条线路停电的仿真分析；

情景六为考虑零注入节点下单条线路停电的仿真分析。