1.一种基于云边协同与动态分区的双高配电网谐波协同治理方法，其特征在于，包括以下步骤：步骤1、构建基于云边协同的时变谐波协同治理架构，云服务器负责观测节点选择、动态分区及治理参数优化，边缘服务器负责采集谐波特征和治理设备状态及控制治理设备进行谐波治理；

步骤2、根据所述基于云边协同的时变谐波协同治理架构，综合考虑节点效率与综合灵敏度指标设计虚拟节点来建立衍生网络链接矩阵，并提出一种基于衍生网络链接矩阵改进PageRank算法的观测节点选择方法，以选取有限观测节点有效反映全网谐波治理效果；

步骤3、根据所述观测节点的谐波状态和治理设备的状态信息，提出一种两阶段动态分区方法实现治理设备区域的动态分区，确保分区的准确性及区域内节点数量的均衡性；

步骤4、根据所述动态分区结果，提出一种多时间尺度云边协同优化治理策略来优化治理参数；

步骤5、根据所述治理参数，提出一种改进NSGA‑II多目标优化算法进一步在短时间尺度上动态修正治理参数；

步骤6、根据所述云服务器的多时间尺度优化的治理参数，边缘服务器根据治理参数控制治理设备实现时变谐波协同治理。

2.根据权利要求1所述的一种基于云边协同与动态分区的双高配电网谐波协同治理方法，其特征在于，在步骤1中，基于云边协同的时变谐波协同治理架构包括部署在电力物联网云平台上的云服务器、部署在配电网变电站或关键节点上的若干个边缘服务器、治理设备、安装在配电网观测节点上的数据监测装置和通信网络；

所述治理设备包括电压检测型有源滤波器VDAPF和多功能并网逆变器MFGCI，通过虚拟谐波电导调控谐波电压；

所述数据监测装置用于实时采集谐波电压/电流数据并上传至边缘服务器；

所述通信网络采用OPC UA协议实现云服务器‑边缘服务器‑治理设备和数据监测装置三级数据传输。

3.根据权利要求2所述的一种基于云边协同与动态分区的双高配电网谐波协同治理方法，其特征在于，所述云服务器和所述边缘服务器的任务分工如下：(1)观测节点选择：边缘服务器负责数据采集，谐波特征提取，计算电压无功灵敏度、谐波灵敏度指标；云服务器负责全网谐波时空分布，谐波状态预测，利用改进PageRank算法选择观测节点；

(2)两阶段分区：边缘服务器负责计算综合灵敏度、模块度指标通信实时性指标和工作负载均衡指标，并上传到云服务器；云服务器负责利用k‑means++算法、模拟退火算法进行两阶段分区，以5分钟为时间尺度，基于谐波状态信息和治理设备容量动态更新分区结果；

(3)谐波治理：边缘服务器负责向云服务器提供谐波、治理设备状态信息，负责治理设备之间的通信，基于治理参数控制治理设备；

云服务器基于日前的谐波和治理设备剩余容量预测数据，及分区结果采用模拟退火算法以15min时间尺度对治理参数进行日前长时间尺度优化；

基于日内的谐波和治理设备剩余容量预测数据及分区结果，采用改进NSGA‑I多目标优化算法以5分钟时间尺度对治理参数进行日内短时间尺度优化修正，将修正后的治理参数下发至边缘服务器。

4.根据权利要求1所述的一种基于云边协同与动态分区的双高配电网谐波协同治理方法，其特征在于，在步骤2中，具体包括以下内容：利用节点效率指标和综合灵敏度指标构建网络链接矩阵，对于含有n个节点的配电网，考虑节点间的相互关系构建的链接矩阵Xn×n如下所示：式中，xij为节点i和节点j之间边的权重，即节点i对节点j的综合影响程度，i∈1,2,…,n，j∈1,2,…,n；n为网络中节点数目；

根据衍生网络结构等效图，虚拟节点和其他节点实际没有线路连接，只反映虚拟节点和节点之间的相互综合影响，衍生网络链接矩阵X′(n+1)×(n+1)如下所示：当满足i∈[1,n]，且j∈[1,n]时：

当满足i＝n+1，且j∈[1,n+1]时：

当满足i∈[1,n+1]，且j＝n+1时：

式中，xij、x′ij分别为网络链接矩阵中的元素和衍生网络矩阵中的元素；

对PageRank算法进行改进，改进后的Google矩阵G′：

G′＝αX′+(1‑α)E′                     (6)式中，X′为n+1阶的衍生网络链接矩阵；α为为权重值，α∈[0,1]；

在传统PageRank算法中，每个网页的PR值被平均分配给其指向的所有网页；自重启向T量E′＝e/n中的元素值是均匀分布的，其中e＝(1,1,1,…,1)；自重启向量用于体现观察者对网页内容的兴趣程度；在电力系统中，当某一节点的谐波电压改变时，一般会对位于节点间最短路径上的其他节点产生影响；所以引入介数指标对E′进行重新定义：E′＝fX′(En)                          (7)式中，fX′为衍生链接网络对应的函数；En如下：

式中，bjk为节点j和节点k之间最短路径的数量；bjik为节点j和k之间最短路径中通过节点i的数量，i＝1,2,3,…,n；j＝1,2,3,…,n；k＝1,2,3,…,n。

5.根据权利要求1所述的一种基于云边协同与动态分区的双高配电网谐波协同治理方法，其特征在于，在步骤3中，在两阶段动态分区过程中，包括：

3.1第一阶段分区以综合灵敏度作为分区指标建立分区矩阵，然后确定分区数目，随后采用k‑means++算法进行分区；

3.2在进行第二阶段分区时，将MFGCI治理区域等效为一个广义节点，所述广义节点包含在VDAPF的治理区域内，因此所述广义节点区域受到VDAPF和MFGCI的协同治理，治理设备之间通过边缘服务器进行信息交流；结合模块度指标、实时通信指标和工作负载均衡指标三个分区评价指标，构建分区评价函数；通过模拟退火算法求解第二阶段分区评价函数，最终确定VDAPF的控制区域。

6.根据权利要求5所述的一种基于云边协同与动态分区的双高配电网谐波协同治理方法，其特征在于，在采用k‑means++算法进行分区时，需首先确定分区数目，其具体步骤如下：

3.1.1初始参数设定：

设定初始聚类数目为2，运用k‑means++算法进行聚类，计算当前聚类数下的聚类结果误差和；

3.1.2误差和差值计算：

计算当前聚类结果的误差和与上一次聚类结果误差和的差值；若该差值小于设定的阈值，则认为最佳分区数目为当前聚类数减1；否则，将聚类数目加1，并重复上述步骤，直至满足条件。

7.根据权利要求5所述的一种基于云边协同与动态分区的双高配电网谐波协同治理方法，其特征在于，所述模块度指标、所述实时通信指标和所述工作负载均衡指标具体为：

3.2.1模块度指标

模块度指标是衡量分区结果好坏的评价指标，模块度取值为0到1之间，越大分区结果越好，模块度Q的表达式如下所示：式中，Aij是由节点i和节点j之间的权重组成的权重矩阵，Aij∈[0,1]；m为网络中所有边的权重和； 为与节点i相连线路权重和；ci、cj分别为节点i和j所在社团的编号；

指标Di,j代表节点间的电气距离或耦合强度，Si,j是表征节点i的变化(对节点j的基波电压稳定性和谐波电压畸变的综合影响程度；由于指标Di,j和Si,j不是同一量级，因此采用Min‑Max规范化方法分别对两个指标数据进行归一化处理，如下式所示：Aij＝γD′i,j+(1‑γ)S′i,j                    (13)式中，D′i,j、S′i,j分别表示指标Di,j和Si,j的归一化；γ为权重因子，取值为0.4‑0.6；

3.2.2通信实时性指标

信号传输的时延越大，对实时性影响越大，越不利于对谐波电压进行实时治理，因此需要让通信实时性指标最小，通信实时性指标T为：式中，Td、Tp分别表示数据发送、传播时间；Tr表示路由器延迟；Pd表示数据大小；vd、vp分别表示通信网络数据传输速率和信道数据传输速率；Lp表示信道长度；g表示路由器的数量；λr表示平均数据到达速率；θ表示路由器的服务效率；

3.2.3工作负载均衡指标

每个边缘服务器控制区域内的观测节点数不同，且各个观测节点的负载量也不同，造成每个边缘服务器的工作负载也会有差异；边缘服务器的工作负载越均衡，说明治理设备所控制的区域越合理，从而使某个治理设备不至于长期高强度工作，能够延长治理设备工作时间；对于任意一个边缘服务器，其工作负载为：式中，wi为边缘服务器i的工作负载；lj为观测节点j的负载量；p为边缘服务器i控制区域内的观测节点数；

设有k个边缘服务器，则全网边缘服务器的平均工作负载 为：

采用方差来衡量工作负载均衡，因此工作负载均衡指标越小说明越均衡，得到工作负载均衡指标Lload为：构建分区评价函数为：

当分区评价函数g取最小值时，为最优分区； 取ε＝0.3，φ＝0.4，以分区评价函数最小为目标，运用模拟退火算法得到最优分区结果；通过两阶段动态分区，分别确定了两种治理设备的控制区域，实现了治理设备治理区域的动态分区，能更好地应对动态变化的谐波，为日内短时间尺度滚动优化修正提供基础。

8.根据权利要求1所述的一种基于云边协同与动态分区的双高配电网谐波协同治理方法，其特征在于，在步骤4中，具体包括：基于历史数据对电网的谐波和新能源有功出力进行日前预测，以15min为长时间尺度优化周期，建立以全网的各观测节点THDvi和最小为优化目标，对治理设备等效虚拟谐波电导进行日前长时间尺度优化；在云服务器，采用模拟退火算法对日前长时间尺度优化问题进行求解，最终获得优化解集为各治理设备在不同次谐波下的电导值，同时将求得的电导值下发给边缘服务器，如下式所示：式中，THDvi为观测节点i处的电压总畸变率；nm为配电网区域m的观测节点总数；M为区域总数；Ri为节点i的权重值，即为节点i的PR值；其中：式中，U1,i为节点i的基波电压有效值；Uh,i为节点i的h次谐波电压有效值；

约束为治理设备治理容量约束，其中VDAPF的治理容量要不超过额定容量，MFGCI的治理容量应不超过剩余容量，约束如下：其中：

式中：Pj,MFGCI(t)为t时刻MFGCI实际输出有功功率；Sj′,MFGCI(t)为t时刻的配置MFGCI节点j处的实际剩余容量；Si,VDAPF为节点i处VDAPF的额定容量；Sj,N为MFGCI的额定容量；Gh,i为配置VDAPF的节点i处VDAPF的h次谐波等效电导值；

基于云服务器日前长时间尺度下发的优化结果和日内预测数据，以5分钟为优化修正周期，以各区域内部的治理设备电导变化量为优化变量构建边缘服务器日内短时间尺度优化修正函数；所述优化修正函数以各VDAPF分区内的各观测节点THDvi和最小为目标，约束和长时间尺度优化目标函数一致；

区域c在t时刻的日内短时间尺度优化修正目标函数为：

式中，THDvi,t为t时刻区域c内观测节点i的总谐波电压畸变率；nc为区域c所含观测节点的个数；U1,i,t为t时刻区域c内节点i的基波电压有效值；Uh,i,t为t时刻区域c内节点i的h次谐波电压有效值；

对于分区c，观测节点的谐波电流预测偏差为ΔIh,i，则谐波潮流方程如下所示：式中，ΔIh,i为观测节点i的h次谐波电流注入的预测偏差值；ΔGh,i,t为t时刻节点i接入治理设备的h次等效虚拟谐波电导增量；Yi,i为节点i的自导纳。

9.根据权利要求1所述的一种基于云边协同与动态分区的双高配电网谐波协同治理方法，其特征在于，在步骤5中，所述改进NSGA‑Ⅱ多目标优化算法，引入了白鲸优化算法，包括勘探阶段和开发阶段；两个阶段的位置更新数学模型如下所示：勘探阶段：

式中， 是第i条白鲸在第j维上的新位置；pj是从d维中随机选择的，其中j＝1,2,…,d； 是第i条白鲸在j维度上的位置； 表示第i条白鲸的当前位置； 表示第r条白鲸的当前位置，r代表随机选择的白鲸；r1和r2是范围在0‑1之间的随机数，用于增强勘探阶段的随机算子；

开发阶段：

式中， 是第i条白鲸的当前位置； 是一条随机的白鲸的当前位置； 是第i条白鲸的最佳位置； 是鲸鱼中的最佳位置；r3和r4是范围在(0,1)的随机数，用于增强勘探阶段的随机算子；C1用于测量Levy飞行强度的随机跳跃强度，C1＝2r4(1‑t/Tmax)；LF是Levy飞行函数， 其中u和v分别为正态分布的随机数，