本发明涉及电力系统分析技术领域，尤其涉及一种含微网的配电网电压无功优化方法。
背景技术：
配电网的电压无功问题一直以来都是人们关注的热点，它的好坏直接影响着电力用户的用电质量，目前，多通过调节配电网中变压器分接头的位置来解决配电网的电压无功问题。
微网，是指由分布式电源、储能装置、能量转换装置、相关负荷和监控、保护装置汇集而成的小型发配电系统，是一个能够实现自我控制、保护和管理的自治系统，既可以与外部电网并网运行，也可以孤立运行，是智能电网的重要组成部分。微网因其较好的经济性、环保性以及较高的发电效率越来越多地受到人们的青睐，微网在配电网中的接入数量也越来越多。微网的接入不仅会改变配电网中各支路的有功、无功功率分布，还会对系统中各节点电压、电流的大小产生影响，因此，合理的规划配电网中微网的接入位置和容量，不仅能够有效的降低配电网的电能损耗，提高电能的利用效率，还能对配电网中各节点电压质量起到一定的改善作用。
但是，目前微网接入的随意性比较大，接入时并未考虑对配电网电压无功优化问题方面的影响，没有能够充分发挥微网应有的作用，而且仅仅依靠微网来改善节点电压质量往往达不到理想效果，系统中仍存在大量无功功率流动现象。另外，现有的无功优化所采用的多目标无功优化的方法以及采用的细菌菌落算法，均存在搜索时间长，收敛慢，在解空间内易出现局部最优情况的缺点，大大影响了配电网的优化效率和优化效果。
技术实现要素：
本发明的目的是提供一种含微网的配电网电压无功优化方法，能够对含微网的配电网电压无功进行合理优化，且优化效率高，优化效果好，能够大大提高配电网整体的安全性和稳定性，同时，还能够精确定位微网接入位置，解决了微网盲目接入对电网电压产生的不良影响，保证了配电网的安全运行。
本发明采用的技术方案为：
一种含微网的配电网电压无功优化方法，一个变压器的供电范围为一个供电区域，每个供电区域内的配电网的电压无功优化方法包括以下步骤：
a：通过调节配电网变压器分接头的位置对配电网整体电压进行初步优化：根据历史数据，预测配电网中各节点的电压水平，若电压不越限的节点数量不符合要求，则调节配电网中变压器分接头的位置，记录变压器分接头在不同位置时配电网负荷节点电压超出额定电压±x％的节点数量，选择负荷节点电压超出额定电压±x％的节点数量最小时变压器分接头所对应的位置，对配电网的电压进行初步优化；
其中，±x％为根据gb12325-90标准确定的供电电压允许偏差；
b：确定配电网中微网的接入位置并接入微网：将配电网中的所有节点按照负荷节点功率从大到小的顺序进行排序，根据要接入配电网中的微网数量，按节点的排列顺序依次选择出与微网数量相同，且电压偏差超出线路额定电压±x％的节点，并在选出的每个节点处分别接入一个微网；
c：确定配电网中无功补偿设备的接入位置并接入无功补偿设备：具体包括以下步骤：
c1：计算配电网各节点的无功灵敏度：配电网有功损耗通过公式(1)表示：
公式(1)中，ploss表示配电网有功电能损耗；ui表示节点i的实际运行电压，uj表示节点j的实际运行电压；gij表示支路ij的电导，bij表示支路ij的电纳，θij为节点i和节点j之间的电压相角差；
无功灵敏度的计算公式(2)为：
公式(2)中，ploss表示配电网有功电能损耗；q表示节点的无功功率；u表示节点处的电压；θ表示节点处的相角；s为为无功灵敏度矩阵；
将公式(1)代入公式(2)中，即可得到各个节点的无功灵敏度；
c2：将各节点的无功灵敏度按照从大到小的顺序进行排序，选择前三个无功灵敏度对应的节点，并在选出的每个节点处均接入一个无功补偿设备；
d：调节微网和无功补偿设备的接入容量，实现配电网电压无功的进一步优化：具体包括以下步骤：
d1：采用主、客观相结合的赋权法将配电网有功损耗最小、负荷节点不越限的多目标函数优化问题转换为单目标优化问题：
有功损耗最小、节点电压不越限函数如公式(3)所示：
公式(3)中，f为配电网最小有功电能损耗函数；u为各节点的实际运行电压；ploss表示配电网有功电能损耗；ui为节点i的实际运行电压，uj为节点j的实际运行电压；gij为支路ij的电导，bij为支路ij的电纳；θij为节点i和节点j之间的电压相角差；n表示节点数量；
将满足有功损耗最小和节点电压不越限条件的指标采用主、客观相结合的赋权法确定主观权重和客观权重，根据公式(4)计算出各个指标的综合权重：
公式(4)中，ηj为指标j的综合权重，αj为指标j的客观权重；βj为指标j的主观权重；m表示指标的个数；
再利用综合权重法将多目标优化问题转化为单目标φ的优化问题；
单目标φ值的计算公式(5)如下：
公式(5)中，ηj为指标j的综合权重；δij为指标i、j的相对优越度；
指标i、j的相对优越度δij的计算公式(6)为：
公式(6)中，σij表示第i个解的第j个指标值，
d2：采用免疫—蚁群算法对微网和无功设备的接入容量进行规划，实现配电网电压无功的优化，得到微网和无功补偿设备的接入容量；
d3：对含微网和无功补偿设备的配电网进行仿真分析，验证配电网各节点电压水平和有功损耗，具体包括以下步骤：
3.1)、按步骤d2得到的微网接入容量对仿真中的微网参数进行设置，按照步骤d2得到的无功补偿设备的接入容量对仿真中电容器模块的参数进行设置；
3.2)、在仿真软件中对配电网进行潮流计算；
3.3)、计算结果如果同时满足所有节点电压不越限和配电网有功电能损耗最小这两个条件，则优化完成，验证通过，仿真软件将验证通过的优化方案存档；
计算结果如果无法满足所有节点电压不越限或配电网有功电能损耗最小这两个条件中的任意一个，则视为验证不通过，进入下一步；
3.4)、在配电网未安装无功补偿设备的节点中选择无功灵敏度最大的节点接入无功补偿设备，并返回步骤3.1)进行计算和验证；
d4：根据仿真分析中通过验证的优化方案，按照优化方案中微网的接入容量对实际配电网中微网的计入容量进行设置，按照优化方案中无功补偿设备的接入容量对实际配电网中无功补偿设备的接入容量进行设置。
优选地，步骤d1中主观权重采用标度扩展法构造判断矩阵来确定，具体包括以下步骤：
1.1)、根据目标函数各解的相似度表示各个解的相似程度；目标函数各解的相似度的计算公式(7)如下：
公式(7)中，s为目标函数各解的相似度；hv,w为抗体v、w之间的欧式距离；
1.2)、根据目标函数解空间各个解的相似度得到判断矩阵j：判断矩阵j的计算公式(8)如下：
公式(8)，m表示目标函数的指标个数，si表示第i个指标的重要度系数，i∈[1，m-1]，si的数值等于第i个指标和相邻第i+1个指标比较的标度值；设判断矩阵j中的s1为已知数，根据传递性和目标函数解空间各个解的相似度s即求得判断矩阵j；
1.3)、由判断矩阵j对主观权重进行计算，计算过程包括以下步骤：
(a)设ai＝[1/n,1/n,1/n,1/n]，其中n＝4，i＝0，ai表示主观权重矩阵；
(b)令δa＝|ai+1-ai|，然后进行迭代计算ai+1＝jai/||jai||；δa表示每次迭代权重的差值，jai表示主观权重的判断矩阵，||jai||表示判断矩阵中各元素的和；
(c)当δa<σ时，取主观权重β＝ai+1，否则令i＝i+1，然后返回(b)；σ表示一个极小正数。
优选地，步骤d1所述的客观权重采用同一指标数值差异大小进行确定权重值的方法来确定，具体包括以下步骤：
1-1)、将微网的容量分为n等份，结合无功补偿电容器的组数，可以得到满足配电网节点电压u和无功约束条件的的解所组成的解域矩阵；
1-2)、计算解空间中各个指标的相对优越度矩阵ω：
解空间中各个指标的相对优越度矩阵ω的计算公式(9)是：
公式(9)中，δij为指标i、j的相对优越度，其中，i∈[1，n]，j∈[1，m]，n为可行解的组数，m为可行解中指标的个数；将指标i、j的相对优越度δij的计算公式(6)代入公式(9)中，即求得解空间中各个指标的相对优越度矩阵ω；
1-3)、根据相对优越度矩阵ω，利用客观赋权法计算得到第j个指标的客观权重αj，具体计算公式(10)如下：
公式(10)中，|ωij-ωkj|为可行解i、k中对指标j的相对优越度偏差绝对值，n为可行解的组数，m为可行解中指标的个数。
优选地，步骤1-1)中将微网的容量分为10等份。
优选地，步骤d2中采用免疫—蚁群算法对微网和无功设备的接入容量进行规划具体包括以下步骤：
2.1)、设置原始数据参数，并对免疫蚁群算法中相关参数进行初始化，自定义n×r的kt矩阵作为抗体矩阵，自定义1×m的zyka矩阵用于存放最优抗体：原始数据参数包括配电网节点间的阻抗、导纳信息、各节点电压、微网容量、无功补偿电容容量的取值区间；所述进行初始化的相关参数包括抗体个数m，进化的最大次数n，交叉和变异概率pc、pm、淘汰率pt，其中抗原代表目标函数，抗体代表满足目标函数各变量的解；所述n×r的kt矩阵中n为可行解的组数，r为配电网中所接微网和无功补偿电容器个数之和；
2.2)、划定抗体的解空间，在解空间中随机选取n组抗体为初始抗体存放于kt矩阵中，对配电网进行潮流计算，并计算抗体与抗原之间的结合力和抗体与抗体之间的结合力：
抗体与抗原之间结合力的计算公式(11)是：
公式(11)中，av为抗体与抗原之间结合力，f(v)为目标函数，ν为函数的相关变量；
目标函数的计算公式(3)在此处写为：
公式(3)中，f为配电网最小有功电能损耗函数；u为各节点的实际运行电压；ploss表示配电网有功电能损耗；ui为节点i的实际运行电压，uj为节点j的实际运行电压；gij为支路ij的电导，bij为支路ij的电纳；θij为节点i、j的电压相角差；
抗体和抗体之间结合力的计算公式(12)为：
bv,w＝1/(1+hv,w)(12)
公式(12)中，bv,w为抗体间的结合力，hv,w为抗体v、w间的欧式距离，hv,w的计算公式(13)为：
公式(13)中，xvn为抗体v的第n个指标值、xwn为抗体w的第n个指标值；
2.3)、根据所选抗体组中目标函数的值选择最优抗体，将进化过程中得到的最优抗体放入zykt矩阵中，并判别是否满足终止条件，如果满足转步骤2.5)，否则进入步骤2.4)：最优抗体为所选抗体组中目标函数最优时对应的抗体，即抗体与与抗原之间结合力最强时的对应的抗体；将得到的最优抗体放入zykt矩阵中，判断最优抗体的保持次数是否达到预设的最优抗体保持次数m次，如果达到m次，则判断此次循环结束，进入步骤2.5)，否则判断此次循环未结束，进入步骤2.4)；
2.4)、对所选抗体组中的抗体进行选择和更新，并返回步骤2.3)：对抗体的期望生存率进行计算，并利用轮转法和淘汰率对已存在的抗体进行选择和淘汰，利用记忆细胞中适应度高的抗体代替适用度低的抗体，形成最优抗体群，同时，利用交叉和变异的方法对抗体进行更新；
抗体的期望生存率计算公式(14)为：
公式(14)中，cv为抗体v的浓度，lv为变量，ai为抗体i和抗原的结合力；
变量lv的表达公式(15)是：
公式(15)中，cv为抗体v的浓度，tn为抗体浓度的最大允许值
抗体浓度cv的计算公式(16)为：
公式(16)中，sv,w表示抗体v、w的近似程度，m表示抗体个数，n表示抗体的个数；
sv,w的表达公式(17)为：
公式(17)中，t为抗体结合力阈值；sv,w为1表示抗体v、w近似，sv,w为0表示抗体v、w不同；
将公式(15)和公式(16)代入公式(14)中，即求得抗体的期望生存率；
2.5)、对蚁群算法中蚂蚁个数n、循环次数k0和最大循环次数kmax这三个参数进行初始化，定义用于存放各个蚂蚁的路径值的n×r的矩阵wp，并定义用于存放免疫算法得到的最优抗体的1×r的矩阵wp1，然后将蚂蚁放于初始位置0，并根据免疫算法结果对蚁群算法的信息素进行初始化，并将变量初始值设置为1；
2.6)、对蚂蚁向每条路径上的转移概率pk(a，b)进行计算，根据路径选择方法为各个蚂蚁在变量a上选择路径，并将路径值存入矩阵wp的第a个变量，进而实现信息素浓度的局部更新；
转移概率pk(a，b)的计算公式(18)为：
公式(18)中，τ(a,b)为路径a、b上的信息素，η(a,b)为路径a、b的能见度，α表示信息素系数，β表示能见度权重系数；
η(a,b)的计算公式(19)为：
公式(19)中，t表示微网和电容器所设置的实际容量，即蚂蚁的实际路径，b*表示上次循环得到的微网和电容器的最优容量，即蚂蚁的最优路径；b为本次循环得到的微网和电容器的最优容量；
信息素浓度更新的计算公式(20)为：
公式(20)中，ρ表示信息素的挥发度；τij(t)表示路径i、j间t时刻的信息素浓度；τij(t+n)为第n条路径更新后的信息素浓度，m为解中指标的个数；
公式(21)中，q为常数，当目标函数小于0.24时，q＝1，当目标函数大于0.24时，q＝0.02；lk代表该次循环第k只蚂蚁所通过的路径长度；
2.7)、令a＝a+1，若a≤r，则返回步骤2.6)，让蚂蚁向下个路径转移，否则则证明蚂蚁实现了一次循环，进入下一步；
2.8)、根据经过步骤2.7)更新的数据计算对应的目标函数φ的值，并将该次循环中实现目标函数最优时对应的解存入矩阵wp1中；
2.9)、置k＝k+1，对各条路径上的信息素进行更新，当所有路径上的信息素均更新完成后，清空矩阵wp中相关信息；
2.10)、判断是否达到最大循环次数，进而判断是否结束循环：若未达到最大循环次数，则未收敛，将蚂蚁放置初始位置0，返回步骤2.5)进行下轮循环；若达到最大循环次数，则收敛，输出最优解wp1，循环结束。
优选地，步骤2.3)中预设的最优抗体保持次数为15次。
本发明通过在配电网中接入微网和无功补偿设备，先通过调节配电网中的变压器分接头实现电压无功的初步优化，然后对配电网的历史数据进行研究，选择电压偏差问题严重的中枢点，在中枢点处接入微网，并通过计算无功灵敏度的方法对无功补偿装置的安装位置进行选择，最后，依靠微网与无功补偿装置的接入容量的相互配合实现配电网电压无功的进一步合理优化，微网接入位置更加科学和准确，不仅避免了盲目接入微网对配电网电压造成的不良影响，而且优化了含微网的配电网电压无功控制策略，为配电网的安全、稳定、经济运行奠定了基础；通过采用主管与客观赋权相结合的方法将多目标函数优化问题转化为单目标函数优化问题，克服了单一赋权法存在的主观赋权法主观随意性强，客观性随意性强相对较差，不能体现决策者对不同指标的重视程度的缺点，然后利用免疫—蚁群算法进行电压无功优化求解，解决现有优化方法存在的搜索时间长、优化速度慢以及局部最优的缺点，进一步保障了配电网的安全、稳定运行。
附图说明
图1为本发明的流程图。
具体实施方式
为了理解本发明的技术方案，下面结合附图对本发明做进一步说明。
此处以10kv的配电网为例进行说明，配电网的电压无功优化以供电区域为单位进行，一个变压器供电范围内的配电网即为一个供电区域，如图1所示，每个供电区域内的配电网的电压无功优化具体包括以下步骤：
a：通过调节配电网变压器分接头的位置对配电网整体电压进行初步优化：根据历史数据，预测配电网中各节点的电压水平，若电压不越限的节点数量不符合要求，则调节该配电网中的变压器分接头的位置，记录变压器分接头在不同位置时配电网负荷节点电压超出额定电压±7％的节点数量，选择负荷节点电压超出额定电压±x％的节点数量最小时变压器分接头所对应的位置，对配电网的电压进行初步优化；
其中，±7％为根据gb12325-90标准确定10kv对应的供电电压允许偏差；
b：确定配电网中微网的接入位置并接入微网：将配电网中的所有节点按照负荷节点功率从大到小的顺序进行排序，根据要接入配电网中的微网数量，按节点的排列顺序依次选择出与微网数量相同，且电压偏差超出线路额定电压±7％的节点，并在选出的每个节点处分别接入一个微网；在功率大且电压超出线路额定电压±7％的负荷节点装设微网，可以有效的降低线路上的负荷电流，进而改善配电网各节点的电压水平，降低线路上的有功电能损耗；
c：确定配电网中无功补偿设备的接入位置并接入无功补偿设备：此处无功补偿设备选择无功补偿电容器；具体包括以下步骤：
c1：计算配电网各节点的无功灵敏度：
配电网的有功损耗公式(1)表示为：
公式(1)中，ploss表示配电网有功电能损耗；ui表示节点i的实际运行电压，uj表示节点j的实际运行电压；gij表示支路ij的电导，bij表示支路ij的电纳，θij为节点i和节点j之间的电压相角差；
无功功率灵敏度是指配电网中各节点无功功率变化对系统网损的敏感程度，无功灵敏度的计算公式(2)为：
公式(2)中，ploss表示配电网有功电能损耗；q表示节点的无功功率；u表示节点处的电压；θ表示节点处的相角；s为为无功灵敏度矩阵；
将公式(1)代入公式(2)中，即可得到各个节点的无功灵敏度；
c2：将各节点的无功灵敏度按照从大到小的顺序进行排序，选择前三个无功灵敏度对应的节点，并在选出的每个节点处均接入一个无功补偿设备进行无功优化，使配电网同时满足节点电压不越限且有功电能损耗最小这两个条件；
d：调节微网和无功补偿设备的接入容量，通过微网与无功补偿设备的接入容量的相互配合实现配电网电压无功的进一步优化：具体包括以下步骤：
d1：采用主、客观相结合的赋权法将配电网有功损耗最小、负荷节点不越限的多目标函数优化问题转换为单目标优化问题：
有功损耗最小、节点电压不越限函数的表达公式(3)如下：
公式(3)中，f为配电网最小有功电能损耗函数；u为各节点的实际运行电压；ploss表示配电网有功电能损耗；ui为节点i的实际运行电压，uj为节点j的实际运行电压；gij为支路ij的电导，bij为支路ij的电纳；θij为节点i和节点j之间的电压相角差；n表示节点数量；
将满足有功损耗最小和节点电压不越限条件的指标采用主、客观相结合的赋权法确定主观权重和客观权重，由主观权重和客观权重相组合，根据公式(4)计算出各个指标的综合权重：
公式(4)中，ηj为指标j的综合权重，αj为指标j的客观权重；βj为指标j的主观权重；m表示指标的个数；
再利用综合权重法将多目标优化问题转化为单目标φ的优化问题；
单目标φ值的计算公式(5)如下：
公式(5)中，ηj为指标j的综合权重；δij为指标i、j的相对优越度；
指标i、j的相对优越度δij的计算公式(6)为：
公式(6)中，σij表示第i个解的第j个指标值，
d2：采用免疫—蚁群算法对微网和无功设备的接入容量进行规划，实现配电网电压无功的优化，得到微网和无功补偿设备的接入容量；
d3：对含微网和无功补偿设备的配电网进行仿真分析，验证配电网各节点电压水平和有功损耗，具体包括以下步骤：
3.1)、按步骤d2得到的微网接入容量对仿真中的微网参数进行设置，按照步骤d2得到的无功补偿设备的接入容量对仿真中电容器模块的参数进行设置；
3.2)、在仿真软件中对配电网进行潮流计算；
3.3)、计算结果如果同时满足所有节点电压不越限和配电网有功电能损耗最小这两个条件，则优化完成，验证通过，仿真软件将验证通过的优化方案存档；
计算结果如果无法满足所有节点电压不越限或配电网有功电能损耗最小这两个条件中的任意一个，则视为验证不通过，进入下一步；
3.4)在配电网未安装无功补偿设备的节点中选择无功灵敏度最大的节点接入无功补偿设备，并返回步骤3.1)进行计算和验证；
d4：根据仿真分析中通过验证的优化方案，按照优化方案中微网的接入容量对实际配电网中微网的计入容量进行设置，按照优化方案中无功补偿设备的接入容量对实际配电网中无功补偿设备的接入容量进行设置。
为了避免判断矩阵出现一致性错误，上述步骤d1中主观权重采用标度扩展法构造判断矩阵来确定，该方法具有直观、简便，且运算量小等优点，具体包括以下步骤：
1.1)根据目标函数各解的相似度表示各个解的相似程度；目标函数各解的相似度的计算公式(7)如下：
公式(7)中，s为目标函数各解的相似度；hv,w为抗体v、w之间的欧式距离；
1.2)、根据目标函数解空间各个解的相似度得到判断矩阵j：判断矩阵j的计算公式(8)如下：
公式(8)，m表示目标函数的指标个数，si表示第i个指标的重要度系数，i∈[1，m-1]，si的数值等于第i个指标和相邻第i+1个指标比较的标度值；设判断矩阵j中的s1为已知数，根据传递性和目标函数解空间各个解的相似度s即求得判断矩阵j内的所有值，进而求得判断矩阵j；
1.3)、由判断矩阵j对主观权重进行计算，计算过程包括以下步骤：
(a)设ai＝[1/n,1/n,1/n,1/n]，其中n＝4，i＝0，ai表示主观权重矩阵；
(b)令δa＝|ai+1-ai|，然后进行迭代计算ai+1＝jai/||jai||；δa表示每次迭代权重的差值，jai表示主观权重的判断矩阵，||jai||表示判断矩阵中各元素的和；
(c)当δa<σ时，取主观权重β＝ai+1，否则令i＝i+1，然后返回(b)；σ表示一个极小正数。
上述步骤d1中的客观权重采用同一指标数值差异大小进行确定权重值的方法来确定，具体包括以下步骤：
1-1)、将微网的容量分为n等份，结合无功补偿电容器的组数，可以得到满足配电网节点电压u和无功约束条件的的解所组成的解域矩阵；微网容量所分份数n越多，越有利于电压优化，但同时也越会影响运算速度，此处优选将微网的容量分为10等份；
1-2)、计算解空间中各个指标的相对优越度矩阵ω：
解空间中各个指标的相对优越度矩阵ω的计算公式(9)是：
公式(9)中，δij为指标i、j的相对优越度，其中，i∈[1，n]，j∈[1，m]；n为可行解的组数，m为可行解中指标的个数；将指标i、j的相对优越度δij的计算公式(6)代入公式(9)中，即求得解空间中各个指标的相对优越度矩阵ω；
1-3)、根据相对优越度矩阵ω，利用客观赋权法计算得到第j个指标的客观权重αj，具体计算公式(10)如下：
公式(10)中，|ωij-ωkj|为可行解i、k中对指标j的相对优越度偏差绝对值，n为可行解的组数，m为可行解中指标的个数。
步骤d2中采用的免疫—蚁群算法，利用免疫算法的随机性和快速性优点和蚁群算法的正反馈优点来进行目标优化的方法，该方法能够有效的解决已有算法所存在的搜索速度慢，易出现局部最优的缺点，具体包括以下步骤：
2.1)、设置原始数据参数，并对免疫蚁群算法中相关参数进行初始化，自定义n×r的kt矩阵作为抗体矩阵，自定义1×m的zyka矩阵用于存放最优抗体：所述原始数据参数包括配电网节点间的阻抗、导纳信息、各节点电压、微网容量、无功补偿电容容量的取值区间；所述进行初始化的相关参数包括抗体个数m，进化的最大次数n，交叉和变异概率pc、pm、淘汰率pt，其中抗原代表目标函数，抗体代表满足目标函数各变量的解；所述n×r的kt矩阵中n为可行解的组数，r为配电网中所接微网和无功补偿电容器个数之和；
2.2)、划定抗体的解空间，在解空间中随机选取n组抗体为初始抗体存放于kt矩阵中，对配电网进行潮流计算，并计算抗体与抗原之间的结合力和抗体与抗体之间的结合力：
抗体与抗原之间结合力的计算公式(11)是：
公式(11)中，av为抗体与抗原之间结合力，f(v)为目标函数，ν为函数的相关变量；
目标函数的表达公式(3)在此处写为：
公式(3)中，f为配电网最小有功电能损耗函数；u为各节点的实际运行电压；ploss表示配电网有功电能损耗；ui为节点i的实际运行电压，uj为节点j的实际运行电压；gij为支路ij的电导，bij为支路ij的电纳；θij为节点i、j的电压相角差；
抗体和抗体之间结合力的计算公式(12)为：
bv,w＝1/(1+hv,w)(12)
公式(12)中，bv,w为抗体间的结合力，hv,w为抗体v、w间的欧式距离；
hv,w的计算公式(13)为：
公式(13)中，xvn为抗体v的第n个指标值、xwn为抗体w的第n个指标值；
2.3)、根据所选抗体组中目标函数的值选择最优抗体，将进化过程中得到的最优抗体放入zykt矩阵中，并判别是否满足终止条件，如果满足转步骤2.5)，否则进入步骤2.4)：最优抗体为所选抗体组中目标函数最优时对应的抗体，即抗体与与抗原之间结合力最强时的对应的抗体；将得到的最优抗体放入zykt矩阵中，判断最优抗体的保持次数是否达到预设的最优抗体保持次数m次，此处优选预设的最优抗体保持次数是15次，如果最优抗体的保持次数达到15次，则判断此次循环结束，进入步骤2.5)，否则判断此次循环未结束，进入步骤2.4)；
2.4)、对所选抗体组中的抗体进行选择和更新，并返回步骤2.3)：对抗体的期望生存率进行计算，并利用轮转法和淘汰率对已存在的抗体进行选择和淘汰，利用记忆细胞中适应度高的抗体代替适用度低的抗体，形成最优抗体群，同时，利用交叉和变异的方法对抗体进行更新；
抗体的期望生存率计算公式(14)为：
公式(14)中，cv为抗体v的浓度，lv为变量，ai为抗体i和抗原的结合力；
变量lv的表达公式(15)为：
公式(15)中，cv为抗体v的浓度，tn为抗体浓度的最大允许值
抗体浓度cv的计算公式(16)为：
公式(16)中，sv,w表示抗体v、w的近似程度，m表示抗体个数，n表示抗体的个数；
sv,w的表达公式(17)为：
公式(17)中，t为抗体结合力阈值；sv,w为1表示抗体v、w近似，sv,w为0表示抗体v、w不同；
将公式(15)和公式(16)代入公式(14)中，即求得抗体的期望生存率；
2.5)、对蚁群算法中蚂蚁个数n、循环次数k0和最大循环次数kmax这三个参数进行初始化，定义用于存放各个蚂蚁的路径值的n×r的矩阵wp，并定义用于存放免疫算法得到的最优抗体的1×r的矩阵wp1，然后将蚂蚁放于初始位置0，并根据免疫算法结果对蚁群算法的信息素进行初始化，并将变量初始值设置为1；在对微网和无功补偿电容器容量调节时会设置调节的顺序，初始位置0就是第一个要开始设置的位置；
2.6)、对蚂蚁向每条路径上的转移概率pk(a，b)进行计算，根据路径选择方法为各个蚂蚁在变量a上选择路径，并将路径值存入矩阵wp的第a个变量，进而实现信息素浓度的局部更新；
转移概率pk(a，b)的计算公式(18)为：
公式(18)中，τ(a,b)为路径a、b上的信息素，η(a,b)为路径a、b的能见度，α表示信息素系数，β表示能见度权重系数；
η(a,b)的计算公式(19)为：
公式(19)中，t表示微网和电容器所设置的实际容量，即蚂蚁的实际路径，b*表示上次循环得到的微网和电容器的最优容量，即蚂蚁的最优路径；b为本次循环得到的微网和电容器的最优容量；
信息素浓度更新的计算公式(20)为：
公式(20)中，ρ表示信息素的挥发度，优选取ρ为0.5；τij(t)表示路径i、j间t时刻的信息素浓度；τij(t+n)为第n条路径更新后的信息素浓度，m为解中指标的个数；公式(22)中，
公式(21)中，q为常数，当目标函数小于0.24时，q＝1，当目标函数大于0.24时，q＝0.02；lk代表该次循环第k只蚂蚁所通过的路径长度；
2.7)、令a＝a+1，若a≤r，则返回步骤2.6)，让蚂蚁向下个路径转移，否则则证明蚂蚁实现了一次循环，进入下一步；
2.8)、根据经过步骤2.7)更新的数据计算对应的目标函数φ的值，并将该次循环中实现目标函数最优时对应的解存入矩阵wp1中；
2.9)、置k＝k+1，对各条路径上的信息素进行更新，当所有路径上的信息素均更新完成后，清空矩阵wp中相关信息；
2.10)、判断是否达到最大循环次数，进而判断是否结束循环：若未达到最大循环次数，则未收敛，将蚂蚁放置初始位置0，返回步骤2.5)进行下轮循环；若达到最大循环次数，则收敛，输出最优解wp1，循环结束。
本发明的特征在于同时考虑了微网与无功补偿装置对配电网电压无功的影响，对配电网进行三重的电压无功优化策略：首先，通过配电网变压器分接头的调节对配电网整体电压进行初步优化；其次，对于配电网中电压偏差严重的中枢节点，在此节点接入微网，然后对接入后的各节点电压、电流、有功、无功等数据进行测量分析；最后，依靠微网与无功补偿装置的接入容量的相互配合实现配电网电压无功的合理优化。本发明提出的含微网的电压无功优化新方案，首先采用主管与客观赋权相结合的方法将多目标函数优化问题转化为单目标函数优化问题，克服了单一赋权法的不足，然后利用免疫—蚁群算法进行电压无功优化求解，解决现有优化方法存在的搜索时间长、速度慢以及局部最优的缺点，提高了配电网优化效果，保障了配电网的安全运行。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解，其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。