本發明涉及電力系統分析技術領域，尤其涉及一種含微網的配電網電壓無功優化方法。
背景技術：
配電網的電壓無功問題一直以來都是人們關注的熱點，它的好壞直接影響著電力用戶的用電質量，目前，多通過調節配電網中變壓器分接頭的位置來解決配電網的電壓無功問題。
微網，是指由分布式電源、儲能裝置、能量轉換裝置、相關負荷和監控、保護裝置匯集而成的小型發配電系統，是一個能夠實現自我控制、保護和管理的自治系統，既可以與外部電網并網運行，也可以孤立運行，是智能電網的重要組成部分。微網因其較好的經濟性、環保性以及較高的發電效率越來越多地受到人們的青睞，微網在配電網中的接入數量也越來越多。微網的接入不僅會改變配電網中各支路的有功、無功功率分布，還會對系統中各節點電壓、電流的大小產生影響，因此，合理的規劃配電網中微網的接入位置和容量，不僅能夠有效的降低配電網的電能損耗，提高電能的利用效率，還能對配電網中各節點電壓質量起到一定的改善作用。
但是，目前微網接入的隨意性比較大，接入時并未考慮對配電網電壓無功優化問題方面的影響，沒有能夠充分發揮微網應有的作用，而且僅僅依靠微網來改善節點電壓質量往往達不到理想效果，系統中仍存在大量無功功率流動現象。另外，現有的無功優化所采用的多目標無功優化的方法以及采用的細菌菌落算法，均存在搜索時間長，收斂慢，在解空間內易出現局部最優情況的缺點，大大影響了配電網的優化效率和優化效果。
技術實現要素：
本發明的目的是提供一種含微網的配電網電壓無功優化方法，能夠對含微網的配電網電壓無功進行合理優化，且優化效率高，優化效果好，能夠大大提高配電網整體的安全性和穩定性，同時，還能夠精確定位微網接入位置，解決了微網盲目接入對電網電壓產生的不良影響，保證了配電網的安全運行。
本發明采用的技術方案為：
一種含微網的配電網電壓無功優化方法，一個變壓器的供電范圍為一個供電區域，每個供電區域內的配電網的電壓無功優化方法包括以下步驟：
a：通過調節配電網變壓器分接頭的位置對配電網整體電壓進行初步優化：根據歷史數據，預測配電網中各節點的電壓水平，若電壓不越限的節點數量不符合要求，則調節配電網中變壓器分接頭的位置，記錄變壓器分接頭在不同位置時配電網負荷節點電壓超出額定電壓±x％的節點數量，選擇負荷節點電壓超出額定電壓±x％的節點數量最小時變壓器分接頭所對應的位置，對配電網的電壓進行初步優化；
其中，±x％為根據gb12325-90標準確定的供電電壓允許偏差；
b：確定配電網中微網的接入位置并接入微網：將配電網中的所有節點按照負荷節點功率從大到小的順序進行排序，根據要接入配電網中的微網數量，按節點的排列順序依次選擇出與微網數量相同，且電壓偏差超出線路額定電壓±x％的節點，并在選出的每個節點處分別接入一個微網；
c：確定配電網中無功補償設備的接入位置并接入無功補償設備：具體包括以下步驟：
c1：計算配電網各節點的無功靈敏度：配電網有功損耗通過公式(1)表示：
公式(1)中，ploss表示配電網有功電能損耗；ui表示節點i的實際運行電壓，uj表示節點j的實際運行電壓；gij表示支路ij的電導，bij表示支路ij的電納，θij為節點i和節點j之間的電壓相角差；
無功靈敏度的計算公式(2)為：
公式(2)中，ploss表示配電網有功電能損耗；q表示節點的無功功率；u表示節點處的電壓；θ表示節點處的相角；s為為無功靈敏度矩陣；
將公式(1)代入公式(2)中，即可得到各個節點的無功靈敏度；
c2：將各節點的無功靈敏度按照從大到小的順序進行排序，選擇前三個無功靈敏度對應的節點，并在選出的每個節點處均接入一個無功補償設備；
d：調節微網和無功補償設備的接入容量，實現配電網電壓無功的進一步優化：具體包括以下步驟：
d1：采用主、客觀相結合的賦權法將配電網有功損耗最小、負荷節點不越限的多目標函數優化問題轉換為單目標優化問題：
有功損耗最小、節點電壓不越限函數如公式(3)所示：
公式(3)中，f為配電網最小有功電能損耗函數；u為各節點的實際運行電壓；ploss表示配電網有功電能損耗；ui為節點i的實際運行電壓，uj為節點j的實際運行電壓；gij為支路ij的電導，bij為支路ij的電納；θij為節點i和節點j之間的電壓相角差；n表示節點數量；
將滿足有功損耗最小和節點電壓不越限條件的指標采用主、客觀相結合的賦權法確定主觀權重和客觀權重，根據公式(4)計算出各個指標的綜合權重：
公式(4)中，ηj為指標j的綜合權重，αj為指標j的客觀權重；βj為指標j的主觀權重；m表示指標的個數；
再利用綜合權重法將多目標優化問題轉化為單目標φ的優化問題；
單目標φ值的計算公式(5)如下：
公式(5)中，ηj為指標j的綜合權重；δij為指標i、j的相對優越度；
指標i、j的相對優越度δij的計算公式(6)為：
公式(6)中，σij表示第i個解的第j個指標值，
d2：采用免疫—蟻群算法對微網和無功設備的接入容量進行規劃，實現配電網電壓無功的優化，得到微網和無功補償設備的接入容量；
d3：對含微網和無功補償設備的配電網進行仿真分析，驗證配電網各節點電壓水平和有功損耗，具體包括以下步驟：
3.1)、按步驟d2得到的微網接入容量對仿真中的微網參數進行設置，按照步驟d2得到的無功補償設備的接入容量對仿真中電容器模塊的參數進行設置；
3.2)、在仿真軟件中對配電網進行潮流計算；
3.3)、計算結果如果同時滿足所有節點電壓不越限和配電網有功電能損耗最小這兩個條件，則優化完成，驗證通過，仿真軟件將驗證通過的優化方案存檔；
計算結果如果無法滿足所有節點電壓不越限或配電網有功電能損耗最小這兩個條件中的任意一個，則視為驗證不通過，進入下一步；
3.4)、在配電網未安裝無功補償設備的節點中選擇無功靈敏度最大的節點接入無功補償設備，并返回步驟3.1)進行計算和驗證；
d4：根據仿真分析中通過驗證的優化方案，按照優化方案中微網的接入容量對實際配電網中微網的計入容量進行設置，按照優化方案中無功補償設備的接入容量對實際配電網中無功補償設備的接入容量進行設置。
優選地，步驟d1中主觀權重采用標度擴展法構造判斷矩陣來確定，具體包括以下步驟：
1.1)、根據目標函數各解的相似度表示各個解的相似程度；目標函數各解的相似度的計算公式(7)如下：
公式(7)中，s為目標函數各解的相似度；hv,w為抗體v、w之間的歐式距離；
1.2)、根據目標函數解空間各個解的相似度得到判斷矩陣j：判斷矩陣j的計算公式(8)如下：
公式(8)，m表示目標函數的指標個數，si表示第i個指標的重要度系數，i∈[1，m-1]，si的數值等于第i個指標和相鄰第i+1個指標比較的標度值；設判斷矩陣j中的s1為已知數，根據傳遞性和目標函數解空間各個解的相似度s即求得判斷矩陣j；
1.3)、由判斷矩陣j對主觀權重進行計算，計算過程包括以下步驟：
(a)設ai＝[1/n,1/n,1/n,1/n]，其中n＝4，i＝0，ai表示主觀權重矩陣；
(b)令δa＝|ai+1-ai|，然后進行迭代計算ai+1＝jai/||jai||；δa表示每次迭代權重的差值，jai表示主觀權重的判斷矩陣，||jai||表示判斷矩陣中各元素的和；
(c)當δa<σ時，取主觀權重β＝ai+1，否則令i＝i+1，然后返回(b)；σ表示一個極小正數。
優選地，步驟d1所述的客觀權重采用同一指標數值差異大小進行確定權重值的方法來確定，具體包括以下步驟：
1-1)、將微網的容量分為n等份，結合無功補償電容器的組數，可以得到滿足配電網節點電壓u和無功約束條件的的解所組成的解域矩陣；
1-2)、計算解空間中各個指標的相對優越度矩陣ω：
解空間中各個指標的相對優越度矩陣ω的計算公式(9)是：
公式(9)中，δij為指標i、j的相對優越度，其中，i∈[1，n]，j∈[1，m]，n為可行解的組數，m為可行解中指標的個數；將指標i、j的相對優越度δij的計算公式(6)代入公式(9)中，即求得解空間中各個指標的相對優越度矩陣ω；
1-3)、根據相對優越度矩陣ω，利用客觀賦權法計算得到第j個指標的客觀權重αj，具體計算公式(10)如下：
公式(10)中，|ωij-ωkj|為可行解i、k中對指標j的相對優越度偏差絕對值，n為可行解的組數，m為可行解中指標的個數。
優選地，步驟1-1)中將微網的容量分為10等份。
優選地，步驟d2中采用免疫—蟻群算法對微網和無功設備的接入容量進行規劃具體包括以下步驟：
2.1)、設置原始數據參數，并對免疫蟻群算法中相關參數進行初始化，自定義n×r的kt矩陣作為抗體矩陣，自定義1×m的zyka矩陣用于存放最優抗體：原始數據參數包括配電網節點間的阻抗、導納信息、各節點電壓、微網容量、無功補償電容容量的取值區間；所述進行初始化的相關參數包括抗體個數m，進化的最大次數n，交叉和變異概率pc、pm、淘汰率pt，其中抗原代表目標函數，抗體代表滿足目標函數各變量的解；所述n×r的kt矩陣中n為可行解的組數，r為配電網中所接微網和無功補償電容器個數之和；
2.2)、劃定抗體的解空間，在解空間中隨機選取n組抗體為初始抗體存放于kt矩陣中，對配電網進行潮流計算，并計算抗體與抗原之間的結合力和抗體與抗體之間的結合力：
抗體與抗原之間結合力的計算公式(11)是：
公式(11)中，av為抗體與抗原之間結合力，f(v)為目標函數，ν為函數的相關變量；
目標函數的計算公式(3)在此處寫為：
公式(3)中，f為配電網最小有功電能損耗函數；u為各節點的實際運行電壓；ploss表示配電網有功電能損耗；ui為節點i的實際運行電壓，uj為節點j的實際運行電壓；gij為支路ij的電導，bij為支路ij的電納；θij為節點i、j的電壓相角差；
抗體和抗體之間結合力的計算公式(12)為：
bv,w＝1/(1+hv,w)(12)
公式(12)中，bv,w為抗體間的結合力，hv,w為抗體v、w間的歐式距離，hv,w的計算公式(13)為：
公式(13)中，xvn為抗體v的第n個指標值、xwn為抗體w的第n個指標值；
2.3)、根據所選抗體組中目標函數的值選擇最優抗體，將進化過程中得到的最優抗體放入zykt矩陣中，并判別是否滿足終止條件，如果滿足轉步驟2.5)，否則進入步驟2.4)：最優抗體為所選抗體組中目標函數最優時對應的抗體，即抗體與與抗原之間結合力最強時的對應的抗體；將得到的最優抗體放入zykt矩陣中，判斷最優抗體的保持次數是否達到預設的最優抗體保持次數m次，如果達到m次，則判斷此次循環結束，進入步驟2.5)，否則判斷此次循環未結束，進入步驟2.4)；
2.4)、對所選抗體組中的抗體進行選擇和更新，并返回步驟2.3)：對抗體的期望生存率進行計算，并利用輪轉法和淘汰率對已存在的抗體進行選擇和淘汰，利用記憶細胞中適應度高的抗體代替適用度低的抗體，形成最優抗體群，同時，利用交叉和變異的方法對抗體進行更新；
抗體的期望生存率計算公式(14)為：
公式(14)中，cv為抗體v的濃度，lv為變量，ai為抗體i和抗原的結合力；
變量lv的表達公式(15)是：
公式(15)中，cv為抗體v的濃度，tn為抗體濃度的最大允許值
抗體濃度cv的計算公式(16)為：
公式(16)中，sv,w表示抗體v、w的近似程度，m表示抗體個數，n表示抗體的個數；
sv,w的表達公式(17)為：
公式(17)中，t為抗體結合力閾值；sv,w為1表示抗體v、w近似，sv,w為0表示抗體v、w不同；
將公式(15)和公式(16)代入公式(14)中，即求得抗體的期望生存率；
2.5)、對蟻群算法中螞蟻個數n、循環次數k0和最大循環次數kmax這三個參數進行初始化，定義用于存放各個螞蟻的路徑值的n×r的矩陣wp，并定義用于存放免疫算法得到的最優抗體的1×r的矩陣wp1，然后將螞蟻放于初始位置0，并根據免疫算法結果對蟻群算法的信息素進行初始化，并將變量初始值設置為1；
2.6)、對螞蟻向每條路徑上的轉移概率pk(a，b)進行計算，根據路徑選擇方法為各個螞蟻在變量a上選擇路徑，并將路徑值存入矩陣wp的第a個變量，進而實現信息素濃度的局部更新；
轉移概率pk(a，b)的計算公式(18)為：
公式(18)中，τ(a,b)為路徑a、b上的信息素，η(a,b)為路徑a、b的能見度，α表示信息素系數，β表示能見度權重系數；
η(a,b)的計算公式(19)為：
公式(19)中，t表示微網和電容器所設置的實際容量，即螞蟻的實際路徑，b*表示上次循環得到的微網和電容器的最優容量，即螞蟻的最優路徑；b為本次循環得到的微網和電容器的最優容量；
信息素濃度更新的計算公式(20)為：
公式(20)中，ρ表示信息素的揮發度；τij(t)表示路徑i、j間t時刻的信息素濃度；τij(t+n)為第n條路徑更新后的信息素濃度，m為解中指標的個數；
公式(21)中，q為常數，當目標函數小于0.24時，q＝1，當目標函數大于0.24時，q＝0.02；lk代表該次循環第k只螞蟻所通過的路徑長度；
2.7)、令a＝a+1，若a≤r，則返回步驟2.6)，讓螞蟻向下個路徑轉移，否則則證明螞蟻實現了一次循環，進入下一步；
2.8)、根據經過步驟2.7)更新的數據計算對應的目標函數φ的值，并將該次循環中實現目標函數最優時對應的解存入矩陣wp1中；
2.9)、置k＝k+1，對各條路徑上的信息素進行更新，當所有路徑上的信息素均更新完成后，清空矩陣wp中相關信息；
2.10)、判斷是否達到最大循環次數，進而判斷是否結束循環：若未達到最大循環次數，則未收斂，將螞蟻放置初始位置0，返回步驟2.5)進行下輪循環；若達到最大循環次數，則收斂，輸出最優解wp1，循環結束。
優選地，步驟2.3)中預設的最優抗體保持次數為15次。
本發明通過在配電網中接入微網和無功補償設備，先通過調節配電網中的變壓器分接頭實現電壓無功的初步優化，然后對配電網的歷史數據進行研究，選擇電壓偏差問題嚴重的中樞點，在中樞點處接入微網，并通過計算無功靈敏度的方法對無功補償裝置的安裝位置進行選擇，最后，依靠微網與無功補償裝置的接入容量的相互配合實現配電網電壓無功的進一步合理優化，微網接入位置更加科學和準確，不僅避免了盲目接入微網對配電網電壓造成的不良影響，而且優化了含微網的配電網電壓無功控制策略，為配電網的安全、穩定、經濟運行奠定了基礎；通過采用主管與客觀賦權相結合的方法將多目標函數優化問題轉化為單目標函數優化問題，克服了單一賦權法存在的主觀賦權法主觀隨意性強，客觀性隨意性強相對較差，不能體現決策者對不同指標的重視程度的缺點，然后利用免疫—蟻群算法進行電壓無功優化求解，解決現有優化方法存在的搜索時間長、優化速度慢以及局部最優的缺點，進一步保障了配電網的安全、穩定運行。
附圖說明
圖1為本發明的流程圖。
具體實施方式
為了理解本發明的技術方案，下面結合附圖對本發明做進一步說明。
此處以10kv的配電網為例進行說明，配電網的電壓無功優化以供電區域為單位進行，一個變壓器供電范圍內的配電網即為一個供電區域，如圖1所示，每個供電區域內的配電網的電壓無功優化具體包括以下步驟：
a：通過調節配電網變壓器分接頭的位置對配電網整體電壓進行初步優化：根據歷史數據，預測配電網中各節點的電壓水平，若電壓不越限的節點數量不符合要求，則調節該配電網中的變壓器分接頭的位置，記錄變壓器分接頭在不同位置時配電網負荷節點電壓超出額定電壓±7％的節點數量，選擇負荷節點電壓超出額定電壓±x％的節點數量最小時變壓器分接頭所對應的位置，對配電網的電壓進行初步優化；
其中，±7％為根據gb12325-90標準確定10kv對應的供電電壓允許偏差；
b：確定配電網中微網的接入位置并接入微網：將配電網中的所有節點按照負荷節點功率從大到小的順序進行排序，根據要接入配電網中的微網數量，按節點的排列順序依次選擇出與微網數量相同，且電壓偏差超出線路額定電壓±7％的節點，并在選出的每個節點處分別接入一個微網；在功率大且電壓超出線路額定電壓±7％的負荷節點裝設微網，可以有效的降低線路上的負荷電流，進而改善配電網各節點的電壓水平，降低線路上的有功電能損耗；
c：確定配電網中無功補償設備的接入位置并接入無功補償設備：此處無功補償設備選擇無功補償電容器；具體包括以下步驟：
c1：計算配電網各節點的無功靈敏度：
配電網的有功損耗公式(1)表示為：
公式(1)中，ploss表示配電網有功電能損耗；ui表示節點i的實際運行電壓，uj表示節點j的實際運行電壓；gij表示支路ij的電導，bij表示支路ij的電納，θij為節點i和節點j之間的電壓相角差；
無功功率靈敏度是指配電網中各節點無功功率變化對系統網損的敏感程度，無功靈敏度的計算公式(2)為：
公式(2)中，ploss表示配電網有功電能損耗；q表示節點的無功功率；u表示節點處的電壓；θ表示節點處的相角；s為為無功靈敏度矩陣；
將公式(1)代入公式(2)中，即可得到各個節點的無功靈敏度；
c2：將各節點的無功靈敏度按照從大到小的順序進行排序，選擇前三個無功靈敏度對應的節點，并在選出的每個節點處均接入一個無功補償設備進行無功優化，使配電網同時滿足節點電壓不越限且有功電能損耗最小這兩個條件；
d：調節微網和無功補償設備的接入容量，通過微網與無功補償設備的接入容量的相互配合實現配電網電壓無功的進一步優化：具體包括以下步驟：
d1：采用主、客觀相結合的賦權法將配電網有功損耗最小、負荷節點不越限的多目標函數優化問題轉換為單目標優化問題：
有功損耗最小、節點電壓不越限函數的表達公式(3)如下：
公式(3)中，f為配電網最小有功電能損耗函數；u為各節點的實際運行電壓；ploss表示配電網有功電能損耗；ui為節點i的實際運行電壓，uj為節點j的實際運行電壓；gij為支路ij的電導，bij為支路ij的電納；θij為節點i和節點j之間的電壓相角差；n表示節點數量；
將滿足有功損耗最小和節點電壓不越限條件的指標采用主、客觀相結合的賦權法確定主觀權重和客觀權重，由主觀權重和客觀權重相組合，根據公式(4)計算出各個指標的綜合權重：
公式(4)中，ηj為指標j的綜合權重，αj為指標j的客觀權重；βj為指標j的主觀權重；m表示指標的個數；
再利用綜合權重法將多目標優化問題轉化為單目標φ的優化問題；
單目標φ值的計算公式(5)如下：
公式(5)中，ηj為指標j的綜合權重；δij為指標i、j的相對優越度；
指標i、j的相對優越度δij的計算公式(6)為：
公式(6)中，σij表示第i個解的第j個指標值，
d2：采用免疫—蟻群算法對微網和無功設備的接入容量進行規劃，實現配電網電壓無功的優化，得到微網和無功補償設備的接入容量；
d3：對含微網和無功補償設備的配電網進行仿真分析，驗證配電網各節點電壓水平和有功損耗，具體包括以下步驟：
3.1)、按步驟d2得到的微網接入容量對仿真中的微網參數進行設置，按照步驟d2得到的無功補償設備的接入容量對仿真中電容器模塊的參數進行設置；
3.2)、在仿真軟件中對配電網進行潮流計算；
3.3)、計算結果如果同時滿足所有節點電壓不越限和配電網有功電能損耗最小這兩個條件，則優化完成，驗證通過，仿真軟件將驗證通過的優化方案存檔；
計算結果如果無法滿足所有節點電壓不越限或配電網有功電能損耗最小這兩個條件中的任意一個，則視為驗證不通過，進入下一步；
3.4)在配電網未安裝無功補償設備的節點中選擇無功靈敏度最大的節點接入無功補償設備，并返回步驟3.1)進行計算和驗證；
d4：根據仿真分析中通過驗證的優化方案，按照優化方案中微網的接入容量對實際配電網中微網的計入容量進行設置，按照優化方案中無功補償設備的接入容量對實際配電網中無功補償設備的接入容量進行設置。
為了避免判斷矩陣出現一致性錯誤，上述步驟d1中主觀權重采用標度擴展法構造判斷矩陣來確定，該方法具有直觀、簡便，且運算量小等優點，具體包括以下步驟：
1.1)根據目標函數各解的相似度表示各個解的相似程度；目標函數各解的相似度的計算公式(7)如下：
公式(7)中，s為目標函數各解的相似度；hv,w為抗體v、w之間的歐式距離；
1.2)、根據目標函數解空間各個解的相似度得到判斷矩陣j：判斷矩陣j的計算公式(8)如下：
公式(8)，m表示目標函數的指標個數，si表示第i個指標的重要度系數，i∈[1，m-1]，si的數值等于第i個指標和相鄰第i+1個指標比較的標度值；設判斷矩陣j中的s1為已知數，根據傳遞性和目標函數解空間各個解的相似度s即求得判斷矩陣j內的所有值，進而求得判斷矩陣j；
1.3)、由判斷矩陣j對主觀權重進行計算，計算過程包括以下步驟：
(a)設ai＝[1/n,1/n,1/n,1/n]，其中n＝4，i＝0，ai表示主觀權重矩陣；
(b)令δa＝|ai+1-ai|，然后進行迭代計算ai+1＝jai/||jai||；δa表示每次迭代權重的差值，jai表示主觀權重的判斷矩陣，||jai||表示判斷矩陣中各元素的和；
(c)當δa<σ時，取主觀權重β＝ai+1，否則令i＝i+1，然后返回(b)；σ表示一個極小正數。
上述步驟d1中的客觀權重采用同一指標數值差異大小進行確定權重值的方法來確定，具體包括以下步驟：
1-1)、將微網的容量分為n等份，結合無功補償電容器的組數，可以得到滿足配電網節點電壓u和無功約束條件的的解所組成的解域矩陣；微網容量所分份數n越多，越有利于電壓優化，但同時也越會影響運算速度，此處優選將微網的容量分為10等份；
1-2)、計算解空間中各個指標的相對優越度矩陣ω：
解空間中各個指標的相對優越度矩陣ω的計算公式(9)是：
公式(9)中，δij為指標i、j的相對優越度，其中，i∈[1，n]，j∈[1，m]；n為可行解的組數，m為可行解中指標的個數；將指標i、j的相對優越度δij的計算公式(6)代入公式(9)中，即求得解空間中各個指標的相對優越度矩陣ω；
1-3)、根據相對優越度矩陣ω，利用客觀賦權法計算得到第j個指標的客觀權重αj，具體計算公式(10)如下：
公式(10)中，|ωij-ωkj|為可行解i、k中對指標j的相對優越度偏差絕對值，n為可行解的組數，m為可行解中指標的個數。
步驟d2中采用的免疫—蟻群算法，利用免疫算法的隨機性和快速性優點和蟻群算法的正反饋優點來進行目標優化的方法，該方法能夠有效的解決已有算法所存在的搜索速度慢，易出現局部最優的缺點，具體包括以下步驟：
2.1)、設置原始數據參數，并對免疫蟻群算法中相關參數進行初始化，自定義n×r的kt矩陣作為抗體矩陣，自定義1×m的zyka矩陣用于存放最優抗體：所述原始數據參數包括配電網節點間的阻抗、導納信息、各節點電壓、微網容量、無功補償電容容量的取值區間；所述進行初始化的相關參數包括抗體個數m，進化的最大次數n，交叉和變異概率pc、pm、淘汰率pt，其中抗原代表目標函數，抗體代表滿足目標函數各變量的解；所述n×r的kt矩陣中n為可行解的組數，r為配電網中所接微網和無功補償電容器個數之和；
2.2)、劃定抗體的解空間，在解空間中隨機選取n組抗體為初始抗體存放于kt矩陣中，對配電網進行潮流計算，并計算抗體與抗原之間的結合力和抗體與抗體之間的結合力：
抗體與抗原之間結合力的計算公式(11)是：
公式(11)中，av為抗體與抗原之間結合力，f(v)為目標函數，ν為函數的相關變量；
目標函數的表達公式(3)在此處寫為：
公式(3)中，f為配電網最小有功電能損耗函數；u為各節點的實際運行電壓；ploss表示配電網有功電能損耗；ui為節點i的實際運行電壓，uj為節點j的實際運行電壓；gij為支路ij的電導，bij為支路ij的電納；θij為節點i、j的電壓相角差；
抗體和抗體之間結合力的計算公式(12)為：
bv,w＝1/(1+hv,w)(12)
公式(12)中，bv,w為抗體間的結合力，hv,w為抗體v、w間的歐式距離；
hv,w的計算公式(13)為：
公式(13)中，xvn為抗體v的第n個指標值、xwn為抗體w的第n個指標值；
2.3)、根據所選抗體組中目標函數的值選擇最優抗體，將進化過程中得到的最優抗體放入zykt矩陣中，并判別是否滿足終止條件，如果滿足轉步驟2.5)，否則進入步驟2.4)：最優抗體為所選抗體組中目標函數最優時對應的抗體，即抗體與與抗原之間結合力最強時的對應的抗體；將得到的最優抗體放入zykt矩陣中，判斷最優抗體的保持次數是否達到預設的最優抗體保持次數m次，此處優選預設的最優抗體保持次數是15次，如果最優抗體的保持次數達到15次，則判斷此次循環結束，進入步驟2.5)，否則判斷此次循環未結束，進入步驟2.4)；
2.4)、對所選抗體組中的抗體進行選擇和更新，并返回步驟2.3)：對抗體的期望生存率進行計算，并利用輪轉法和淘汰率對已存在的抗體進行選擇和淘汰，利用記憶細胞中適應度高的抗體代替適用度低的抗體，形成最優抗體群，同時，利用交叉和變異的方法對抗體進行更新；
抗體的期望生存率計算公式(14)為：
公式(14)中，cv為抗體v的濃度，lv為變量，ai為抗體i和抗原的結合力；
變量lv的表達公式(15)為：
公式(15)中，cv為抗體v的濃度，tn為抗體濃度的最大允許值
抗體濃度cv的計算公式(16)為：
公式(16)中，sv,w表示抗體v、w的近似程度，m表示抗體個數，n表示抗體的個數；
sv,w的表達公式(17)為：
公式(17)中，t為抗體結合力閾值；sv,w為1表示抗體v、w近似，sv,w為0表示抗體v、w不同；
將公式(15)和公式(16)代入公式(14)中，即求得抗體的期望生存率；
2.5)、對蟻群算法中螞蟻個數n、循環次數k0和最大循環次數kmax這三個參數進行初始化，定義用于存放各個螞蟻的路徑值的n×r的矩陣wp，并定義用于存放免疫算法得到的最優抗體的1×r的矩陣wp1，然后將螞蟻放于初始位置0，并根據免疫算法結果對蟻群算法的信息素進行初始化，并將變量初始值設置為1；在對微網和無功補償電容器容量調節時會設置調節的順序，初始位置0就是第一個要開始設置的位置；
2.6)、對螞蟻向每條路徑上的轉移概率pk(a，b)進行計算，根據路徑選擇方法為各個螞蟻在變量a上選擇路徑，并將路徑值存入矩陣wp的第a個變量，進而實現信息素濃度的局部更新；
轉移概率pk(a，b)的計算公式(18)為：
公式(18)中，τ(a,b)為路徑a、b上的信息素，η(a,b)為路徑a、b的能見度，α表示信息素系數，β表示能見度權重系數；
η(a,b)的計算公式(19)為：
公式(19)中，t表示微網和電容器所設置的實際容量，即螞蟻的實際路徑，b*表示上次循環得到的微網和電容器的最優容量，即螞蟻的最優路徑；b為本次循環得到的微網和電容器的最優容量；
信息素濃度更新的計算公式(20)為：
公式(20)中，ρ表示信息素的揮發度，優選取ρ為0.5；τij(t)表示路徑i、j間t時刻的信息素濃度；τij(t+n)為第n條路徑更新后的信息素濃度，m為解中指標的個數；公式(22)中，
公式(21)中，q為常數，當目標函數小于0.24時，q＝1，當目標函數大于0.24時，q＝0.02；lk代表該次循環第k只螞蟻所通過的路徑長度；
2.7)、令a＝a+1，若a≤r，則返回步驟2.6)，讓螞蟻向下個路徑轉移，否則則證明螞蟻實現了一次循環，進入下一步；
2.8)、根據經過步驟2.7)更新的數據計算對應的目標函數φ的值，并將該次循環中實現目標函數最優時對應的解存入矩陣wp1中；
2.9)、置k＝k+1，對各條路徑上的信息素進行更新，當所有路徑上的信息素均更新完成后，清空矩陣wp中相關信息；
2.10)、判斷是否達到最大循環次數，進而判斷是否結束循環：若未達到最大循環次數，則未收斂，將螞蟻放置初始位置0，返回步驟2.5)進行下輪循環；若達到最大循環次數，則收斂，輸出最優解wp1，循環結束。
本發明的特征在于同時考慮了微網與無功補償裝置對配電網電壓無功的影響，對配電網進行三重的電壓無功優化策略：首先，通過配電網變壓器分接頭的調節對配電網整體電壓進行初步優化；其次，對于配電網中電壓偏差嚴重的中樞節點，在此節點接入微網，然后對接入后的各節點電壓、電流、有功、無功等數據進行測量分析；最后，依靠微網與無功補償裝置的接入容量的相互配合實現配電網電壓無功的合理優化。本發明提出的含微網的電壓無功優化新方案，首先采用主管與客觀賦權相結合的方法將多目標函數優化問題轉化為單目標函數優化問題，克服了單一賦權法的不足，然后利用免疫—蟻群算法進行電壓無功優化求解，解決現有優化方法存在的搜索時間長、速度慢以及局部最優的缺點，提高了配電網優化效果，保障了配電網的安全運行。
最后應說明的是：以上實施例僅用以說明本發明的技術方案，而非對其限制；盡管參照前述實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解，其依然可以對前述實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特征進行等同替換，而這些修改或者替換，并不使相應技術方案的本質脫離本發明實施例技術方案的范圍。