1.一种基于源网荷协同优化的配电网光储联合配置方法，其特征在于，所述方法基于并行迭代二分K‑means‑+增强聚类算法对多场景进行缩减分析，模拟光照强度及负荷需求的时序特性和不确定性；构建基于源网荷协同优化的配电网光储联合优化配置模型；提出并行双量子微分进化算法对基于源网荷协同优化的配电网光储联合配置模型进行高效求解。

2.根据权利要求1所述的一种基于源网荷协同优化的配电网光储联合配置方法，其特征在于，所述并行迭代二分K‑means‑+增强聚类算法对多场景进行缩减步骤如下：(1)将数据集按计算内核数平均划分，把各数据子集分配到各个计算内核中；

(2)各计算内核利用极大距离法选出质心进行二分K‑means聚类，得出K个簇及其簇心；

(3)通过迭代分解和移除操作进一步增强聚类，设簇Si的簇心为ci，其欧式距离平方和SSED(Si)为：若将簇Si分解为两簇Si,1和Si,2后的SSED减少量为Gain(Si)；另有簇Sj(簇心为cj)，其最近簇为Sn(簇心为cn)，若Sj在移除cj后其各数据到最近簇心cn的SSED增加量为Cost(Sj)；即：若Gain(Si)＞Cost(Sj)，则将Si分解为Si,1和Si,2，同时将Sj并入Sn并移除簇心cj，簇心总数保持不变；如此多次迭代直到K个簇的SSED总和SSSED达到最小；

(4)将各计算内核得到的簇心合并求取平均值得到全局质心；

(5)判断全局质心是否稳定，如果稳定得出聚类结果；否则，将全局质心传回到各个计算核，各子数据集按照新的质心进行二分K‑均值聚类，得到新的簇心，然后重复第(3)步到第(5)步；

(6)循环迭代，直到全局质心稳定后完成聚类。

3.根据权利要求1所述的一种基于源网荷协同优化的配电网光储联合配置方法，其特征在于，所述基于源网荷协同优化的配电网光储联合优化配置模型，充分利用源网荷三方面的主动管理措施对主动配电网中分布式光储联合系统进行配置；在电源侧通过调节分布式光伏出力和增加储能对电网进行主动支撑，在电网侧通过调整有载调压变压器的电压来改善节点电压分布，在负荷侧通过需求侧响应来实现电网与负荷间的双向互动；通过构建双层模型来实现配电网光储联合优化配置；外层以区域光储联合系统投资商的收益最大和光伏就地消纳率最大为目标，控制变量为分布式光伏和蓄电池的安装位置及容量；内层以每个典型场景24小时内各节点电压偏差平均值最小为目标，控制变量为源网荷协同主动管理措施实施值，即分布式光伏出力消减率、OLTC二次侧电压和可中断负荷的中断率；外层将分布式光储的配置方案传递给内层，内层将每个场景优化后的主动管理实施方案传递给外层；外层模型采用多目标PDQDE算法求解，内层模型采用单目标PDQDE算法求解；

所述内层以每个场景24小时内各节点电压偏差平均值最小为优化目标，其表达式如下：

式中： 为采取主动管理措施后场景s下第g个节点在时刻t时的电压幅值， 为调节OLTC后场景s下系统二次侧首节点电压幅值,Ng为系统节点数。

4.根据权利要求1所述的一种基于源网荷协同优化的配电网光储联合配置方法，其特征在于，所述双量子微分进化算法，利用量子位对染色体进行编码，然后对微分进化策略进行量子态改进，步骤如下：(1)染色体量子化处理，采用下式所示的量子位形式对染色体进行编码：

式中：Pi为第i个染色体的概率幅值，θ为量子角范围为[0,2π]，V为决策变量个数；

(2)个体量子态进化，量子空间中，染色体的量子态常常用波函数ψ(x,t)表示，利用求解薛定谔方程和蒙特卡洛随机模拟方法得到量子位幅值概率幅值位置方程如下式所示：式中：u为(0,1)间的随机数，xcb表示为所有量子位概率幅值的最优位置的中心，β为控制参数，m为种群个数；

将上式与DE的变异操作相结合，得到新型量子微分进化变异策略如下：

G+1

式中：Yi 为变异操作所产生的中间个体， 为第G代第r个个体向量，F为变异因子，变异基向量 为第G代最优个体，控制参数β按照下式进行动态调整：β＝(β1‑β2)(genmax‑gen)/genmax+β2

式中，β1和β2为控制参数的初始值和最终值，分别取为1.0和0.5，gen为当前迭代次数，genmax为最大迭代次数。

5.根据权利要求1所述的一种基于源网荷协同优化的配电网光储联合配置方法，其特征在于，所述并行双量子微分进化算法，是将双量子微分进化算法与并行计算相结合的算法；通过并行计算技术将常规的单种群进化模式拓展为多种群并行进化模式，获得很高的加速比；并行双量子微分进化将初始种群分为多个子种群并划分给不同的计算单元，每个计算单元各自并行寻优；各计算单元利用群间通信机制实现各子种群间的精英个体移民以保持个体多样性并提速寻优效率。