1.一种基于AG‑MOPSO的含风电配电网无功优化方法，其特征在于，包括以下步骤：S1：建立风电场出力的概率模型，将风电出力的不确定性转换为典型场景下的场景功率：S1.1：由风电机组的功率特性曲线得到的输出功率pw和风速v之间的关系；

S1.2：将风电机组的输出功率划分为三种典型场景；

S1.3：结合概率密度函数计算三种典型场景下的风电机组输出功率；

S1.4：将三种典型场景的风电机组输出功率与其概率分别相乘后求和，得到风电机组的期望输出功率，作为风机的有功输出；

S2：建立以有功网损和电压偏差最小为目标函数的含风电的配电网的无功优化模型，该模型选择无功补偿设备投切组数以及风电机组无功输出作为控制变量，负荷节点电压作为状态变量；

S3：提出基于AG‑MOPSO算法，通过AG‑MOPSO算法对含风电的配电网无功优化模型进行求解，保证Pareto前沿分布的均匀性和多样性：S3.1：读入电网运行数据，设置AG‑MOPSO算法参数，对控制变量进行编码x＝[QCZ1  ,QCZ2 ,…,QCZi ,…|QWG1  ,QWG2 ,…QWGi  ,…]，其中QCZi为第i台电容器组投切组数，QWGi为第i台风电机组的无功输出；

S3.2：初始化粒子的位置和速度，潮流计算得出相应的有功网损和电压偏差；

S3.3：取当前各粒子位置为个体最优位置pbest，判断它们之间的支配关系，将非支配解放入外部档案库中，通过全局最优粒子选取原则确定全局最优位置gbest；

S3.4：迭代更新粒子的位置和速度，潮流计算产生新的解集；

S3.5：通过个体最优粒子选取原则确定pbest，同时将其中的非支配解添加到外部档案库中，利用外部档案库维护原则保持Pareto最优解的数量，再次通过全局最优粒子选取原则确定gbest；

S3.6：若算法达到最大迭代次数或者满足收敛条件，则输出外部档案库中的Pareto最优解，否则跳转至步骤S3.4继续计算；

所述外部档案库中的Pareto最优解通过自适应网格的构建得到：对于m个目标函数的优化问题，构成的m维目标空间，需要设置2m个边界的网格，定义第k次迭代第m个目标上的网格上下边界 和 分别为：其中， 和 分别为第m个目标函数的最大值和最小值，h为膨胀系数；

由于迭代过程中， 和 是不断变化的，因此网格边界能够自适应调整，更好地反映解的分布情况，进一步的，得到函数值 对应的网格坐标为：其中， 为第k次迭代第m个目标函数的网格大小，g为划分的网格数目，[·]为取整函数，根据该式能够计算出每个网格内Pareto最优解的个数，反映出网格内粒子的密度信息；

所述最优粒子的选取主要是对个体最优位置pbest和全局最优位置gbest的选择：通过判断当前粒子位置与历史个体最优位置的支配关系，选择非支配的粒子为pbest，若互不支配，则随机选择；为保证Pareto前沿分布的均匀性，采用粒子的密度信息来选取gbest，第k次迭代第i个网格被选择的概率为：其中，G为含有粒子的网格数目， 为第k次迭代第i个网格中的粒子个数，该式表示网k k格中粒子数越少，Pi的值就越大，结合轮盘赌机制，Pi越大说明网格被选取的概率越大，确定网格后随机选取网格内的一个粒子作为全局最优位置gbest；

为限制存储非支配解的所述外部档案的规模以及减少计算复杂度，设置最大存储数目：首先判断新的非支配解与外部档案内解的支配关系，保留其中的非支配解；

然后检查外部档案规模是否超过最大存储数目，若是，则采用粒子的密度信息和轮盘赌机制删除非支配解，第i个网格被选择的概率为：其中，G为含有粒子的网格数目，Ni为第i个网格中的粒子个数，该式表示网格中粒子数越多，Pi的值就越大，被选取的概率越大；

最后从选择的网格中随机删除一个粒子；重复选择删除的过程，直到外部档案库不超过最大的存储数目。

2.根据权利要求1所述的基于AG‑MOPSO的含风电配电网无功优化方法，其特征在于，所述S1.1中输出功率pw和风速v之间的关系为：‑1

其中，cci、vr、vco分别为切入风速、额定风速、切出风速，k1＝pr (vr ‑vco ) ，k2＝‑k1vco，pr为风电机组的额定功率。

3.根据权利要求2所述的基于AG‑MOPSO的含风电配电网无功优化方法，其特征在于，由所述式(1)将风电机组的输出功率划分为三种典型场景：停机状态零输出的场景一、对应功率随风速变化状态欠额定输出的场景二、额定功率状态额定输出的场景三。

4.根据权利要求3所述的基于AG‑MOPSO的含风电配电网无功优化方法，其特征在于，根据概率密度函数计算所述三种典型场景发生的概率：其中，P1、P2、P3分别代表场景一、场景二、场景三的发生概率，f(v)表示Weibull分布的概率密度函数， k和c分别为Weibull分布的形状参数和尺度参数；

因此场景一、场景三对应的风电机组输出功率分别为0和pr，场景二的风电机组输出功率为：

5.根据权利要求1所述的基于AG‑MOPSO的含风电配电网无功优化方法，其特征在于，所述S2中的有功网损f1和电压偏差f2分别为：其中，N为系统节点数，i、j为节点标号，Gij为节点i、j之间的支路导纳，Ui和Uj分别为节点i，j的电压幅值，θij为节点i、j电压相位差，Ui.N、Ui.max和Ui.min分别为节点i的额定电压、节点电压最大值和节点电压最小值；

因而，配电网的无功优化模型的目标函数为：

F＝min(f1 ,f2 )。

6.根据权利要求5所述的基于AG‑MOPSO的含风电配电网无功优化方法，其特征在于，所述配电网的无功优化模型的等式约束条件为系统节点的有功功率和无功功率平衡约束：其中，PGi和QGi分别为电源的有功输出和无功输出；PLi和QLi分别为负荷节点的有功功率和无功功率；QCi为无功补偿容量；Gij和Bij分别为节点i、j之间的电导和电纳。

7.根据权利要求5所述的基于AG‑MOPSO的含风电配电网无功优化方法，其特征在于，所述配电网的无功优化模型的不等式约束条件包括节点电压约束、电容器容量约束以及风力发电机的出力约束：其中，QCZi、PWGi和QWGi分别为电容器投切组数、风机的有功输出和无功输出。