本发明属于电力系统技术领域，尤其涉及配电网多目标无功优化方法及终端设备。
背景技术：
无功优化是指当系统的结构参数及负荷情况给定时，通过对某些控制变量的优化，在满足制定约束条件的前提下，使系统的某一个或多个性能指标达到最优时的无功调节手段。无功优化在电力系统优化运行中起着非常重要的作用，合理的无功分布可有效降低电力系统的损耗并保证系统安全运行。分布式电源(distributedgeneration，dg)在配电网的电力系统中的接入比重逐渐增大，dg的接入可以有效改善配电网无功功率不足，增加配电网的供电容量。然而，dg与传统无功设备的协调控制也给配电网无功优化提出了新的挑战，例如，使得配电网中各个线路的支路潮流的流动方向不再是朝单独的一个方向，进而造成网络损耗改变以及由于电力电子器件的影响，增加了整个系统的非线性负载。但是，现有的解决含分布式电源的配电网无功优化的方法求解精度较低，无法满足含分布式电源的配电网无功优化需求。
技术实现要素：
有鉴于此，本发明实施例提供了配电网多目标无功优化方法及终端设备，以解决现有技术中含分布式电源的配电网无功优化方法求解精度低的问题。
本发明实施例的第一方面提供了一种配电网多目标无功优化方法，包括：
以分布式电源投资效益、支路电压稳定裕度和系统有功网损为目标函数，以等式约束、不等式约束和机会约束为约束条件构建多目标无功优化数学模型；
通过权重系数法根据所述多目标无功优化数据模型确定满意度函数；
通过基于分布熵的自适应离子群算法求解所述满意度函数，生成无功优化结果。
可选的，所述通过权重系数法根据所述多目标无功优化数据模型确定满意度函数，包括：
获取所述分布式电源投资效益的隶属度、所述支路电压稳定裕度的隶属度和所述系统有功网损的隶属度；
获取所述分布式电源投资效益的第一权重、所述支路电压稳定裕度的第二权重和所述系统有功网损的第三权重；
根据所述分布式电源投资效益的隶属度、所述支路电压稳定裕度的隶属度、所述系统有功网损的隶属度、所述第一权重、所述第二权重和所述第三权重形成满意度函数。
进一步的，所述根据所述分布式电源投资效益的隶属度、所述支路电压稳定裕度的隶属度、所述系统有功网损的隶属度、所述第一权重、所述第二权重和所述第三权重形成满意度函数，包括：
根据表达式f＝aλ1+bλ2+cλ3确定满意度函数f，其中，a为所述第一权重，b为所述第二权重，c为所述第三权重，λ1为所述分布式电源投资效益的隶属度，λ2为所述支路电压稳定裕度的隶属度，λ3为所述系统有功网损的隶属度。
可选的，所述通过基于分布熵的自适应离子群算法求解所述满意度函数，生成无功优化结果，生成无功优化结果，包括：
获取初始数据；所述初始数据包括最大迭代次数；
随机生成n个粒子及每个粒子的初始速度和初始位置；
分别计算n个所述粒子的满意度值，将最大的满意度值作为当前全局最优解，并将迭代次数记为1；
通过基于分布熵的自适应粒子群算法确定惯性权重；
确定学习因子；
根据所述惯性权重和所述学习因子调整所述粒子中除最大满意度值对应的粒子以外的粒子的速度和位置；
重新计算n个所述粒子的满意度值，得到n个新的满意度值，并将最大的新的满意度值作为新的当前全局最优解；
在迭代次数未达到所述最大迭代次数时，执行步骤通过基于分布熵的自适应粒子群算法确定惯性权重，并将迭代次数加1；在迭代次数达到所述最大迭代次数时，停止迭代。
进一步的，所述通过基于分布熵的自适应粒子群算法确定惯性权重，包括：
确定n个所述粒子的分布熵；
根据所述分布熵确定所述惯性权重。
所述确定n个所述粒子的分布熵，包括：
确定n个所述粒子之间的距离，并根据所述距离确定距离最大的第一粒子和第二粒子；
确定所述第一粒子所在位置与所述第二粒子所在位置的方向矢量；
确定n个所述粒子在所述方向矢量上的投影的集合；
将所述集合分为n个区间，并确定每个区间的粒子投影个数；
根据所述粒子投影个数确定所述分布熵；
所述根据所述分布熵确定所述惯性权重，包括：
根据表达式ω＝1/(1+1.5e-2.6e(k))确定所述惯性权重ω，其中，e(k)为分布熵，k为当前迭代次数。
进一步的，所述学习因子包括第一学习因子和第二学习因子；
所述确定学习因子，包括：
根据表达式
其中，c1,ini为所述第一学习因子的初始值，c1,fin为所述第一学习因子的最大值，c2,ini为所述第二学习因子的初始值，c2,fin为所述第二学习因子的最大值，k为当前迭代次数，kmax为所述最大迭代次数。
本发明实施例的第二方面提供了一种配电网多目标无功优化装置，包括：
构建模块，用于以分布式电源投资效益、支路电压稳定裕度和系统有功网损为目标函数，以等式约束、不等式约束和机会约束为约束条件构建多目标无功优化数学模型；
确定模块，用于通过权重系数法根据所述多目标无功优化数据模型确定满意度函数；
分析模块，用于通过基于分布熵的自适应离子群算法求解所述满意度函数，生成无功优化结果。
本发明实施例的第三方面提供了一种配电网多目标无功优化终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如本发明实施例第一方面所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例通过以分布式电源投资效益、支路电压稳定裕度和系统有功网损为目标函数，以等式约束、不等式约束和机会约束为约束条件构建多目标无功优化数学模型，并通过权重系数法根据所述多目标无功优化数据模型确定满意度函数，通过基于分布熵的自适应离子群算法求解满意度函数，生成无功优化结果，能够提高配电网多目标无功优化结果的精度，并提高优化速度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的配电网多目标无功优化方法的实现流程示意图；
图2是本发明实施例一提供的配电网多目标无功优化方法的实现流程示意图；
图3是本发明实施例二提供的配电网多目标无功优化装置的示意图；
图4是本发明实施例三提供的配电网多目标无功优化终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一
请参考图1，配电网多目标无功优化方法包括：
步骤s101，以分布式电源投资效益、支路电压稳定裕度和系统有功网损为目标函数，以等式约束、不等式约束和机会约束为约束条件构建多目标无功优化数学模型。
在本发明实施例中，分布式电源投资效益为分布式电源的日投资效益。根据表达式
支路电压稳定裕度为日支路电压稳定裕度。根据表达式
根据表达式
等式约束为潮流约束，表达式为：
其中，pi,t为在t时段配电网系统节点i的有功功率，qi,t为在t时段配电网系统节点i的无功功率，pdgi,t为在t时段配电网系统节点i处分布式电源注入的有功功率，qdgi,t为在t时段配电网系统节点i的分布式电源注入无功功率，qci,t为在t时段配电网系统节点i的电容器组的接入容量，gij,t为在t时段配电网系统节点i与配电网系统节点j之间的电导值，bij,t为在t时段配电网系统节点i与配电网系统j之间的电纳值，ei,t为在t时段配电网系统节点i的电压值的实部，fi,t为在t时段配电网系统i的电压值的虚部，ej,t为在t时段配电网系统j的电压值的实部，fj,t为在t时段配电网系统j的电压虚部，m为与节点i相连接的节点j的个数。
不等式约束包括分布式电源渗透率水平约束、分布式电源安装容量约束、补偿电容器容量约束和电容组投切次数约束，表达式为：
其中，pdgi,t为在t时段配电网系统节点i的分布式电源注入的有功功率，pi,t为在t时段配电网系统节点i的有功功率，χ为配电网系统接纳分布式电源的最大值，即dg渗透率，根据配电网运行安全考虑，一般选用45％，即分布式电源有功出力应该小于配电系统总负荷消耗有功功率的45％。np为分布式电源接入数量，n为配电网负荷节点个数。ci(t)为在t时段配电网系统节点i的电容器组的接入容量，ci(t-1)在t-1时段配电网系统节点i的电容器组的接入容量，tcmax为一天内电容器组的最大投切次数，qci,t为在t时段配电网系统节点i的电容器组的接入容量，qci,max为配电网系统节点i的电容器组的接入容量的最大值，qci,min为配电网系统节点i的电容器组的接入容量的最小值，sdgi为配电网系统节点i的分布式电源的安装容量，sdgi,max为配电网系统节点i的分布式电源最大安装容量。
机会约束包括节点电压机会约束和支路传输容量机会约束，表达式为：
其中，，pr为分布式电源的额定功率，ui,t为在t时段配电网系统节点i的节点电压，，ui,max为配电网系统节点i电压幅值波动允许的最大值，ui,min为配电网系统节点i电压幅值波动允许的最小值，α为配电网系统节点电压机会约束的置信水平最小值，δ为支路传输容量机会约束的置信水平最小值，sij为配电网系统节点i与配电网系统节点j之间的传输容量，sij,max为配电网系统节点i与配电网系统节点j之间的最大传输容量。
步骤s102，通过权重系数法根据所述多目标无功优化数据模型确定满意度函数。
可选的，步骤s102的具体实现方法为：
获取所述分布式电源投资效益的隶属度、所述支路电压稳定裕度的隶属度和所述系统有功网损的隶属度；
获取所述分布式电源投资效益的第一权重、所述支路电压稳定裕度的第二权重和所述系统有功网损的第三权重；
根据所述分布式电源投资效益的隶属度、所述支路电压稳定裕度的隶属度、所述系统有功网损的隶属度、所述第一权重、所述第二权重和所述第三权重形成满意度函数。
进一步的，所述根据所述分布式电源投资效益的隶属度、所述支路电压稳定裕度的隶属度、所述系统有功网损的隶属度、所述第一权重、所述第二权重和所述第三权重形成满意度函数，包括：
根据表达式f＝aλ1+bλ2+cλ3确定满意度函数f，其中，a为所述第一权重，b为所述第二权重，c为所述第三权重，λ1为所述分布式电源投资效益的隶属度，λ2为所述支路电压稳定裕度的隶属度，λ3为所述系统有功网损的隶属度。
在本发明实施例中，分布式电源年投资效益的隶属度的表达式为：
其中，cpsc为分布式电源投资效益。以分布式电源投资效益作为唯一目标函数进行无功优化，可以得到分布式电源投资效益的最大值cpsc,max，cpsc,min为不进行任何优化时分布式电源的效益，此时为最小值。
λ2为支路电压稳定裕度的隶属度值，表达式为：
其中，vsi为支路电压稳定裕度。以支路电压稳定裕度作为唯一目标函数进行无功优化，可以得到支路电压稳定裕度的最大值vsimax，vsi,min为不进行任何优化时支路电压的稳定裕度，此时为最小值。
λ3为系统有功网损的隶属度，表达式为：
其中，ploss为系统有功网损。以系统有功网损作为唯一目标函数进行无功优化，可以得到系统有功网损的最小值ploss,min，ploss,max为不进行任何优化时系统的有功网损值，此时为最大值。
根据层次分析法确定第一权重、第二权重和第三权重，通过该方法计算得到a＝0.25，b＝0.5，c＝0.25。
步骤s103，通过基于分布熵的自适应离子群算法求解所述满意度函数，生成无功优化结果。
可选的，请参考图2，步骤s103的实现方式为：
步骤s201，获取初始数据；所述初始数据包括最大迭代次数；
步骤s202，随机生成n个粒子及每个粒子的初始速度和初始位置；
步骤s203，分别计算n个所述粒子的满意度值，将最大的满意度值作为当前全局最优解，并将迭代次数记为1；
步骤s204，通过基于分布熵的自适应粒子群算法确定惯性权重；
步骤s205，确定学习因子；
步骤s206，根据所述惯性权重和所述学习因子调整所述粒子中除最大满意度值对应的粒子以外的粒子的速度和位置；
步骤s207，重新计算n个所述粒子的满意度值，得到n个新的满意度值，并将最大的新的满意度值作为新的当前全局最优解；
步骤s208，判断迭代次数是否达到最大迭代次数，在迭代次数达到最大迭代次数时，执行步骤s209，在迭代次数未达到最大迭代次数时，执行步骤s204。
步骤s209，输出优化结果。
进一步的，所述通过基于分布熵的自适应粒子群算法确定惯性权重，包括：
确定n个所述粒子的分布熵；
根据所述分布熵确定所述惯性权重。
更进一步的，，所述确定n个所述粒子的分布熵，包括：
确定n个所述粒子之间的距离，并确定距离最大的第一粒子和第二粒子；
确定所述第一粒子所在位置与所述第二粒子所在位置的方向矢量；
确定n个所述粒子在所述方向矢量上的投影的集合；
将所述集合分为n个区间，并确定每个区间的粒子投影个数；
根据所述粒子投影个数确定所述分布熵；
所述根据所述分布熵确定所述惯性权重，包括：
根据表达式ω＝1/(1+1.5e-2.6e(k))确定所述惯性权重ω，其中，e(k)为分布熵，k为当前迭代次数。
在本发明实施例中，每次迭过程中，计算n个粒子中每两个粒子之间的距离，根据表达式l(k)＝max║xi(t),xj(t)║2确定第k次迭代中粒子之间的最大距离l(k)，其中，xi(k)和xj(k)为距离最大的两个粒子所在的位置，确定xi(k)和xj(k)之间的方向矢量g(k)，再根据表达式y(k)＝g(k)tx(k)确定n个粒子在方向矢量g(k)方向上的投影的集合y(k)，其中，x(k)为n个粒子所在位置的集合，表达式为x(k)＝[x1,x2,…,xn]，将y(k)按照粒子数量等分，即将y(k)进行n等分，并确定第m个等分区间段的离子投影个数hm(k)，根据表达式
可选的，所述学习因子包括第一学习因子和第二学习因子；
所述确定学习因子，包括：
根据表达式
其中，c1,ini为所述第一学习因子的初始值，c1,fin为所述第一学习因子的最大值，c2,ini为所述第二学习因子的初始值，c2,fin为所述第二学习因子的最大值，k为当前迭代次数，kmax为所述最大迭代次数。
在本发明实施例中，根据表达式
本发明实施例通过以分布式电源投资效益、支路电压稳定裕度和系统有功网损为目标函数，以等式约束、不等式约束和机会约束为约束条件构建多目标无功优化数学模型，并通过权重系数法根据所述多目标无功优化数据模型确定满意度函数，通过基于分布熵的自适应离子群算法求解满意度函数，生成无功优化结果，能够提高配电网多目标无功优化结果的精度，并提高优化速度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例二
请参考图3，配电网多目标无功优化装置，包括：
构建模块301，用于以分布式电源投资效益、支路电压稳定裕度和系统有功网损为目标函数，以等式约束、不等式约束和机会约束为约束条件构建多目标无功优化数学模型；
确定模块302，用于通过权重系数法根据所述多目标无功优化数据模型确定满意度函数；
分析模块303，用于通过基于分布熵的自适应离子群算法求解所述满意度函数，生成无功优化结果。
可选的，确定模块302用于获取所述分布式电源投资效益的隶属度、所述支路电压稳定裕度的隶属度和所述系统有功网损的隶属度；
获取所述分布式电源投资效益的第一权重、所述支路电压稳定裕度的第二权重和所述系统有功网损的第三权重；
根据所述分布式电源投资效益的隶属度、所述支路电压稳定裕度的隶属度、所述系统有功网损的隶属度、所述第一权重、所述第二权重和所述第三权重确定满意度函数。
可选的，所述根据所述分布式电源投资效益的隶属度、所述支路电压稳定裕度的隶属度、所述系统有功网损的隶属度、所述第一权重、所述第二权重和所述第三权重确定满意度函数，包括：
根据表达式f＝aλ1+bλ2+cλ3确定满意度函数f，其中，a为所述第一权重，b为所述第二权重，c为所述第三权重，λ1为所述分布式电源投资效益的隶属度，λ2为所述支路电压稳定裕度的隶属度，λ3为所述系统有功网损的隶属度。
可选的，分析模块303，用于获取初始数据；所述初始数据包括最大迭代次数；
随机生成n个粒子及每个粒子的初始速度和初始位置；
分别计算n个所述粒子的满意度值，将最大的满意度值作为当前全局最优解，并将迭代次数记为1；
通过基于分布熵的自适应粒子群算法确定惯性权重；
确定学习因子；
根据所述惯性权重和所述学习因子调整所述粒子中除最大满意度值对应的粒子以外的粒子的速度和位置；
重新计算n个所述粒子的满意度值，得到n个新的满意度值，并将最大的新的满意度值作为新的当前全局最优解；
在迭代次数未达到所述最大迭代次数时，执行步骤通过基于分布熵的自适应粒子群算法确定惯性权重，并将迭代次数加1；在迭代次数达到所述最大迭代次数时，停止迭代。
进一步的，所述通过基于分布熵的自适应粒子群算法确定惯性权重，包括：
确定n个所述粒子的分布熵；
根据所述分布熵确定所述惯性权重。
更进一步的，所述确定n个所述粒子的分布熵，包括：
确定n个所述粒子之间的距离，并根据所述距离确定距离最大的第一粒子和第二粒子；
确定所述第一粒子所在位置与所述第二粒子所在位置的方向矢量；
确定n个所述粒子在所述方向矢量上的投影的集合；
将所述集合分为n个区间，并确定每个区间的粒子投影个数；
根据所述粒子投影个数确定所述分布熵；
所述根据所述分布熵确定所述惯性权重，包括：
根据表达式ω＝1/(1+1.5e-2.6e(k))确定所述惯性权重ω，其中，e(k)为分布熵，k为当前迭代次数。
进一步的，所述学习因子包括第一学习因子和第二学习因子；
所述确定学习因子，包括：
根据表达式
其中，c1,ini为所述第一学习因子的初始值，c1,fin为所述第一学习因子的最大值，c2,ini为所述第二学习因子的初始值，c2,fin为所述第二学习因子的最大值，k为当前迭代次数，kmax为所述最大迭代次数。
本发明实施例通过构建模块301以分布式电源投资效益、支路电压稳定裕度和系统有功网损为目标函数，以等式约束、不等式约束和机会约束为约束条件构建多目标无功优化数学模型，确定模块302通过权重系数法根据所述多目标无功优化数据模型确定满意度函数，分析模块303通过基于分布熵的自适应离子群算法求解满意度函数，生成无功优化结果，能够提高配电网多目标无功优化结果的精度，并提高优化速度。
实施例三
图4是本发明一实施例提供的配电网多目标无功优化终端设备的示意图。如图4所示，该实施例的配电网多目标无功优化终端设备4包括：处理器401、存储器402以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序403。所述处理器401执行所述计算机程序403时实现上述各个配电网多目标无功优化方法实施例中的步骤，例如图1所示的步骤s101至s103。或者，所述处理器401执行所述计算机程序403时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块301至303的功能。
示例性的，所述计算机程序403可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器402中，并由所述处理器401执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序403在所述配电网多目标无功优化终端设备4中的执行过程。例如，所述计算机程序403可以被分割成构建模块、确定模块、和分析模块，各模块具体功能如下：
构建模块，用于以分布式电源投资效益、支路电压稳定裕度和系统有功网损为目标函数，以等式约束、不等式约束和机会约束为约束条件构建多目标无功优化数学模型；
确定模块，用于通过权重系数法根据所述多目标无功优化数据模型确定满意度函数；
分析模块，用于通过基于分布熵的自适应离子群算法求解所述满意度函数，生成无功优化结果。
可选的，确定模块用于获取所述分布式电源投资效益的隶属度、所述支路电压稳定裕度的隶属度和所述系统有功网损的隶属度；
获取所述分布式电源投资效益的第一权重、所述支路电压稳定裕度的第二权重和所述系统有功网损的第三权重；
根据所述分布式电源投资效益的隶属度、所述支路电压稳定裕度的隶属度、所述系统有功网损的隶属度、所述第一权重、所述第二权重和所述第三权重确定满意度函数。
可选的，所述根据所述分布式电源投资效益的隶属度、所述支路电压稳定裕度的隶属度、所述系统有功网损的隶属度、所述第一权重、所述第二权重和所述第三权重确定满意度函数，包括：
根据表达式f＝aλ1+bλ2+cλ3确定满意度函数f，其中，a为所述第一权重，b为所述第二权重，c为所述第三权重，λ1为所述分布式电源投资效益的隶属度，λ2为所述支路电压稳定裕度的隶属度，λ3为所述系统有功网损的隶属度。
可选的，分析模块，用于获取初始数据；所述初始数据包括最大迭代次数；
随机生成n个粒子及每个粒子的初始速度和初始位置；
分别计算n个所述粒子的满意度值，将最大的满意度值作为当前全局最优解，并将迭代次数记为1；
通过基于分布熵的自适应粒子群算法确定惯性权重；
确定学习因子；
根据所述惯性权重和所述学习因子调整所述粒子中除最大满意度值对应的粒子以外的粒子的速度和位置；
重新计算n个所述粒子的满意度值，得到n个新的满意度值，并将最大的新的满意度值作为新的当前全局最优解；
在迭代次数未达到所述最大迭代次数时，执行步骤通过基于分布熵的自适应粒子群算法确定惯性权重，并将迭代次数加1；在迭代次数达到所述最大迭代次数时，停止迭代。
进一步的，所述通过基于分布熵的自适应粒子群算法确定惯性权重，包括：
确定n个所述粒子的分布熵；
根据所述分布熵确定所述惯性权重。
更进一步的，所述确定n个所述粒子的分布熵，包括：
确定n个所述粒子之间的距离，并根据所述距离确定距离最大的第一粒子和第二粒子；
确定所述第一粒子所在位置与所述第二粒子所在位置的方向矢量；
确定n个所述粒子在所述方向矢量上的投影的集合；
将所述集合分为n个区间，并确定每个区间的粒子投影个数；
根据所述粒子投影个数确定所述分布熵；
所述根据所述分布熵确定所述惯性权重，包括：
根据表达式ω＝1/(1+1.5e-2.6e(k))确定所述惯性权重ω，其中，e(k)为分布熵，k为当前迭代次数。
进一步的，所述学习因子包括第一学习因子和第二学习因子；
所述确定学习因子，包括：
根据表达式
其中，c1,ini为所述第一学习因子的初始值，c1,fin为所述第一学习因子的最大值，c2,ini为所述第二学习因子的初始值，c2,fin为所述第二学习因子的最大值，k为当前迭代次数，kmax为所述最大迭代次数。
本发明实施例通过构建模块301以分布式电源投资效益、支路电压稳定裕度和系统有功网损为目标函数，以等式约束、不等式约束和机会约束为约束条件构建多目标无功优化数学模型，确定模块302通过权重系数法根据所述多目标无功优化数据模型确定满意度函数，分析模块303通过基于分布熵的自适应离子群算法求解满意度函数，生成无功优化结果，能够提高配电网多目标无功优化结果的精度，并提高优化速度。
所述配电网多目标无功优化终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述配电网多目标无功优化终端设备可包括，但不仅限于，处理器401、存储器402。本领域技术人员可以理解，图4仅仅是配电网多目标无功优化终端设备4的示例，并不构成对配电网多目标无功优化终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述配电网多目标无功优化终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器401可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器402可以是所述配电网多目标无功优化终端设备4的内部存储单元，例如配电网多目标无功优化终端设备4的硬盘或内存。所述存储器402也可以是所述配电网多目标无功优化终端设备4的外部存储设备，例如所述配电网多目标无功优化终端设备4上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器402还可以既包括所述配电网多目标无功优化终端设备4的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序以及所述配电网多目标无功优化终端设备所需的其他程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分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各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。