1.一种多目标有功调度求解方法，其特征在于，所述方法包括：建立多目标有功调度数学模型，设置电力系统运行参数及改进萤火虫算法参数；

初始化所述改进萤火虫算法中各群体位置以产生初始目标父种群，并计算所述初始目标父种群中各个体的目标函数和违反约束总值，通过潮流计算得到与控制变量对应的状态变量、网络损耗和平衡节点的有功输出；

将所述初始目标父种群复制给初始外部档案，从所述外部档案中随机选择一个个体的最好位置作为全局最好位置gbest，并初始化迭代次数；

更新迭代次数，利用外部档案群体对所述目标父种群中的每个个体的位置进行更新，产生新的目标父种群，计算更新后的目标父种群中每个个体对应的目标函数和违反约束总值；

对更新后的所述目标父种群和所述外部档案群体的集合进行约束优先非劣排序和拥挤距离计算，根据所述外部档案的大小进行修剪得到下一代的外部档案，并从该外部档案中随机选择一个个体的位置作为更新的全局最好位置；

判断是否满足迭代终止条件，若满足，则停止迭代，并输出所述外部档案中的非劣解集，根据所述非劣解集得到帕累托最优解集，并根据模糊数学中的模糊隶属关系从所述帕累托最优解集中选择出最优折衷解并输出。

2.根据权利要求1所述的多目标有功调度求解方法，其特征在于，建立的所述多目标有功调度数学模型如下：minimize F＝(f1(x,u),f2(x,u),…fM(x,u)),u＝[u1,u2,…uD]其中，以上公式满足如下关系：

Gj(x,u)≥0,j＝1,2,…,g

Hk(x,u)＝0,k＝1,2,…,h

其中，minimize为取最小值函数，M为目标的个数，fM(x,u)为电力系统多目标有功调度的第M个优化目标函数，x为状态变量或非独立变量，ui为D维空间中第i个控制变量，Gj(x,u)为不等式约束，Hk(x,u)为等式约束，g为不等式约束的个数，h为等式约束的个数，uimin为第i个控制变量的下限值，uimax为第i个控制变量的上限值。

3.根据权利要求1所述的多目标有功调度求解方法，其特征在于，所述多目标有功调度数学模型包括目标函数，所述目标函数包括燃料费用目标函数和系统等值网络损耗目标函数，其中，所述燃料费用目标函数如下：其中，fcost为最小燃料费用，单位为＄/h，ai，bi和ci为第i台发电机的燃料费用系数，NG是发电机节点个数，PGi是第i台发电机的有功功率；

所述系统等值网络损耗目标函数如下：

其中，fPloss为最小等值网损，N为所有节点集合，i、j表示节点数，gij为连接节点i和节点j的支路的电导，Vi和Vj分别为节点i和节点j的电压，δi和δj分别为节点i和节点j的电压相位，δij为节点i和节点j之间电压的相角差。

4.根据权利要求1所述的多目标有功调度求解方法，其特征在于，所述多目标有功调度数学模型包括约束条件，所述约束条件包括等式约束条件和不等式约束条件，其中，所述等式约束条件为节点有功潮流方程和节点无功潮流方程，所述节点有功潮流方程和所述节点无功潮流方程如下：其中，Ni为与节点i连接的节点个数，N为所有节点数目，NPQ为负荷节点数，PGi和QGi分别表示发电机节点i的有功出力和无功出力，PDi和QDi分别表示负荷节点i的有功功率和无功功率，Gij和Bij分别为节点i和节点j的互电导和互电纳，Vi和Vj分别是节点i和节点j的电压，δij为节点i和节点j之间电压的相角差；

所述不等式约束条件包括状态变量不等式约束和控制变量不等式约束，所述状态变量不等式约束和所述控制变量不等式约束如下：平衡节点有功出力约束：

PGref,min≤PGref≤PGref,max

负荷节点电压上下限约束：

发电机的无功出力约束：

支路视在功率约束：

Sij-Sij,max≤0,ij∈NL

发电机节点(不包含平衡节点)有功出力约束：

PGi,min≤PGi≤PGi,max,i∈NG

发电机节点的电压上下限约束：

VGi,min≤VGi≤VGi,max,i∈NG

有载调压变压器分接头约束：

Ti,min≤Ti≤Ti,max,i∈NT

无功补偿电容器约束：

QCi,min≤QCi≤QCi,max,i∈NC

其中，PGref为平衡节点的有功输出，NPQ为负荷节点个数，NG为发电机节点个数，NL为总的支路个数，NT为有载调压变压器数目，NC为无功补偿器个数，PGi和QGi分别是第i台常规发电机的有功输出和无功输出，VLi为负荷节点i的电压幅值，VGi为发电机节点i的电压幅值，Sij为支路ij的潮流，Ti为第i台有载调压变压器的分接头位置，Qci为第i台电容器的投切容量，max和min代表相应变量的最大值和最小值。

5.根据权利要求4所述的多目标有功调度求解方法，其特征在于，所述帕累托最优解集通过以下步骤获得：在存在个体违反所述控制变量不等式约束时，利用如下公式对违反所述控制变量不等式约束的个体进行修改：其中，u为系统的D维控制变量，umin为系统的D维控制变量的下限集合，umax为系统的D维控制变量的上限集合；

在存在个体违反所述状态变量不等式约束时，按以下公式计算约束违反总值：其中，Vio(u)为各状态变量的约束违反总值，c为状态变量不等式约束的个数，g为所述状态变量不等式和所述控制变量不等式约束的总个数，Gj(x,u)为第j个状态变量不等式约束；

随机选取两组不同的控制变量up和uq，比较其分别对应的违反约束总值Vio(up)和Vio(uq)是否相等，若相等，则判定是否满足以下公式：若满足，则选择up作为下一代粒子，若不满足，则随机选择一个个体作为下一代粒子；

若Vio(up)Vio(uq)，则判定uq占优up，选择uq作为下一代粒子，将uq作为非劣解；

将搜索空间中的所有非劣解作为帕累托最优解集。

6.根据权利要求1所述的多目标有功调度求解方法，其特征在于，所述改进萤火虫算法包括吸引力函数，所述吸引力函数表示如下：其中，β0为萤火虫最大荧光亮光处的吸引度，γ是吸收系数，ribest为笛卡尔距离；

其中，D为搜索空间维数，xi,k为第i个萤火虫在第k维的空间坐标值，gbest为局部最优值，gbest,k为在第k维上的全局最优值；

所述改进萤火虫算法中萤火虫位置迭代公式如下：

其中， 表示第i个萤火虫在t+1次迭代时的位置， 表示第i个萤火虫在t次迭代时的位置，XM表示目标函数搜索空间的上限与目标函数搜索空间的下限的差值，r1为满足均匀分布的0到1的随机数，βibest(ribest)为所述吸引力函数；

所述改进萤火虫算法还包括混沌扰动因子，所述混沌扰动因子表示如下：z(i+1)＝μ×z(i)[1-z(i)]

其中，μ为控制参数，i表示迭代次数，z表示迭代值。

7.根据权利要求1所述的多目标有功调度求解方法，其特征在于，所述对更新后的所述目标父种群和所述外部档案群体的集合进行约束优先非劣排序和拥挤距离计算的步骤，包括：对更新后的所述目标父种群和所述外部档案群体的集合进行约束优先非劣排序，获得当前代群体中所有的帕累托最优解，并将所有的所述帕累托最优解赋予最高秩，作为最高层的解集，并进行Rank标识；

剔除当前群体中上一轮进行Rank标识的个体，对所述目标父种群和所述外部档案群体的集合进行约束优先非劣排序，产生新的帕累托最优解，赋予次高秩，作为次高层的解集，并重新进行Rank标识；

对群体中的所有个体进行分层，以使每个个体具有相应的Rank标识；

对所述目标父种群和所述外部档案群体的集合进行拥挤距离计算，在迭代进化的过程中，对各目标函数进行归一化处理，其中，个体i的拥挤距离dis(i)表示如下：其中，fj(i-1)表示第i-1个个体在第j个子目标上的值，fj,max和fj,min分别为第j个子目标函数在多个帕累托支配解中的最大值和最小值。

8.根据权利要求7所述的多目标有功调度求解方法，其特征在于，所述根据所述非劣解集得到帕累托最优解集的步骤，包括：根据各个个体的Rank标识和dis标识按如下方式进行个体进化选择：Rank(i)

Rank(i)＝Rank(j),且dis(i)>dis(j)当以上公式任意一个成立时，判定个体i优于个体j；

根据非劣排序结果和拥挤距离计算结果得到Np个帕累托最优解集。

9.根据权利要求8所述的多目标有功调度求解方法，其特征在于，所述根据模糊数学中的模糊隶属关系从所述帕累托最优解集中选择出最优折衷解并输出的步骤，包括：利用模糊隶属度方法计算得到帕累托最优解集中每个解的隶属度uk，选择最大uk对应的帕累托最优解作为最终的最优折衷解，其中，所述模糊隶属度方法中第k个个体的第i个目标函数的隶属度 表示如下：其中，fi,min和fi,max分别是Np个帕累托前端解集中第i个目标函数的最小和最大值；

对Np个帕累托最优解集中的第k个非劣解进行归一化的隶属度uk表示如下：其中，M为目标的个数，Np为帕累托最优解集的个数， 为帕累托最优解集中第i个目标函数的第k个非劣解。

10.一种多目标有功调度求解系统，其特征在于，所述多目标有功调度求解系统包括：设置模块，用于建立多目标有功调度数学模型，设置电力系统运行参数及改进萤火虫算法参数；

初始化模块，用于初始化所述改进萤火虫算法中各群体位置以产生初始目标父种群，并计算所述初始目标父种群中各个体的目标函数和违反约束总值，通过潮流计算得到与控制变量对应的状态变量、网络损耗和平衡节点的有功输出；

复制模块，用于将所述初始目标父种群复制给初始外部档案，从所述外部档案中随机选择一个个体的最好位置作为全局最好位置gbest，并初始化迭代次数；

更新模块，用于更新迭代次数，利用外部档案群体对所述目标父种群中的每个个体进行位置更新，产生新的目标父种群，计算更新后的目标父种群中每个个体对应的目标函数和违反约束总值；

计算模块，用于对更新后的所述目标父种群和所述外部档案群体的集合进行约束优先非劣排序和拥挤距离计算，根据所述外部档案的大小进行修剪，得到下一代的外部档案，并从该外部档案中随机选择一个个体的位置作为更新的全局最好位置；

判断模块，用于判断是否满足迭代终止条件；

最优折衷解获取模块，用于在满足迭代终止条件时，停止迭代，并输出所述外部档案中的非劣解集，根据所述非劣解集得到帕累托最优解集，并根据模糊数学中的模糊隶属关系选择出最优折衷解并输出。