1.一种新能源消纳的多目标电力系统源荷互动优化调度方法，其特征在于：源荷互动优化调度的调度框架以电网调度中心为核心，电源侧根据来水、机组、运行特性以及风光资源的预测，向电网调度中心上报各自发电计划，调度中心根据电源侧以及负荷调整信息，编制发布负荷预测曲线，并制订当前各类电源发电计划，以及当前高载能企业的用电计划，再经过潮流计算、电网稳定计算进行安全校核后，向电源侧发布用电计划，并向负荷端发送用电计划，负荷侧根据用电计划向高载能企业发布投入或切除指令，实现源、荷双侧的协调优化运行。
2.根据权利要求1所述的新能源消纳的多目标电力系统源荷互动优化调度方法，其特征在于：所述源荷互动优化调度的调度原则是，新能源优先上网，火电机组带基荷稳定运行，梯级水电、高载能负荷协调承担调节任务，建立多目标源荷互动调度模型，调度模型包括，一、以最大化消纳新能源为原则建立式(1)的模型：式(1)中，E 1 表示风光消纳量，t＝1,2,...N T 为调度时段数，q＝1,2,...N w 表示风电基地的个数，j＝1,2,...N v 表示光伏发电基地的个数，P wqt 表示第q个风力发电基地在第t时段内所发功率，P vjt 表示第j个光伏发电基地在第t时段内所发功率；二、以系统运行成本最低为原则建立式(2)的模型：式(2)中，E 2 为系统运行成本，C 1 为火电机组的运行成本，C 2 高载能负荷的投切费用，p＝1,2,...N G 为火电机组台数，a p 、b p 、c p 火电机组发电成本系数，P spt 为第p台火电机组在任意时段t内的输出功率，k＝1,2,...N GZ 为高载能负荷组数，λ GZk 为高载能负荷k的单位调节成本，S GZkt 为高载能负荷k在时段t内的投切状态，0表示高载能负荷k在时段t中断运行，1表示高载能负荷k在时段t投入运行，P GZk 为高载能负荷k的单位投切容量，ΔT表示调度时长；三、以火电机组功率输出波动最小为原则建立式(3)的模型：式(3)中：P sp(t-1) 表示第p台火电机组在任意(t-1)时段内的输出功率；将上述三个多目标源荷互动调度模型进行系统约束、火电输出功率及爬坡速度约束、水库约束、输电安全约束，其中系统约束包括功率平衡约束式(4)，旋转备用约束式(5)，节点电压约束式(6)，当大规模清洁型能源接入电力系统中，正旋转备用容量以应对新能源发电功率的突然减少和强迫停运，而负旋转备用以应对新能源发电功率的突然增加，其旋转容量约束如式(5)U Lmin ≤U L ≤U Lmax (6)式(4)、式(5)与式(6)中，P Sht 为t时段水电站h的功率输出，水电转换关系为P Sht ＝A·η h ·Q th ·h th ，A为水电转换系数，取9.8；η h 为梯级水电站h的能源转换率，Q th 为水电站h在t时段的下泄流量，其单位为m 3 /s，h th 为水电站在时段t内的水深，P Lt 为时段t内用户需求功率，P GZkt 为高载能用户在任意t时段内参与调度的功率，h＝1,2,...N s 表示梯级水电站个数，S uht 、S upt 为第h个梯级水站以及第p个火电站在时段t内向系统供应的正旋转备用容量，S dht 、S dpt 为第h个梯级水站以及第p个火电站在时段t内向系统供应的负旋转备用容量，ΔP GZkt(+) ΔP GZkt(-) 为未投入的正备用与负备用高载能负荷容量，n＝1,2,...N n 为新能源发电机组数，P Nnt 为新能源出力，L u ％、L d ％、w u ％、w n ％为用户侧以及新能源预测出力误差需要的正、负备用容量，U L 为节点电压；U Lmax 、U Lmin 为最大与最小节点电压值；火电输出功率及爬坡速度约束式(7)式(7)中，P min 、P max 为常规能源功率输出的极限值，DR、UR为常规能源机组上下爬坡速度极限；Δt表示机组进行上、下坡的时长；水库约束式(8)式(8)中，V th 、V (t-1)h 为梯级水电站h任意t时段以及(t-1)时段储存于水库中的水量，q th 为梯级水电站k在任意t时段水库的来水量，Q (t-1)(h-1) 为t-1时段内水电站(h-1)的下泄流量(m 3 /s)，Δt表示任意两时段的时间间隔，V tmaxh 、V tminh 分别为梯级水电站h在任意t时段水库中蓄水量的上下极限，Q tminh 、Q tmaxh 分别为水电站h在t时段应保证的最小、最大下泄流量(m 3 /s)；输电安全约束式(9)P dmin ≤P dt ≤P dmax (9)式(9)中，P dmin 、P dmax 表示输电断面d的最小、最大传输容量，P dt 表示在时段t内输电断面d的传输容量。
3.根据权利要求1所述的新能源消纳的多目标电力系统源荷互动优化调度方法，其特征在于：所述源荷互动优化调度的调度方法采用多目标萤火虫算法实现，步骤如下：一、萤火虫亮度评价：在标准萤火虫算法中，亮度评价通过采用pareto支配的概念来刻画各目标之间的冲突，以区分两只萤火虫对应潜在解的优劣；萤火虫i的亮度大于萤火虫j的亮度，当且仅当萤火虫i对应的潜在解X i 支配萤火虫i对应的潜在解X j ；二、精英归档机制：算法迭代的每一次运行都会得到一组新的解，其中存在不受其他解支配的，称为精英的从pareto最优解，构造归档集作为精英保留机制；迭代开始前设置归档集为空，在萤火虫种群每次完成更新以后，若X s 被ASS中某个精英成员支配，则拒绝将其加入ASS中；若X s 不被任何ASS成员支配，则将其加入ASS内，成为精英个体；若X s 支配了ASS中的某个成员，则删除ASS中被X s 支配的精英并将X s 加入ASS中，按本段中的前述步骤逐个排查目标解X s 更新ASS；随着迭代的进行，若出现精英个体总数超出ASS大小，则采用拥挤度排序法维护ASS以保持成员多样性，为保证pareto前沿的均匀性与算法搜索方向的多样性，首先定义萤火虫个体拥挤距离来表征个体拥挤度，拥挤距离是给定个体周围个体的密度，代表在个体周围不包含其它个体的最大的长形；用crowdist i 表示第i个萤火虫个体的拥挤距离，f ij 表示第i个个体对于第j个目标函数的值，用e表示pareto最优解个数，用m表示优化目标的个数，则crowdist i 计算方法如下：对每一个个体i初始化crowdist i ＝0；对每一个目标j，根据目标函数适应值从小到大排序；对粒子i(2≤i≤e-1)从j＝1到j＝m开始循环，计算拥挤距离，即crowdist i ＝crowdist i +f (i+1)j -f (i-1)j ；对pareto边界解的拥挤距离赋为无穷大，即crowdist 1 ＝crowdist e ＝无穷大，保证pareto解边界任何时候都能被保留；将ASS中的pareto最优解按个体拥挤距离依次递减，拥挤度随之递增的顺序进行排列，在ASS填满后，选择删除拥挤度较大的个体；三、萤火虫移动策略：将粒子群算法即PSO中全局最优的概念引入MOFA中,ASS内拥挤度最小的10％为全局最优候选者，使得最亮个体向拥挤度小的全局最优位置移动，减少个体的无效移动，提高算法效率，为平衡算法的全局搜索和局部搜索能力，引入惯性权重和惯性随机步长，使得算法后期的开发搜索能力进一步提高；四、种群合并：在搜索后期从ASS中选取前10％拥挤度小的解与当前种群组合进行下一次迭代，以提高算法的效率和pareto解均匀性，解决FA搜索后期效率变慢，避免pareto解集分布不均匀；五、决策选择机制：采用模糊逻辑的思想，定义模糊隶属度函数表征每个pareto解对应各个目标函数的满意度，如式(10)；式(10)中， 为目标函数f i 的隶属度值， 表示对某个目标完全满意， 则表示完全不满意，f i 为第i个目标函数值，f i min 和f i max 分别为第i个目标函数的最小、最大值；对于第k个pareto最优解，通过式(11)求得平均满意度：式(11)中，μ k 为第k个Pareto最优解的平均满意度，N为目标函数的个数，取平均满意度最大的pareto最优解为最终的折中解。
