一种智能园区新能源发电站调度优化方法及系统与流程

本发明涉及能源互联网领域，具体涉及一种智能园区新能源发电站调度优化方法及系统。

背景技术：

园区由标准建筑群构成，配套设施齐全，包括能源供应、通信、运输、仓储等，能够满足工业生产和具体科学实验的需要。与传统园区相比，智能园区融合了最先进的信息、通信和可再生能源技术。一个先进的智能园区可以为人们的工作和生活提供方便和个性化的服务。由于智能园区与传统园区相比具有明显的优势，智能园区的发展已经引起了广泛关注，从而加快了智能园区的规划和建设步伐。

随着可再生能源和物联网技术的快速发展，智能园区分布式发电的比例显著提高。通过增加可再生能源发电量，智能园区不仅可以减少化石能源的开发，而且可以促进社会的可持续发展。此外，智能园区具有可再生能源当地消纳的特点，被认为是处理能源效率的有效手段。因此，它在提高能源效率和促进低碳能源的利用方面发挥着重要作用。通过调研发现，以往的研究大多将激励电价作为主要决策依据，仅以经济成本为目标进行负荷优化。但需要注意的是，单纯的成本优化结果缺乏实际应用的价值，严重阻碍了智能园区的进一步发展。

目前智能园区的运营管理还缺乏完善的用户舒适性评价方法和可再生能源消纳研究，在智能园区可控负荷优化研究中，大多采用相同的标准来统一判断所有电器的用户舒适度水平。然而，对于可控负荷而言，对不同种类负荷的转移对用户舒适度的影响有很大差异，进而导致优化结果误差较大。

技术实现要素：

为了解决现有技术中所存在的不同种类负荷的转移对用户舒适度的影响有很大差异，缺乏对用户舒适度的分类导致优化结果误差较大的问题，本发明提供了一种智能园区新能源发电站调度优化方法及系统。

本发明提供的技术方案是：

一种智能园区新能源发电站调度优化方法，包括：

按智能园区中各负荷的特性为负荷设定类型，并根据各类型负荷的特性构建负荷模型，以及舒适度评价因子；

基于多种影响因素为所述智能园区中具有不同特性的分布式电源和分布式储能单元构建输出功率模型；

基于所述舒适度评价因子和输出功率模型，采用日前规划的方法对智能园区内的潮流进行调度。

优选的，所述按智能园区中各负荷的特性为负荷设定类型，并根据各类型负荷的特性构建负荷模型，包括：

将在正常运行状态下必须满足供电的不可切除负荷和平移负荷，设定为重要负荷，并构建重要负荷模型；

将负荷使用时段可转移但负荷使用总量不变的负荷，设定为可转移负荷，并构建可转移负荷模型；

将可根据调度需求停止使用一段时间的负荷，设定为可中断负荷，并构建可中断负荷模型。

优选的，所述各负荷模型的舒适度评价因子的构建，包括：

根据可转移负荷模型的实际使用时刻和计划使用时长，构建可转移负荷舒适度评价因子；

根据可中断负荷的中断时长和在中断负荷功率，构建可中断负荷舒适度评价因子。

优选的，所述可转移负荷舒适度评价因子，如下式所示：

其中，为可转移负荷舒适度评价因子，ts为实际开始使用时间，tα为计划开始用时间，tβ为计划结束使用时间。

优选的，所述可中断负荷舒适度评价因子，如下式所示：

其中，φil为可中断负荷舒适度评价因子，pili为可中断负荷舒适度评价因子，δt为时长，uil为优化周期内实际中断负荷的总量，til为优化周期内实际产生中断负荷的总时段数。

优选的，所述基于多种影响因素为所述智能园区中具有不同特性的分布式电源和分布式储能单元构建输出功率模型，包括：

根据所述分布式电源的输出功率和所述负荷模型的用电时长总数，构建目标函数；

基于所述负荷模型的舒适度约束条件和可再生能源的消纳率约束条件，构建输出功率模型。

优选的，所述目标函数，如下式所示：

其中，c为智能园区的日常能源成本，ci为第i个分布式电源的能源成本，包含新能源发电的能源成本、分布式燃料电池的能源成本及蓄电池储能单元的能源成本，pi(t)为t时第i台分布式电源的输出功率，t为时段总数，m为分布式发电机数量，δt为计划时间段。

优选的，所述舒适度约束条件，如下式所示：

其中，为在输出功率模型调度下，可转移负荷的实际舒适度；为可转移负荷舒适度最大值，为在输出功率模型调度下，可中断负荷的实际舒适度，为可中断负荷舒适度最大值。

优选的，所述基于所述舒适度评价因子和输出功率模型，采用日前规划的方法对智能园区内的潮流进行调度，包括：

基于负荷模型的舒适度评价因子，获取可转移负荷舒适度最大值和可中断负荷舒适度最大值；

将所述可转移负荷舒适度最大值和可中断负荷舒适度最大值作为约束条件，通过粒子群算法，求解所述输出功率模型中分布式电源你和分布式储能单元的输出功率；

将所述输出功率通过日前规划的方法进行调度，向所述负荷模型供电。

一种智能园区新能源发电站调度优化系统，所述系统，包括：

负荷模型建模模块：按智能园区中各负荷的特性为负荷设定类型，并根据各类型负荷的特性构建负荷模型，以及舒适度评价因子；

输出功率建模模块：基于多种影响因素为所述智能园区中具有不同特性的分布式电源和分布式储能单元构建输出功率模型；

调度模块：基于所述舒适度评价因子和输出功率模型，采用日前规划的方法对智能园区内的潮流进行调度。

优选的，所述负荷模型建模模块，包括：

重要负荷建模子模块：将在正常运行状态下必须满足供电的不可切除负荷和平移负荷，设定为重要负荷，并构建重要负荷模型；

可转移负荷建模子模块：将负荷使用时段可转移但负荷使用总量不变的负荷，设定为可转移负荷，并构建可转移负荷模型；

可中断负荷建模子模块：将可根据调度需求停止使用一段时间的负荷，设定为可中断负荷，并构建可中断负荷模型。

优选的，所述负荷模型建模模块，还包括：

第一舒服度评价因子建模子模块：根据可转移负荷模型的实际使用时刻和计划使用时长，构建可转移负荷舒适度评价因子；

第二舒服度评价因子建模子模块：根据可中断负荷的中断时长和在中断负荷功率，构建可中断负荷舒适度评价因子。

与现有技术相比，本发明的有益效果为：

本发明提供的技术方案，包括：按智能园区中各负荷的特性为负荷设定类型，并根据各类型负荷的特性构建负荷模型，以及舒适度评价因子；基于多种影响因素为所述智能园区中具有不同特性的分布式电源和分布式储能单元构建输出功率模型；基于所述舒适度评价因子和输出功率模型，采用日前规划的方法对智能园区内的潮流进行调度。本方案中通过构建负荷模型，根据模型的特点，提出了与模型相关的用户舒适度系数，以优化新能源发电站含的负荷调度。本方案中，通过负荷模型舒适度评价因子来约束构建分布式电源的输出功率，使得分布式电源的输出功率能够满足各负荷模型的舒适度且能达到分布式电源的数量最优。

附图说明

图1为本发明的一种新能源发电站优化方法流程图；

图2为本发明实施例中粒子群模型计算流程图。

具体实施方式

为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。

实施例1：

本实施例提供了一种智能园区新能源发电站调度优化方法，方法流程图，如图1所示。

s1:按智能园区中各负荷的特性为负荷设定类型，并根据各类型负荷的特性构建负荷模型，以及舒适度评价因子。

与传统园区相比，智能园区融合了最先进的信息、通信和可再生能源技术，这些技术使智能园区能够将信息与发电系统、存储系统和负荷进行交互，并对电力负荷和性能进行了明确的分类。储能系统容量的配置可以帮助智能园区在多个时间尺度上优化潮流。

本专利以光伏发电、风力发电和燃料电池安装的分布式发电系统为例，说明了分布式发电系统的典型结构。此外，锂电池还用作储能系统。

设备功率建模：

1)新能源发电。

新能源发电主要包括太阳能发电、风力发电、地热发电以及潮汐发电等发电方式。与传统的一次能源发电相比，新能源发电普遍具有污染少、储量大的特点，被广泛应用于智能园区以满足电力需求。考虑到本次实验试点区域具有丰富的太阳能和风能资源，且太阳能和风能在时间上具有互补性，本专利选取光伏发电单元和风力发电单元作为智能园区的发电装置。

①光伏发电单元。

光伏发电具有无噪声、无污染的特点，并且光伏发电单元可以通过与建筑物相结合，形成光伏建筑一体化以节省大量空间。为了降低环境污染并减少占地面积，在本专利中，光伏发电单元被用来提供园区的电负荷。

由于光伏发电单元的出力受太阳辐射强度、环境温度等因素的影响，故光伏发电单元的功率输出一般以标准测试条件(stc)下的系统出力为标准进行修正，其实际功率输出可表示为：

式中：ppv为光伏发电单元的实际输出功率，pstc为光伏发电单元在stc下的最大输出功率，gs为实际的太阳辐射强度，gstc为stc下的太阳辐射强度，k为功率温度系数，tc为电池板的实际工作温度，t0为参考环境温度(25℃)。

②风力发电单元。

同光伏发电相比较，风力发电同样具有清洁环保的特点，且风力发电成本较低。另外，光伏发电和风力发电具有互补性，通过风光互补可以降低清洁能源发电的不确定性和间歇性对园区系统造成的影响。为了降低发电成本并改善园区的供电可靠性，本专利将风力发电单元添加到智能园区系统中，同光伏发电单元共同供应园区的电负荷。

根据风力发电机的运行特征，风力发电机可分为恒速风力发电机与变速风力发电机，不同风力发电机的功率输出特性会有区别。与恒速风力发电机相比，变速恒频风力发电机具有功率波动小，成本效率高，支撑结构轻等特点，广泛应用于园区级的风力发电项目。其发电功率输出模型可由下式表示：

其中：

式中：pw为风力发电机的输出功率，p0为额定功率，vci、vr和vco分别为切入风速，额定风速和切出风速，v代表实际风速，a，b代表风电功率系数。

2)可控分布式发电单元。

可控分布式电源具有能源效率高，使用灵活，环境依赖度低等特点。当新能源发电无法满足负荷且电网电价较高时，可启动可控分布式电源进行发电。在本专利中，可控分布式电源为燃料电池，其输出功率如下式所示：

pfc＝ηfc×pfcin(5)

式中：pfc为燃料电池发电单元的输出功率，pfcin为燃料成本发电单元的输入功率，ηfc为燃料电池发电单元的功率转换效率。

3)蓄电池储能单元。

智能园区中可再生能源发电所占比例较大，为平衡其随机波动，改善电能质量，维护系统稳定，一般会配备一定量的电池储能单元。

蓄电池的荷电状态(soc)是需要监测的一个重要参数，储能在每一个时段的荷电状态反映了当前时段蓄电池剩余容量占总容量的比例，与整个系统的灵活性和失负荷率等指标具有密切联系。因此储能系统的soc是储能充放电过程中的一个重要的决策变量，其计算公式为：

式中：soces(t)为t时段储能荷电状态，δ为储能的自放电效率，δt为调度时间间隔，pes(t)为t时段储能充放电功率，规定充电时为负值，放电时为正值，ees为储能最大容量，ηes为储能在t时段的充放电效率。

设备能源成本建模：

1)新能源发电的能源成本。

由于风能和太阳能分布较广，此部分主要考虑风电与光伏发电的运行成本。新能源发电的运行成本包含风电、光伏发电的运行维护成本和系统备用容量成本。

风电、光伏发电的运行维护成本可表示为：

式中：kw、kpv分别为风电、光伏发电的运行维护成本系数，pw、ppv分别为风力发电机与光伏发电单元在t时刻的输出功率。

风电、光伏的大规模并网增加了电网运行的不确定性，因此，需要预留更多的容量来应对预测误差与突发事件。额外增加的旋转备用容量成本可表示为：

式中：cer为旋转备用容量成本，kr为系统备用成本系数，plt为t时刻的负荷值，l、f、g分别为负荷、风电与光伏的预测误差率。

故包含风电和光伏的新能源发电的总能源成本表示为：

ce＝ceop+cer(9)

2)分布式燃料电池的能源成本。

分布式燃料电池的能源成本一般包括燃料成本、运行维护成本和排放罚款成本，具体如下：

式中：cfc,f为燃料电池的化石燃料成本，cop为运行维修成本，cyen为第y个污染物的罚款成本。

燃料成本和燃料电池系统输出的数学表达式可表示为：

式中：pfc为燃料电池发电单元的输出功率，ηfc为燃料电池系统的发电效率，cfc,f为燃料电池的化石燃料成本，c为单位天然气价格，l为天然气的热值，θfc为燃料电池系统的时间间隔。

3)蓄电池储能单元的能源成本。

随着技术的不断进步，锂电池性能较以前有了明显提高，它具有能量密度高、输出功率大且使用寿命长等优良特性使其得各个领域内使用广泛，故此部分主要考虑将锂电池作为系统的蓄电池储能单元。

锂电池经过充放电，一方面可针对新能源发电的间歇性进行补偿配合以减少弃风或弃光，一方面可以削峰填谷以平抑系统功率波动，另一方面于其自身产生寿命损耗，增加了运行成本。对微电网进行经济性优化依赖于锂电池运行成本的准确建模。

①蓄电池储能单元的运行成本。

放电深度指锂电池在运行过程中，电池放出的能量占其额定容量的百分比。放电深度与锂电池的寿命有很大关系，锂电池放电深度的增大将导致运行寿命的减短，因而在锂电池使用过程中，应尽量避免深度放电。

这里采用雨流计数法统计出锂电池的运行寿命与放电深度之间的关系，并将其拟合为：

nlife(t)＝-3278dod(t)⁴-5dod(t)³+12823dod(t)²-14122dod(t)+5112(12)

式中：dod(t)表示锂电池在t时段的放电深度，nlife(t)表示t时段锂电池在放电深度dod(t)下的循环寿命。

结合锂电池的运行寿命与放电深度关系、吞吐量法估算蓄电池寿命损耗等理论基础，本专利推导出了考虑锂电池循环寿命的运行成本函数为：

式中：cbr(t)表示t时段内锂电池的运行成本，cinv表示锂电池的初始投资费用；ich(t)为0-1整数变量，取1时表示锂电池在t时段处于充电状态；idis(t)为0-1整数变量，取1时表示锂电池在t时段处于放电状态；pch(t)表示t时段内锂电池充电功率，pdis(t)表示t时段内锂电池放电功率，elb表示锂电池额定容量，δt为每个时段的时长。

通过此式对于锂电池运行成本模型的建立，既可以较准确定量估算锂电池的运行成本，同时自然地将锂电池运行寿命损耗归于目标函数中，将多目标向优化问题转化为单目标优化问题，减少了非线性规划计算的复杂度。

②蓄电池储能单元的维护成本。

此部分提出了锂电池的维护成本计算方法，其与锂电池的充放电功率的绝对值成正比：

cbo(t)＝kbo×|ich(t)·pch(t)+idis(t)·pdis(t)|×δt(14)

式中：cbo(t)表示t时段内锂电池的维护成本，kbo表示锂电池的维护成本系数。

故将锂电池作为系统蓄电池储能单元时，其能源成本表示如下：

cb＝cbr(t)+cbo(t)(15)

式中：cb为蓄电池储能单元的运行成本。

步骤2分析了不同类型负载的特性，将智能园区的可控负荷分为可转移负荷和可中断负荷，并根据各自的特点，提出了与可转移负荷和可中断负荷相关的用户舒适度系数：

(1)负荷分类及建模。

本专利据用户实际用电需求的重要程度将负荷分为三类：重要负荷、可转移负荷和可中断负荷。其中，重要负荷是在正常运行状态下必须满足的负荷，不可切除或平移。主要包括基础照明设备、生产设备等；可转移负荷是可以根据调度需求在时间尺度上进行转移的负荷，即将某时段的负荷转移到另一个时段，不改变总用电量。主要包括居民电炊具、电动汽车等；可中断负荷是可以根据调度需求停止一段时间的负荷。主要包括空调、电采暖设备等。

不同类型的可平移负荷供电持续时间不同，且供电持续时间内同一类型负荷每个时段负荷功率也不同。因此，平移负荷时，不仅要考虑调度时段t的转入负荷量与转出负荷量，还需考虑上一时段的转入转出负荷对调度时段t的负荷影响。t时段可转移负荷htl(t)表达式为：

htl(t)＝htlc(t-1)+htli(t)-htlo(t)(16)

式中，htlc(t-1)为t-1时段持续到t时段的负荷，htli(t)为t时段的转入负荷，htlo(t)为t时段的转出负荷。

其中：

式中：n为t-1时段持续负荷总数，j为t时段转入负荷总数，k为t时段转出负荷总数，ptlci_t-1为t-1时段第i个持续负荷的功率，ptlii_t为t时段第i个转入负荷的功率，ptloi_t为t时段第i个转出负荷的功率。

当风光基于日前预测值发生向下波动，而可控分布式电源向上调节裕度不足时，此时需切除部分可中断负荷，以保证微电网正常运行。每个调度时段需切除的负荷hil(t)为：

hil(t)＝max{δpr_d(t)-ffc_u(t),0}(20)

式中：δpr_d(t)为t时段风光基于日前预测向下波动的功率；ffc_u(t)为t时段可控分布式电源(燃料电池)的向上调节裕度。

(2)舒适度系数定义。

通过调研发现，以往的研究大多将激励电价作为主要决策依据，仅以经济成本为目标进行负荷优化。但需要注意的是，单纯的成本优化结果缺乏实际应用的价值，因为切除或转移负荷必将影响用户舒适度，而作为用电主体，用户用电的舒适度与满意程度是评价园区运行策略适用性的重要指标，会对运行策略的实现与推广产生重要的影响，不考虑用户舒适度的优化结果会存在较大偏差。本专利在进行成本优化的基础上，考虑了用户的用电舒适度，建立了用电舒适度影响因子。

对于不同种类的负荷，用户的舒适度需求也有区别。对于炊具，汽车等设备，用户舒适度会随着负荷转入转出时间间隔的延长而降低。负荷转入时间越接近于转出时间时，对用户用能影响越小，用户舒适度越高。本专利建立的可转移负荷用户舒适度评价因子表达式如下：

式中：ts，tα，tβ分别为可转移负荷设备的实际开始使用时间，计划开始使用时间和计划结束使用时间，即不考虑负荷转移的情况下设备正常使用的开始与结束时间。的值越小，说明负荷转入时间与转出时间差值越小，用户用能舒适性越好。

与可转移负荷不同的是，可中断负荷只有切除过程而没有转入的过程，其影响用户舒适度的主要因素是单位时段内实际中断的负荷功率大小。对于同样大小的中断负荷量，当全部中断负荷集中在一个时段切除时，对用户舒适度影响最大，而当将全部负荷分散在多个时段切除时，单个时段中断负荷功率将减小，用户舒适度将提高。可中断负荷分布时段越多，分布越均匀，对用户舒适度影响越小。反之，可中断负荷分布时段越集中，用户用能舒适度越低。可中断负荷用户舒适度评价因子φil表达式如下：

式中：til为优化周期内实际产生中断负荷的总时段数，pili为第i个产生中断负荷的时段的中断负荷功率，uil为优化周期内实际中断负荷的总量；值越小，说明而当将全部中断负荷分散越均匀，用户用能舒适性越好。

步骤3提出系统优化策略，采用了日前规划的方法来优化智能园区内的潮流。本专利以日能源成本为目标，对智能园区内的潮流进行优化，设置一定的约束条件，使舒适度和可再生能源消纳率在设定的范围内：

为了平衡仿真结果的计算速度和精度，本专利采用了日前规划的方法来优化智能园区内的潮流。日前计划的重点是优化24小时的日常能源成本。

s2：基于多种影响因素为所述智能园区中具有不同特性的分布式电源和分布式储能单元构建输出功率模型。

(1)目标函数。

本研究以日能源成本为目标，对智能园区内的潮流进行优化。对于智能园区来说，日常能源成本主要包括两部分，即可再生能源和燃料电池的成本。因此，目标函数可以表示为：

式中：c为智能园区的日常能源成本，ci为第i个分布式电源的能源成本，包含新能源发电的能源成本、分布式燃料电池的能源成本及蓄电池储能单元的能源成本，pi(t)为t时第i台分布式电源的输出功率，t为时段总数，m为分布式发电机数量，δt为计划时间段。

(2)约束条件。

1)功率限制条件。

为了提高能源供应的可靠性，避免系统负荷损失，发电量必须始终大于园区用电需求。此外，由于园区内输电距离较短，因此忽略了输电损耗。功率限制的条件如下式：

ppv(t)+pw(t)+pfc(t)+pes(t)＝ploads(t)(24)

式中：ploads(t)为t时刻智能园区的负载总量。

2)燃料电池运行限制。

燃料电池作为一种典型的化石发电机，受到其额定最大输出功率和最小输出功率的约束，其输出功率可写为：

pfcmin＜pfc(t)＜pfcmax(25)

此外，燃料电池的运行也受到其斜坡速率的限制，可以描述为：

-δpfcdmax＜pfc(t+1)-pfc(t)＜δpfcumax(26)

式中：δpfcdmax为燃料电池运行的最大下降速率，δpfcumax为燃料电池运行的最大上升速率。

3)电池运行限制。

为了保证电池的安全运行，其充放电功率需要限制在一定范围内，可写为：

-pescmax＜pes(t)＜pesdmax(27)

式中：pescmax为储能系统的最大充电功率，pesdmax为储能系统的最大放电功率。

另外，为了延长电池的寿命，储能系统荷电状态需要在一定范围内进行约束。因此，荷电状态的不等式约束可以表示为：

socesmin＜soces(t)＜socesmax(28)

式中：socesmin为储能系统荷电状态的下限，socesmax为储能系统荷电状态的上限。

4)用户舒适度限制。

考虑到可中断负荷的减少和可转移负荷的移动对用户舒适水平有直接影响，有必要设置与可中断和可转移负荷相关的用户舒适水平系数的阈值：

式中：为与可中断负荷相关的用户舒适度最大系数，为与可转移载荷相关的用户舒适度最大系数。

5)可再生能源消纳率限制。

为了充分利用可再生能源发电机组的装机容量，减少碳排放，需要设计可再生能源消纳率。

γmin＜γ≤γmax(31)

式中：γ为可再生能源消纳率，γmin为最低可再生能源消纳率，γmax为最高可再生能源消纳率。

步骤4基于以上研究内容，提出的等式约束和不等式约束下，选择粒子群优化算法来优化上述智能园区的日能源成本：

s3：基于所述舒适度评价因子和输出功率模型，采用日前规划的方法对智能园区内的潮流进行调度。

在等式约束和不等式约束下，选择粒子群优化算法来优化上述智能园区的日常能源成本，计算流程图，如图2所示：

步骤(1)：输入系统系数(包括每台发电机的运行参数、负荷、燃气价格和可再生能源输出)；

步骤(2)：设定最小/最大可再生能源消纳率γmin与γmax；

步骤(3)：初始化粒子群算法的操作参数(粒子群大小、粒子维数)；

步骤(4)：基于式(24-28)的约束条件，并将式(23)的目标函数设置为粒子群算法中适应度值，如果达到该终止条件，则进行下一步，否则重新按流程进行粒子群算法中初始化后的步骤；

步骤(5)：判断可再生能源消纳率是否满足设置的要求，满足进行下一步，否则返回步骤(3)；

步骤(6)：计算与可中断和可转移负荷相关的用户舒适水平系数，并判断值是否在设定的区间内，满足则结束，否则返回步骤(2)。

通过该基于粒子群优化模型的流程图，可以在考虑用户舒适度和满足一定的可再生能源消纳率基础上，使智能园区的日能源成本最小，实现了经济效益。

实施例二：

本实施例提供了一种智能园区新能源发电站调度优化系统，包括：

负荷模型建模模块：按智能园区中各负荷的特性为负荷设定类型，并根据各类型负荷的特性构建负荷模型，以及舒适度评价因子；

输出功率建模模块：基于多种影响因素为所述智能园区中具有不同特性的分布式电源和分布式储能单元构建输出功率模型；

调度模块：基于所述舒适度评价因子和输出功率模型，采用日前规划的方法对智能园区内的潮流进行调度。

所述负荷模型建模模块，包括：

重要负荷建模子模块：将在正常运行状态下必须满足供电的不可切除负荷和平移负荷，设定为重要负荷，并构建重要负荷模型；

可转移负荷建模子模块：将负荷使用时段可转移但负荷使用总量不变的负荷，设定为可转移负荷，并构建可转移负荷模型；

可中断负荷建模子模块：将可根据调度需求停止使用一段时间的负荷，设定为可中断负荷，并构建可中断负荷模型。

所述负荷模型建模模块，还包括：

第一舒服度评价因子建模子模块：根据可转移负荷模型的实际使用时刻和计划使用时长，构建可转移负荷舒适度评价因子；

第二舒服度评价因子建模子模块：根据可中断负荷的中断时长和在中断负荷功率，构建可中断负荷舒适度评价因子。

所述第一舒服度评价因子建模子模块中构建的转移负荷舒适度评价因子，如下式所示：

其中，为可转移负荷舒适度评价因子，ts为实际开始使用时间，tα为计划开始用时间，tβ为计划结束使用时间。

所述第二舒服度评价因子建模子模块中构建的可中断负荷舒适度评价因子，如下式所示：

其中，φil为可中断负荷舒适度评价因子，pili为可中断负荷舒适度评价因子，δt为时长，uil为优化周期内实际中断负荷的总量，til为优化周期内实际产生中断负荷的总时段数。

所述输出功率建模模块，包括：

目标函数构建子模块：根据所述分布式电源的输出功率和所述负荷模型的用电时长总数，构建目标函数；

输出功率建模子模块：基于所述负荷模型的舒适度约束条件和可再生能源的消纳率约束条件，构建输出功率模型。

所述目标函数构建子模块中构建的目标函数，如下式所示：

其中，c为智能园区的日常能源成本，ci为第i个分布式电源的能源成本，包含新能源发电的能源成本、分布式燃料电池的能源成本及蓄电池储能单元的能源成本，pi(t)为t时第i台分布式电源的输出功率，t为时段总数，m为分布式发电机数量，δt为计划时间段。

所述输出功率建模子模块中的舒适度约束条件，如下式所示：

其中，为在输出功率模型调度下，可转移负荷的实际舒适度；为可转移负荷舒适度最大值，为在输出功率模型调度下，可中断负荷的实际舒适度，为可中断负荷舒适度最大值。

所述调度模块，包括：

舒适度最大值获取子模块：基于负荷模型的舒适度评价因子，获取可转移负荷舒适度最大值和可中断负荷舒适度最大值；

输出功率求解子模块：将所述可转移负荷舒适度最大值和可中断负荷舒适度最大值作为约束条件，通过粒子群算法，求解所述输出功率模型中分布式电源你和分布式储能单元的输出功率；

调度子模块：将所述输出功率通过日前规划的方法进行调度，向所述负荷模型供电。

显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。