1.一种基于GA-BFO的家庭能量多目标优化方法，其特征在于，根据家庭用电设备的负荷特性和用户需求将家庭用电设备分为可调度设备和不可调度设备，对可调度设备建立控制模型与优化约束；分别建立电力成本最小、PAR最小以及用户舒适度最大三个优化目标函数；根据用户负荷需求和电网电价得到目标负荷曲线，建立负荷转移的目标函数式，并采用GA-BFO算法对目标函数进行求解，得到家庭可调度设备的次日安排；在调度日内，当系统接收到用户的重新调度请求时，记录需要重新调度的设备的信息，建立目标函数式，并将实时调度问题转化为背包问题，采用动态方程进行求解，得到需要重新调度的设备的实时调度安排，完成多目标优化。

2.根据权利要求1所述的基于GA-BFO的家庭能量多目标优化方法，其特征在于，可调度设备包括电热水器、HVAC和电动汽车，电热水器的控制模型为：其中，hheater为电热水器开关状态决策量，0表示不能进入开启状态，1表示可以进去开启状态； 分别为用户设定的电热水器水温舒适范围上、下限；

HVAC系统的控制模型为：

其中，hAC为HVAC系统开关状态决策量，0表示不能进入开启状态；1表示可以进入开启状态； 和 分别为用户设定的房间温度舒适范围上、下限；

电动汽车的控制模型为：

其中，hEV为电动汽车的用电状态决策量，0表示电动汽车不能充电也不能放电，1表示可以进行充电操作，-1表示可以进行放电操作；SOC为电动汽车电池的SOC；λemg为用户设定的电池电量应急系数，当电池电量低于该应急系数时，应立即进行充电； 为电动汽车的充放电状态改变决策量，1表示允许切换充放电状态，0表示不允许切换池充放电状态，其取值定义如下：其中，tini为充放电操作开始时刻；tlen为预设的充放电最短持续时间。

3.根据权利要求1所述的基于GA-BFO的家庭能量多目标优化方法，其特征在于，以最小用电成本、最小PAR以及最大舒适度作为优化目标，具体如下：假设将调度区间平均划分为N个时隙，最小用电成本的目标函数为：其中，loadobj(t)为目标负荷曲线在t时刻的值，price(t)为t时刻的电价；

最小PAR的目标函数为：

O2＝min(PAR)

其中，PAR表示家庭一天的总的负荷曲线的峰均比，loadsch为包含调度后的负荷曲线在N个时刻的值的列表；

最大舒适度的目标函数为：

O3＝max(comfort)

其中，Tde(d)表示用户发出请求的时间，Tsch(d)为调度后设备的运行时间。

4.根据权利要求3所述的基于GA-BFO的家庭能量多目标优化方法，其特征在于，具有以下约束：电热水器温度约束为：

其中， 为用户设定的计划使用电热水器的时间；

HVAC系统温度约束为：

其中， 为用户设定的计划使用HVAC系统的时间；

电动汽车电池的电荷状态约束为：

SOCmin≤SOC(t)≤SOCmax

SOC(td)＝SOCmax

其中，SOCmin、SOCmax为最小、最大允许SOC，SOC(td)为用户设定的计划使用电动汽车的时间；

电动汽车充放电状态约束为：

Pchar(t)×Pdischar(t)＝0。

5.根据权利要求1所述的基于GA-BFO的家庭能量多目标优化方法，其特征在于，系统进行日前调度，首先建立合理的目标负荷曲线解决最小电力成本和PAR之间的权衡问题，通过最小化调度负荷曲线与目标负荷曲线之间的偏差实现最小电力成本和PAR。

6.根据权利要求5所述的基于GA-BFO的家庭能量多目标优化方法，其特征在于，目标负荷曲线Loadobj计算式如下：其中，loadobj(t)为目标负荷曲线在t时刻的值，Loadunsch为未调度负荷曲线在N个时刻的值的列表，price(t)为t时刻的电价，Price为包含了N个时刻电价的列表；

该目标负荷曲线具有与电网电价呈反比关系的特点：

负荷转移的目标函数O4为：

调度后负荷曲线在t时刻的loadsch(t)计算如下：其中，P(d)为设备d的额定功率，α(t,d)为0、1变量，表示t时刻设备d的运行状态。

7.根据权利要求1所述的基于GA-BFO的家庭能量多目标优化方法，其特征在于，GA-BFO算法采用遗传算法中的交叉、变异步骤取代细菌觅食算法中的消除-迁徙步骤进行全局搜索，具体为：S301、随机产生初始细菌种群，得到初始种群中每个个体的位置θ，根据细菌所处位置计算其适应度J，然后细菌进行一次趋向行为，改变细菌个体的位置，判断是否达到最大趋向次数，如果没有达到最大趋向次数，重新计算个体适应度函数值；

S302、如果达到最大趋向次数，计算每个细菌个体的健康度，然后选取健康度较优的个体进行繁殖，判断是否达到最大繁殖次数；如果没有达到最大繁殖次数，重新计算个体适应度函数值；

S303、如果达到最大繁殖次数，根据轮盘赌的方法选取个体进行交叉、变异步骤，判断是否达到最大消除-迁徙次数，如果达到最大消除-迁徙次数，计算细菌个体的最小成本，得到最优解，如果没有达到最大消除-迁徙次数，重新计算个体适应度函数值。

8.根据权利要求7所述的基于GA-BFO的家庭能量多目标优化方法，其特征在于，步骤S301中，个体适应度函数值J为：J(i,j,k,l)＝Ff(θ(i,j,k,l))

细菌进行一次趋向行为，改变细菌个体的位置，其位置更新为：其中，(i,j,k,l)表示第i个细菌个体处于第j次趋向行为、第k次繁殖行为且第l次消除-迁徙行为时，Ff为适应度函数，对应负荷转移的目标函数O4。

9.根据权利要求7所述的基于GA-BFO的家庭能量多目标优化方法，其特征在于，步骤S302中，健康度Jhealth(i)计算如下：其中，Nc为设定的最大趋向次数。

10.根据权利要求1所述的基于GA-BFO的家庭能量多目标优化方法，其特征在于，当系统接收到用户的重新调度请求时，记录用户要求调度的设备：记录当前的可调度时间Timeaval、设备c所需运行时长Workc，然后执行实时调度策略；

采用加权求和的方法，根据前面提到的最小电力成本和PAR由最小负荷曲线与目标曲线的偏差获得目标函数F为：F＝λ×O3+(1-λ)×O4

其中，λ为用户偏好，O3为最大舒适度的目标函数，O4为负荷转移的目标函数；

将实时调度问题表述为背包问题，采用动态方程m(i,j)对目标函数进行求解，动态方程m(i,j)具体如下：其中，可调度时间为背包的总容量Knapcap＝Timeaval，设备c所需运行时长为物品的重量Weightc＝Workc，设备c在运行时段的目标函数值作为物品的价值Valuec＝Fc。