1.一种基于PVT光伏光热的家庭能源系统低碳运行优化方法，其特征在于，包括步骤如下：S1，选取系统的运行成本和碳排放量为优化目标；

S2，以PVT的实际发电量、PVT的实际供热量、蓄电池传输功率、电网传输功率、储热水箱传输热量和天然气网传输热量为决策变量，对蓄电池和储热水箱进行数学建模；

S3，以功率平衡约束、主网传输功率约束、PVT功率约束、蓄电池约束和储热水箱约束为约束条件，建立以运行成本和碳排放量为优化目标的多目标规划模型；

S4，采用改进的粒子群算法，对多目标规划模型进行优化，得到最优解集；

S5，对得到的最优解集采用优劣解距离法进行处理，得到最优的运行方案；

步骤S2中，对蓄电池和储热水箱进行数学建模：

式中，Eb(t)表示t时刻家庭蓄电池内的电能总量； 分别表示家庭蓄电池的充电和放电效率；PB(t)表示蓄电池的充电或放电功率，当PB(t)＞0代表充电，当PB(t)＜0代表放电；Eh(t)表示t时刻家庭储热水箱内的热能总量； 分别表示家庭储热水箱的储热和放热效率；HB(t)表示t时刻储热水箱的储热或放热功率，当HB(t)＞0代表储热，HB(t)＜0代表放热； 表示t时刻家庭储热水箱的散热损失；

其中，储热水箱的散热损失 计算公式如下：

式中，Aj表示第j个储热水箱的表面积；K表示储热水箱箱体的热损失系数，单位为kJ/2

(m·℃)；Tj(t)表示该时刻储热水箱中工质的温度，Tenv(t)表示该时刻的环境温度，单位为℃；m表示水箱的总数量；

步骤S3中，所述功率平衡约束、主网传输功率约束、PVT功率约束、蓄电池约束和储热水箱约束的数学模型如下：A1，功率平衡约束：PPV(t)+PG(t)+PB(t)＝P’L(t)+Pp(t)+PW(t)HPT(t)+HG(t)+HB(t)＝H'L(t)

A2，主网传输功率约束：

A3，PVT功率约束：0≤PPV(t)≤P'(t)

0≤HPT(t)≤H'(t)

A4，蓄电池约束：

A5，储热水箱约束：

式中，PPV(t)表示光伏电池实际发电量，PG(t)表示向主网的购电量，PB(t)表示蓄电池的充放电量，PL'(t)表示家庭电负荷的预测值，Pp(t)表示循环水泵的耗电量，PW(t)表示燃气热水器的耗电量，HPT(t)表示集热板实际供热量，HG(t)表示向主网的购气的热值，HB(t)表示蓄热水箱的充放热量，H'L(t)表示家庭热负荷的预测值，单位分别为kWh；

分别表示电网传输功率的上限和下限； 分别表示天然气管道流量的上限和下限；q表示天然气的热值；P'(t)表示t时刻光伏电池预测发电量，kWh；H'(t)表示t时刻集热器预测供热量；SOCB(t)表示在t时刻蓄电池的荷电状态；Eb(t)表示t时刻家庭蓄电池内的电能总量；Eb,sum表示蓄电池的额定容量； 分别表示蓄电池储电能力的上限和下限； 分别表示蓄电池传输功率的上限和下限；SOCH(t)表示在t时刻储热水箱的储热状态；Eh(t)表示t时刻家庭储热水箱内的热能总量；Eh,sum表示储热水箱的额定容量； 分别表示储热水箱储热能力的上限和下限； 分别表示储热水箱传输功率的上限和下限；

多目标规划模型F为：

F＝[f1,f2]

其中，f1为运行成本，f2为碳排放量；

式中，Cgrid(t)表示t时刻的购电价格，Cbess(t)表示t时刻蓄电池的运维成本，PG(t)表示t时刻的购电量，PB(t)表示t时刻蓄电池的充放电量，单位分别为kWh；CgridH(t)表示t时刻的购天然气价格，CbessH(t)表示t时刻储热水箱的运维成本，Cpump(t)表示t时刻循环水泵的运3

维成本，单位分别为元/m；HG(t)表示t时刻的向热网的购热量，HB(t)表示t时刻储热水箱的充放热量，HPT(t)表示t时刻PVT系统的实际供热量，单位分别为kWh；

式中，δg表示电力的碳排放转换系数；δhg表示天然气的碳排放转换系数；δP表示可再生能源的碳排放转换系数；

步骤S4中，改进的粒子群算法实现步骤如下：

S51，设置粒子总个数M、粒子的维度d、惯性权重、个体学习因子、社会学习因子，最大迭代次数ST；

S52，以决策变量PPV(t)、PG(t)、PB(t)、HPT(t)、HG(t)和HB(t)的上下限随机生成粒子，初始化种群位置；

S53，根据运行成本f1和碳排放量f2最小，评价每个粒子的适应度值F，求得个体最优解和全局最优解，将个体最优解和全局最优解存储在存档库里；

S54，设置蓄电池充放电上下限、储热水箱储放热上下限，由个体最优解判断蓄电池在t时刻是否到达充放电上下限和储热水箱在t时刻是否达到储放热上下限；

S55，如达到最大迭代数SI，则输出Pareto前沿；如果未达到最大迭代数SI，则更新惯性权重和学习因子，继续执行步骤S53、S54；

采用优劣解距离法对Pareto前沿提供的一系列非劣解进行处理，选出最优的运行方案，具体实现步骤如下：S61，设输出的Pareto解集里一共有p个解，将获得p个解的Pareto解集作为原始数据输入，每个解代表1个运行方案，每个运行方案有两个指标数据，分别为运行成本和碳排放量；

将输入变量表示为一个决策矩阵D，其维度为p×2，矩阵D中的每个元素Dlq代表第l个方案在第q个指标上的值：式中，l＝1,2,...,p；q＝1,2；Cl表示第l个方案的运行成本，El表示第l个方案的碳排放量；

S62，采用向量规范法对决策矩阵D每一列进行数据预处理，得到标准化后的决策矩阵D'；

T

S63，设置指标权向量w'＝[0.5,0.5]，并对决策矩阵D'进行加权处理，公式如下：式中， 表示标准化决策矩阵D'加权处理之后的决策矩阵；

S64，求正理想解和负理想解，公式如下所示：

式中， 表示标准化决策矩阵 第q列的正理想解； 表示标准化决策矩阵 第q列的负理想解；dlq表示标准化决策矩阵 中的元素；

S65，计算各个运行方案的综合评价指数，公式如下：

式中， 表示第l个方案的综合评价指数；

S66，将各个方案的综合评价指标数 从大到小进行排序，指标数最大对应的方案为所求最优方案。

2.一种基于PVT光伏光热的家庭能源系统低碳运行的管理系统，用于实现如权利要求1所述的优化方法，其特征在于，包括监测模块(100)、预测模块(200)和优化控制模块(300)；

所述监测模块(100)通过智能信息采集设备和互联网对住宅建筑中的所有能效设备和住宅建筑外的环境状况进行监测、收集并储存信息；

所述预测模块(200)用于对用户电热负荷以及光伏光热实际出力值进行预测，包括PVT出力预测模块(210)和电热负荷预测模块(220)；所述PVT出力预测模块(210)包括第一数据接收单元(211)、第一数据处理单元(212)、第一模型参数调整单元(213)和PVT出力预测单元(214)；所述电热负荷预测模块(220)包括第二数据接收单元(221)、第二数据处理单元(222)、第二模型参数调整单元(223)和电热负荷预测单元(224)；

第一数据接收单元(211)、第二数据接收单元(221)分别用于从监测模块(100)中接收预测所需要的训练数据；第一数据处理单元(212)、第二数据处理单元(222)分别用于预测的数据处理和预处理；第一模型参数调整单元(213)、第二模型参数调整单元(223)分别用于调节LSTM模型的参数以获得不同参数下预测模块(200)的评价指标，并选择预测效果最好的LSTM模型用于后续预测；PVT出力预测单元(214)、电热负荷预测单元(224)分别通过建立的多特征输入LSTM模型来预测未来一天的数据；

所述优化控制模块(300)以运行时储能机组的总运行成本和整个系统的碳排放量为优化目标，以储能机组受负荷特性、运维成本、峰谷电价为约束，并辅以粒子群算法通过PVT控制器对未来一天24h的“源、储、网”进行优化控制。

3.根据权利要求2所述基于PVT光伏光热的家庭能源系统低碳运行的管理系统，其特征在于，所述优化控制模块(300)包括数据输入单元(310)、优化单元(320)和控制单元(330)；

所述数据输入单元(310)用于从预测模块(200)中接收所需数据；

优化单元(320)通过采用改进的粒子群算法对未来24h整点的电热“源、储、网”进行优化，得到24h整点最优方案的PVT的实际发电量、PVT的实际供热量、蓄电池传输功率、电网传输功率、储热水箱传输功率和天然气网传输功率，以及运行成本和碳排放量值；

所述控制单元(330)用于接收优化单元(320)的优化结果并通过PVT控制器和互联网对未来24h整点电热的“源、储、网”进行控制。

4.根据权利要求2所述基于PVT光伏光热的家庭能源系统低碳运行的管理系统，其特征在于，所述PVT出力预测单元(214)通过LSTM模型基于过去一月PVT出力值进行预测未来24h每个时段的PVT出力值；其中，LSTM模型的输入变量为前30天的整点PVT出力值和对应30天的当地太阳辐射值，输出变量为第31天的整点PVT供电值和整点的PVT供热值；

所述电热负荷预测单元(224)通过LSTM模型基于过去一月家庭电热负荷值、对应的日平均温度和日类型进行预测未来24h每个时段的电热负荷；其中，LSTM模型的输入变量为前

30天的整点家庭电负荷值、家庭热负荷值、对应的日平均温度和日类型，输出变量为第31天的整点家庭电负荷和热负荷。