1.一种综合能源系统的多尺度多组认知智能调度与控制方法，其特征在于，能用一种多响应时间尺度融合的控制框架对综合能源系统发出有规律的发电与调度控制指令，将自适应噪声完备集合经验模态分解、时间序列预测、双向长短期记忆网络预测和多种强化学习方法进行结合，提高控制精度和电能质量，减小频率偏差和发电成本，动态的保持发电控制与经济调度之间的平衡，在使用过程中的步骤为：步骤(1)：在区域A中，获取一段时间内的综合能源系统的频率偏差序列Δf(T)和与区域i之间的综合能源系统区域控制误差序列eACEi(T)，其中T＝t‑128,t‑127,…,t；获取t时刻用户的行为信息ua(t)、温度vt(t)、湿度vh(t)、风向vd(t)、风速vs(t)、降水vr(t)和气压vp(t)；

步骤(2)：运用自适应噪声完备集合经验模态分解对频率偏差序列Δf(T)进行处理，设定迭代次数为K，将N组成对的正负高斯白噪声分别加入到原始信号Δf(T)中，一共为N个新信号，第j次添加白噪声后的新信号序列 为：式中，ε0为噪声的标准差； 为第j个满足标准正态分布的高斯白噪声；

对每一个 进行经验模态分解，在第j次经验模态分解后得到第j个模态分量分解出来的N个模态分量进行加总平均，得到IMF1(T):式中，IMF1(T)为第1个本征模态分量；

计算第1个残余分量r1(T)：

r1(T)＝Δf(T)‑IMF1(T)      (3)在r1(T)中加入N组成对的正负高斯白噪声经过经验模态分解后的辅助噪声信号：式中， 为第j次添加辅助噪声后的新信号；E()为进行经验模态分解的函数；

对每一个 进行经验模态分解，在第j次经验模态分解后得到第j个模态分量分解出来的N个模态分量进行加总平均，得到IMF2(T):式中，IMF2(T)为第2个本征模态分量；

计算第2个残余分量r2(T)：

r2(T)＝r1(T)‑IMF2(T)       (6)步骤(3)：重复步骤(2)的计算直到残余分量不能够再进行经验模态分解，在进行K次迭代后得到的本征模态分量的数量为k，则原始信号Δf(T)被分解为：式中，IMFk(T)为第k个本征模态分量；rk(T)为第k个残余分量；

步骤(4)：将所有IMFk(T)和rk(T)作为输入，采用时间序列预测方法对输入信号进行K次预测；时间序列预测神经网络的循环体单元中有重置门和更新门两个门控机构，在第k次预测中，以IMFk(T)中t时刻的值IMFk(t)为输入，重置门t时刻的输出为：rg(t)＝σ(Whrhg(t‑Δt)+WxrIMFk(t)+br)       (8)式中，rg(t)为重置门t时刻的输出；σ()为sigmoid函数；Whr为重置门的状态权重；Wxr为重置门的输入权重；br为重置门的偏置；Δt为步长；hg(t‑Δt)为循环体单元上一时刻的隐含层状态；

更新门t时刻的输出为：

zg(t)＝σ(Whzhg(t‑Δt)+WxzIMFk(t)+bz)      (9)式中，zg(t)为更新门t时刻的输出；Whz为更新门的状态权重；和Wxz为更新门的输入权重；bz为更新门的偏置；

循环体单元t时刻隐含层的激活状态为：

式中， 为循环体单元t时刻隐含层的激活状态；tanh()为激活函数；⊙为Hadamard积；Wxh为隐含层的输入权重；Uh为隐含层的权重；bh为隐含层的偏置；

计算一个循环体单元t时刻的输出：

式中，hg(t)为循环体单元t时刻的输出，也作为下一时刻的隐含层状态；

步骤(5)：重复步骤(4)的过程，一共得到P个预测信号，记第p个预测信号为ypt，将ypt按照波动大小进行分类，在相同的时间Δt内，如果函数图像的极值点个数ε大于或等于设定值Sn，则分类为大波动信号；如果函数图像的极值点个数ε小于设定值Sn，则分类为小波动信号；对于P1个大波动信号，采用“状态‑动作‑奖励‑状态‑动作”学习方法进行强化学习；对于(P‑P1)个小波动信号，因为函数变化较为缓慢，所以采用分数阶“比例‑积分‑微分”方法进行学习跟随；在“状态‑动作‑奖励‑状态‑动作”强化学习方法中，状态s下执行动作a的奖励期望：式中，qπ(s,a)为状态s下执行动作a的奖励期望；Eπ()为期望运算函数；γt为t时刻的折扣因子；Rt为t时刻的奖励；st为t时刻的状态；at为t时刻的动作；s为强化学习状态即系统频率偏差Δf(T)；a为系统动作即机组功率输出指令；

大波动信号经过“状态‑动作‑奖励‑状态‑动作”强化学习后输出大波动信号的处理信号aSarsa；

在分数阶“比例‑积分‑微分”方法中，传递函数Gc(s)为：‑λ μ

Gc(s)＝Kp+Kis +Kds     (13)式中，Kp为比例调节系数；Ki为积分调节系数；Kd为微分调节系数；λ为积分阶次；μ为微分阶次并且μ>0；

小波动信号的处理信号为：

式中，aFopid为小波动信号的处理信号； 为拉普拉斯反变换函数；X(s)为小波动信号的拉普拉斯变换；步骤(6)：将aSarsa和aFopid相加后作为机组功率输出指令，每4秒钟对自动发电控制机组的出力进行实时控制；

步骤(7)：将步骤(1)中得到的与区域i之间的综合能源系统区域控制误差序列eACEi(T)作为输入，进行自适应噪声完备集合经验得到分解信号xk(T)，对分解信号使用双向长短期记忆网络进行预测；长短期记忆神经网络的循环体单元中有遗忘门、输入门和输出门三个门控单元，以第一个分解信号x1(T)中t时刻的值x1(t)为输入，遗忘门t时刻的输出为：fl(t)＝σ(Wxfx1(t)+Whfhl(t‑Δt)+bf)        (15)式中，fl(t)为遗忘门t时刻的输出；Wxf为遗忘门的输入权重；Whf为遗忘门的状态权重；

hl(t‑Δt)为上一时刻的外部状态和输出；bf为遗忘门的偏置；

输入门t时刻的输出为：

il(t)＝σ(Wxix1(t)+Whihl(t‑Δt)+bi)       (16)式中，il(t)为输入门t时刻的输出；Wxi为输入门的输入权重；Whi为输入门的状态权重；

bi为输入门的偏置；

候选状态t时刻的输出为：

gl(t)＝tanh(Wxgx1(t)+Whghl(t‑Δt)+bg)       (17)式中，gl(t)为候选状态t时刻的输出；Wxg为候选状态的输入权重；Whg为候选状态的状态权重；bg为候选状态的偏置；

输出门t时刻的输出为：

ol(t)＝σ(Wxox1(t)+Whohl(t‑Δt)+bo)       (18)式中，ol(t)为输出门t时刻的输出；Wxo为输出门的输入权重；Who为输出门的状态权重；

bo为输出门的偏置；

t时刻的内部状态为：

cl(t)＝cl(t‑Δt)⊙fl(t)+gl(t)⊙il(t)       (19)式中，cl(t)为t时刻的内部状态；cl(t‑Δt)为上一时刻的内部状态；

最后，t时刻的外部状态和输出为：

hl(t)＝ol(t)⊙tanh(cl(t))      (20)式中，hl(t)为t时刻的外部状态和输出，同时也作为下一时刻的输入；

步骤(8)：重复步骤(7)的过程，得到以eACEi(T)作为最初输入的预测信号，对预测信号运用一致性等微增率准则得到调度指令，每5分钟对非自动发电控制机组进行一次调度指令更新；

一致性等微增率准则的出力分配公式为：

Pi(t)＝(λt‑bcri)/2acri      (21)式中，Pi(t)为t时刻机组i分配的负荷；λt为t时刻系统的耗量微增率；acri和bcri为机组i的耗量特性曲线系数；

步骤(9)：将eAC在t时刻的值eACEi(t)、用户的行为信息ua(t)、温度vt(t)、湿度vh(t)、风向vd(t)、风速vs(t)、降水vr(t)和气压vp(t)作为矩阵元素组成一个信息矩阵M；

M＝[eACEi(t),ua(t),vt(t),vh(t),vd(t),vs(t),vr(t),vp(t)]1×8      (22)构造一个8×η的人工行为认知知识矩阵V，其中η为非自动发电控制机组的个数，并且使用交替方向乘子法对人工行为认知知识矩阵V中的每一个参数进行更新；

将信息矩阵M与人工行为认知知识矩阵V相乘得到输出矩阵Nc：Nc＝MN＝[nc1,nc2,…,ncη]1×η      (23)输出矩阵Nc中的每一个元素nci|i＝1,2,…,η作为调度指令对相应的非自动发电控制机组进行控制，每60分钟进行调度指令更新。