1.一种基于多时空尺度技术的城市综合柔性资源调控系统，其特征在于，包括多时空尺度模块、柔性资源集整合模块、能源输入模块、城市模块和云平台模块；所述多时空尺度模块、柔性资源集整合模块、能源输入模块、城市模块和云平台模块依次连接形成闭环；所述多时空尺度模块包括时段划分模块、短期预测模块、中长期预测模块和优化调度模块；其中，时段划分根据能源需求和供应的变化规律将一天划分为不同的时段，在不同的时段进行分别的优化和协调，短期预测模块对未来一天或几天内的能源需求和供应情况进行预测，利用预测模型和技术手段，对未来能源需求和供应情况做出较为准确的预测；中长期预测模块通过分析历史趋势和技术发展趋势对未来较长时间内的能源需求和供应情况做出趋势性的预测；优化调度模块根据不同时段的能源需求和供应情况，制定优化调度方案，确保能源的高效利用和节约；柔性资源集整合模块包括：三联供模块、空气源热泵模块、电制冷热模块、蓄冷蓄热模块，对城市综合柔性资源进行整合；其中，三联供模块利用燃气产生热能、蒸汽或电能的技术，通过合理配置和优化，实现能源的梯级利用，同时三联供模块根据需求进行灵活调整，满足不同用户的能源需求；空气源热泵模块利用空气中的热能生成热水；同时，根据需求进行灵活调整，满足不同用户的热水需求；电制冷热模块利用电能产生冷热效应，通过制冷剂的循环，将室内的热量排出；同时，通过电加热的方式，提供热水或暖气服务；蓄冷蓄热模块利用物质储存能量通过在夜间或低电价时段充电；在白天或高电价时段释放能量；能源输入模块包括：制热源模块、制冷源模块和储能装置；云平台模块对城市能源需求数据进行收集分析并进行云计算，云计算将优化结构传递至多时空尺度模块，通过多时空尺度模块控制柔性资源集整合模块执行运转最优调控方案，驱动能源输入模块对城市模块进行供热供冷；其中，利用改进后的卷积优化算法COA进行云计算，包括以下步骤：(1)构建优化目标函数即能源购买成本和设备运行成本的最小值；

(2)初始化种群；

(3)更新纵向卷积位置；

(4)更新横向卷积位置和区域卷积位置；

(5)更新综合位置并增强解质量。

2.根据权利要求1所述的一种基于多时空尺度技术的城市综合柔性资源调控系统，其特征在于，利用改进后的卷积优化算法COA进行云计算中，步骤(1)公式如下：Omin＝Cb+Cf

其中，Cb为能源购买成本，Cf为设备运行成本；

Cb＝Cb.e+Cb.g

Cb.e＝∑Pe.grid(t)μe(t)△t

Cb.g＝∑Pg.grid(t)μg(t)△t

其中，Cb.e为调度周期内电力购电成本，Cb.g为调度周期内燃气购气成本，Pe.grid(t)为t时刻购电功率，μe(t)为t时刻购电价格，△t为调度时间间隔，Pg.grid(t)为t时刻购气功率，μg(t)为t时刻购气价格；

Cf＝Cf.ess+Cf.hss+Cf.css+Cf.e.c+Cf.e.h+Cf.blCf.ess＝∑|Pess.c(t)+Pess.d(t)|υess△tCf.hss＝∑|Phss.c(t)+Phss.d(t)|υhss△tCf.css＝∑|Pcss.c(t)+Pcss.d(t)|υcss△tCf.e.c＝∑|Pe.c(t)|υe.c△t

Cf.e.h＝∑|Pe.h(t)|υe.h△t

Cf.bl＝∑|Pbl(t)|υbl△t

其中，Cf.ess为调度周期内电储能系统运维成本，Cf.hss为调度周期内热储能系统运维成本，Cf.css为调度周期内冷储能系统运维成本，Cf.e.c为调度周期内制冷机组运维成本，Cf.e.h为调度周期内电加热设备运维成本，Cf.bl为调度周期内燃气锅炉运维成本，Pess.c(t)为t时刻电储能系统充电功率，Pess.d(t)为t时刻电储能系统放电功率，υess为电储能系统运维成本系数，Phss.c(t)为t时刻热储能系统充热功率，Phss.d(t)为t时刻热储能系统放能功率，υhss为热储能系统运维成本系数，Pcss.c(t)为t时刻冷储能系统充能功率，Pcss.d(t)为t时刻冷储能系统放能功率，υcss为冷储能系统运维成本系数，Pe.c(t)为t时刻制冷机组电功率，υe.c为制冷机组运维成本系数，Pe.h(t)为t时刻电加热设备电功率，υe.h为电加热设备运维成本系数，Pbl(t)为t时刻燃气锅炉功率，υbl为燃气锅炉运维成本系数。

3.根据权利要求1所述的一种基于多时空尺度技术的城市综合柔性资源调控系统，其特征在于，利用改进后的卷积优化算法COA进行云计算中，步骤(2)具体如下：设种群的位置向量O由维度为d的n个个体组成，数学表达式如下：式中，个体的位置向量Ox(x＝1,2,…,n)为优化问题的候选解，定义Ox用于在d维空间中搜索，其中，d为决策变量的维度；

种群的位置向量O的适应度为：

式中，f(Ox)表示适应度函数；

0

初始种群的位置向量O 在d维搜索空间中随机生成，每个个体的位置向量 的初始化定义为：式中，lx为一个1×d阶矩阵，为第x个个体的下限，ux为一个1×d阶矩阵，为第x个个体的上限，rand为[0,1]之间的随机数。

4.根据权利要求1所述的一种基于多时空尺度技术的城市综合柔性资源调控系统，其特征在于，利用改进后的卷积优化算法COA进行云计算中，步骤(3)更新纵向卷积位置具体为：定义纵向卷积核为：

KL＝2×rand(k,1)‑IL

式中，KL为一个k×1阶矩阵，为纵向卷积核，其中k为纵向卷积核的高，1为纵向卷积核的宽，rand(k,1)为一个k×1阶矩阵，每个元素为[0,1]之间的随机数，IL为一个k×1阶矩阵，所有元素为1；

定义纵向卷积为：

h

式中，h为当前迭代次数，O 为一个n×d阶矩阵，为第h代种群的位置向量， 为一个n×d阶矩阵，为第h代纵向卷积位置更新后的种群的位置向量；

h h

比较 和O中每个个体位置的适应度值的大小，择优替换掉O中个体位置，则有式中， 为第h代种群的第p个个体位置， 为第h代纵向卷积位置更新后的种群的第p个个体位置。

5.根据权利要求1所述的一种基于多时空尺度技术的城市综合柔性资源调控系统，其特征在于，利用改进后的卷积优化算法COA进行云计算中，步骤(4)更新横向卷积位置具体为：定义横向卷积核为：

KT＝2×rand(k,1)‑IT

式中，KT为一个1×k阶矩阵，为横向卷积核，其中1为横向卷积核的高，k为横向卷积核的宽，rand(k,1)为一个1×k阶矩阵，每个元素为[0,1]之间的随机数，IT为一个1×k阶矩阵，所有元素为1；

定义横向卷积为：

式中， 为一个n×d阶矩阵，为横向卷积更新后的种群的位置向量；

h h

比较 和O中每个个体位置的适应度值的大小，择优替换掉O中个体位置，则有：式中， 第h代横向卷积位置更新后的种群的第p个个体位置；

更新区域卷积位置具体为：

定义区域卷积核：

KR＝2×rand(k,k)‑IR

式中，KR为一个k×k阶矩阵，为区域卷积核，其中k为区域卷积核的高和宽，rand(k,k)为一个k×k阶矩阵，每个元素为[0,1]之间的随机数，IR为一个k×k阶矩阵，所有元素为1；

定义区域卷积为：

式中， 为一个n×d阶矩阵，为区域卷积更新后的种群的位置向量；

h h

比较 和O中每个个体位置的适应度值的大小，择优替换掉O中个体位置，则有：式中， 为h代区域卷积位置更新后的种群的第p个个体位置。

6.根据权利要求1所述的一种基于多时空尺度技术的城市综合柔性资源调控系统，其特征在于，利用改进后的卷积优化算法COA进行云计算中，步骤(5)综合位置更新具体为：将第h代纵向卷积更新后的种群的位置向量 第h代横向卷积更新后的种群的位置向量和第h代区域卷积更新后的种群的位置向量 采用随机权重或等比例权重相加，并为其数学表达式如下：式中，r1、r2、r3均为[0,1]之间的随机数，另r1＝r2＝r3，进行等比例权重相加；

h h

比较 和O中每个个体位置的适应度值的大小，择优替换掉O中个体位置，则有：式中， 为h代综合位置更新后的种群的第p个个体位置；

h

最后，计算O中所有个体位置的适应度值，并根据适应度值的大小进行排序，选出最优解 根据适应度进行排序筛选，选取最全局最优解；

增强解质量具体如下：对最优解 的d维搜索空间逐维进行带非惯性权重的高斯变异，对最优解 进行扰动；公式如下：式中， 为一个n×1阶矩阵，为最优解 中d维搜索空间中的第q(q＝1,2,…,d)维的位置， 中，ihermax为最大迭代次数，randn为一个满足均值为0，方差为1的标准正态分布的随机数；

令对第q维进行带非惯性权重高斯变异后的个体位置为 比较 和 的适应度值的大小，择优替换掉 的个体位置，则有：

最后输出的 即为迭代结果中总运行本的最优调控方案。