1.一种多级能源协调控制系统，其特征在于，所述多级能源协调控制系统包括：
感知模块，用于将对配电网络进行一系列的监测包括有有电压检测芯片以及电度表盘，并把监测到的电压数据以及电流数据，并把监测数据传输给信息处理模块；
所述感知模块定位节点坐标接收模块的计算方法包括：
第一步，选定差分修正点，确定定位交点坐标和复数定位交点，计算定位交点间距离；：
从d′i(i＝0,2，...,n)中选择距离值最小的锚节点A0为差分修正点，再从剩余的距离值中取出3个最小的距离值，这3个为距离值分别d′1、d′2和d′3，对应的锚节点坐标分别为A1x1,y1、A2 x2,y2和A3 x3,y3，分别以锚节点Ai xi,yi为圆心，d′i为半径作三个定位圆i，其中i＝1,2,3，三个定位圆的相交情况共有6种，两个圆之间存在两个交点，这两个交点为两个相等的实数交点，或两个不相等的实数交点，或两个复数交点；两个定位圆的两个交点中，选择与第三定位圆圆心坐标的距离较小的那个交点作为定位交点，以参与待定位节点的定位；由3个定位圆确定三个定位交点及复数定位交点的个数m，由定位圆2和定位圆3确定的定位交点坐标为A′ x′1,y′1、由定位圆1和定位圆3确定的定位交点的坐标为B′ x′2,y′2，由定位圆1和定位圆2确定的定位交点的坐标为C′ x′3,y′3，定位交点A′与B′、B′与C′、A′与C′的距离分别为d12、d23、d13：
d 12 = x 1 ′ - x 2 ′ 2 + y 1 ′ - y 2 ′ 2 ]]>
d 23 = x 2 ′ - x 3 ′ 2 + y 2 ′ - y 3 ′ 2 ]]>
d 13 = x 1 ′ - x 3 ′ 2 + y 1 ′ - y 3 ′ 2 ]]>
第二步，设置阈值T，个体差异系数修正系数ω，参数(λ＞0)，设置T＝0.5、ω＝1500以及λ＝0.001，三个定位交点之间的距离d12＜T、d23＜T、d13＜T时，执行第四步；
第三步，根据如下自适应距离修正公式修正d′1、d′2、d′3，得到修正距离为d1、d2、d3：
d i = d i ′ - λ i ( d 0 i ′ - d 0 i ) exp [ 1 - d i ′ / ( d 0 i ′ - d 0 i ′ ω Σ k = 1 n d 0 k ′ - d 0 k d 0 k ′ ) ] ]]>
其中，di表示待定位节点与锚节点Ai之间的修正距离，d0i表示差分修正点A0与锚节点Ai之间的实际距离，d′0i表示差分修正点A0与锚节点Ai之间的测量距离，ω表示个体差异系数修正系数，λi表示方向修正因子，exp·表示指数函数；
根据修正后的距离d1、d2、d3，重新求解修正后的三个定位交点间的距离d12、d23、d13，返回第二步；
第四步，根据如下公式，计算出待定位节点的定位坐标O x0,y0：
x 0 = α 1 x 1 ′ + α 2 x 2 ′ + α 3 x 3 ′ 0 ≤ α 1 , α 2 , α 3 ≤ 1 y 0 = β 1 y 1 ′ + β 2 y 2 ′ + β 3 y 3 ′ 0 ≤ β 1 , β 2 , β 3 ≤ 1 ]]>
其中，α1、α2、α3分别表示x1、x′2、x′3的权重，β1、β2、β3分别表示y′1、y′2、y′3的权重，
信息处理模块，用于接受来自于感知模块的数据后进行分析与优化，并传输指令给控制与执行模块；
所述信息处理模块的数据包采用双层布鲁姆过滤器；
所述布鲁姆过滤器采用长度为m的比特数组V以及k个相互独立的哈喜函数h1、h2、…、hk；当需要将元素s存储到布鲁姆过滤器时，分别计算设置h1(s)、h2(s)、…、hk(s)的值，并将V中对应位置的比特值置为‘1’；当需要判断元素u是否在布鲁姆过滤器中时，检查V中第h1(u)、h2(u)、…、hk(u)位置的比特值是否全为1，如果全为1，则元素u以较大概率在S中，如果不全为1，则u一定不在布鲁姆过滤器中；
所述信息处理模块的信号处理方法包括：获取x1和x2的接收干信比，即干扰信号与期望信号的功率比ki(i＝1,2)，信噪比以及干扰与期望信号的空间相关度cos2θ，并计算xi的接收准则
k d i v i = 1 P T i σ n 2 | | E i | | 2 ( 1 - cos 2 θ ) ; ]]>
其中，i＝1,2，为信噪比，对于i＝1，E1＝H1p1，对于i＝2，E2＝H2p2，
控制与执行模块，用于接收到指令后对配电网络进行调整与优化；
所述控制与执行模块的连续型数据预处理方法具体包括以下步骤：
步骤一、训练子集选择与生成：通过获得若干组观察数据与所属类别的信息作为算法模型建立的依据，每一条信息称为一个训练样本，若干训练样本组成训练集；若训练样本有k类，k≥2；则依据训练样本类别，由两类样本组成个训练子集，训练子集Xn表示为：
Xn＝{{xi}，{xj}}，
其中，且i≠j,{xi}和{xj}分别表示训练集中第i和第j类样本的集合；
步骤二、Fisher分类器组：
利用训练子集Xn生成Fisher判别模型yn＝fn(x)，其主要步骤如下：
1)求Xn中i，j两类样本的均值和均值和公式为：
2)求类内散度矩阵Swn：
S w n = Σ x ∈ { x i } ( x - x ‾ i ) ( x - x ‾ i ) T + Σ x ∈ { x j } ( x - x ‾ j ) ( x - x ‾ j ) T ]]>
其中是的转置矩阵；
3)求类间散度矩阵Sbn：
S b n = | x i - - x j - | ]]>
4)求投影方向Wn：
Wn＝Swn-1·Sbn
5)求Fisher判别阈值w0n：
w 0 n = W n · ( x i - + x j - ) ]]>
则得训练子集Xn对应的判别模型：yn＝fn(x)＝Wn·x-w0n；
6)按照步骤1)至步骤5)的方法求出每个训练子集对应的Fisher判别模型，生成个Fisher分类器，形成Fisher分类器组，其中第n个分类器可表示为：
y n = { f 1 ( x ) , ... , f k ( k - 1 ) 2 ( x ) } ; ]]>
步骤三、非线性连续型函数映射：
利用非线性连续函数对Fisher分类器组输出yn进行映射，若为第n个Fisher分类器输出的非线性映射，令为：
y n * = e - ( y n 2 α · w 0 n ) 2 ]]>
其中a(a>0)是为增强算法泛化性能而引入的松弛变量；若Fisher分类器组由k个分类器组成，则为数据预处理结果。
