为工业过程设计可靠的集成能源系统，需要在从架构级选型到高保真动态运行的多重保真度上进行优化与验证。然而，不同保真度模型之间的不匹配会掩盖性能损失的根源，并使量化从架构到运行的性能差距变得复杂。 研究提出一种在线、机器学习加速的多分辨率优化框架。该框架旨在估算特定架构下可实现的性能上限，同时最大限度地减少昂贵的高保真模型评估。该方法在一个为工业热负荷供能的试点能源系统上进行了演示。 首先，通过求解多目标架构优化问题来选择系统配置和组件容量。随后，开发了一种机器学习加速的多分辨率、滚动时域最优控制策略。该策略在给定架构优化模型未捕获的额外控制和动态条件下，使系统运行性能逼近该架构的可实现性能边界。 机器学习引导的控制器根据预测不确定性自适应地调度优化分辨率，并利用优质低保真解来热启动高保真求解。在试点案例研究中，所提出的多分辨率策略相较于基于规则的控制器，将架构到运行的性能差距显著缩小。同时，与没有机器学习引导的同类多保真度方法相比，所需的高保真模型评估次数也大幅减少。 这些改进共同使得高保真验证变得可行，为可实现的运行性能提供了一个实用的上限，从而实现了更快、更可靠的设计验证。