1.一种水泥烧成过程中能耗动态实时控制方法，其特征在于，该方法包括：

样本数据选择步骤，基于互信息从水泥烧成系统的数据库选取与水泥烧制能耗相关的

9个输入变量并进行处理得到样本数据矩阵；

卷积神经网络训练步骤，构建卷积神经网络并进行使用样本数据矩阵进行训练，得到训练过后的卷积神经网络模型；

卷积神经网络模型优化步骤，以能耗最小值为优化目标对卷积神经网络模型进行优化得到多目标动态优化模型；以及控制步骤，将水泥烧成过程的生产指标及约束参数输入到多目标动态优化模型进行优化输出水泥烧成过程中的相应控制参数，并将控制参数发送至相应的控制器进行控制；

所述控制参数包括：分解炉出口温度X1、喂料量反馈X2、窑头负压X3、一级筒出口温度X4、二次风温X5、窑尾温度X6和窑电流平均值X7；

所述样本数据选择步骤具体包括：

变量选取子步骤：首先定义两个离散随机变量X和Y的互信息为：

其中，p(x,y)是X和Y的联合概率分布函数，而p(x)和p(y)分别是X和Y的边缘概率分布函数，基于该互信息表达式分析水泥烧成系统的数据库当中的变量与电耗及煤耗的关系，选择9个与电耗及煤耗相关的变量：分解炉出口温度X1、喂料量反馈X2、窑头负压X3、一级筒出口温度X4、二次风温X5、窑尾温度X6、窑电流平均值X7、历史窑系统单位电耗X8以及历史吨熟料实物煤耗X9；

数据处理子步骤：将从水泥烧成系统的数据库中提取出的样本数据通过最大最小值归一化的方法，使每个变量的数值都在[0,1]之间，将归一化后的9个变量数据按单位时间滑动，并选取t时刻到t+n时刻宽度为n的滑动窗口，将9个变量按行依次输入形成样本数据矩阵：Xi＝{Xi(t),Xi(t+1),…,Xi(t+n)},i＝1,2,3,…,9其中，Xi为第i行输入样本变量。

2.根据权利要求1所述的水泥烧成过程中能耗动态实时控制方法，其特征在于，所述卷积神经网络训练步骤具体包括：卷积子步骤，将样本数据矩阵通过输入层输入到卷积层，卷积层对输入层的输入的样本数据进行卷积操作，首先采用n1个卷积核对输入层样本数据进行纵向卷积，卷积表达式如下：ai,j＝f(wmxi,j+bm),m＝1,2,…n1

其中，用xi,j表示输入层数据第i行第j列元素，wm表示卷积核权重，用bm表示卷积核的偏置项；ai,j表示卷积后数据的第i行第j列元素；用f表示激活函数relu，表达式如下：f(x)＝max(0,x)

激活子步骤，输入层样本数据经过n1个卷积核卷积计算后由relu函数激活，激活后输出n1个神经元，每个神经元中包含一个数据矩阵，作为池化层的输入，采用q*1池化核平均池化，其表达式如下：其中，q表示池化区域的大小，ai,j卷积层输出的神经元的第i行第j列元素，D和F为单个神经元数据矩阵长度与宽度，由于池化核是纵向池化，神经元矩阵只有长度会减小，pi/q,j表示池化层输出神经元矩阵元素的第i/q行第j列元素，池化层输出的神经元再由n2个卷积核进行横向卷积和并再次进行平均池化，输出n2个神经元；

全连接处理子步骤，经过三次卷积池化后输出的神经元的矩阵数据作为全连接层的输入，全连接层将所有神经元矩阵数据所代表的特征信息整合到全连接层的神经元当中，设全连接层神经元个数为T，经过多次卷积池化后输出的每个神经元中包含k行l列元素，全连接层每个神经元由n2个[k,l]的卷积核对每个神经元矩阵中的元素进行卷积，具体表达式如下：其中，xk,l表示输入层数据第k行第l列元素；wn表示卷积核权重，用bn表示卷积核的偏置项；卷积核大小与神经元矩阵大小相同，卷积后输出一个数值，yu表示全连接层每个神经元中的数值，即卷积后的n2个数值相加得到的数值，输出层为全连接层输出向量的线性加权求和计算，输入神经元个数为T，输出为 表达式如下：其中， 即为输出的能耗值， 能表示输出的单位电耗值， 能表示输出的吨煤耗值。

3.根据权利要求2所述的水泥烧成过程中能耗动态实时控制方法，其特征在于，所述卷积神经网络模型优化是将训练好的卷积神经网络模型作为多目标优化的目标函数，以最小化煤耗与电耗为目标进行优化，包括：构建目标函数及约束变量子步骤，构建的两个目标函数与一系列变量约束如表达式：其中，f1,f2为煤耗与电耗，通过对2个目标函数加权使多目标问题简化，X1...X7属于生产被控变量，为了防止出现的解偏离实际情况，需要对每个变量均进行约束；

目标优化子步骤：

首先，种群初始化，在解空间中依据当前控制参数均匀产生M个个体，每个的维度均为

9，xi(0)＝(xi,1(0),xi,2(0),xi,3(0),...,xi,9(0))i＝1,2,3,...,M；

将种群带入到训练好的卷积神经网络模型中，计算出电耗与煤耗，并进行加权，得到综合能耗指标值，判断是否满足终止条件，满足即输出最优值；

然后，进行变异、交叉、约束处理、选择操作如下：

变异处理：在第g次迭代中，从种群随机选择3个个体Xp1(g),Xp2(g),Xp3(g)且p1≠p2≠p3≠i，生成的变异向量为：Hi(g)＝Xp1(g)+F·(Xp2(g)-Xp3(g))

其中，Xp1(g)为被变异的个体，Xp2(g),Xp3(g)为随机挑选出对Xp1(g)进行变异的个体，F是缩放因子,生成的Hi(g)称之为第一中间向量；

交叉处理的表达式为：

将上述第一中间向量Hi(g)与Xp1(g)进行交叉操作，其中，cr∈[0,1]为交叉概率，rand(0,1)为0-1之间的随机数，若随机数小于等于cr，则选择hi,j(g)，否则选择xi,j(g)，经过交叉，生成第二中间向量Vi(g)；

约束处理：将生成的第二中间向量Vi(g)进行约束处理，即对变异向量中不符合实际情况的某个指标值进行处理，若高于约束则按照约束最大值赋值，若低于约束则按照约束最小值赋值；

选择，约束处理过后的第二中间向量Vi(g)，同Xp1(g)对比，挑选出更优的个体作为下一代种群，选择方式为：其中，xi(g+1)为下一代种群中的个体，Vi(g)为经过变异、交叉、约束处理后的第二中间向量，Xi(g)即为Xp1(g)，二者进行比较，若Vi(g)比Xi(g)有优势，则选Vi(g)，否则选Xi(g)。

4.根据权利要求3所述的水泥烧成过程中能耗动态实时控制方法，其特征在于，所述缩放因子F的取值范围为0～2之间。

5.根据权利要求4所述的水泥烧成过程中能耗动态实时控制方法，其特征在于，所述控制步骤的操作为：首先根据水泥生产当天确定的日生产指标与控制参数约束范围，然后将生产指标与控制参数输入至多目标优化模型当中，得到基于当前的最优控制参数，通过调节相应的控制器达到最优控制参数，由于实际控制参数值与理想控制参数值存在着误差，将记录的实际控制参数值再输入到卷积神经网络当中更新训练好的卷积神经网络模型，从而更新多目标优化模型的适应度函数，并根据实际控制参数值确定新的控制参数约束，从而实时调剂控制参数。