1.一种基于极限学习机的水泥磨系统电耗指标预测方法，其特征在于，其步骤包括：步骤1：确定输入、输出变量；

通过对水泥磨系统的运行分析，确定与水泥磨电耗相关的输入变量为喂料量反馈、出磨斗提电流反馈、选粉机转速反馈、喂料斗提电流反馈、入库提升机电流反馈、比表面积、主机电流及选粉机进口压力共八个工业参量，确定输出变量为水泥磨吨电耗；

步骤2：提取输入、输出变量；

将水泥磨系统设备中的历史数据存入数据库，从数据库中提取所述输入变量和输出变量；

步骤3：对PSO算法改进得到IPSO算法；

改进的IPSO算法中的位置更新模型为：其中，wi为惯性权重，fiti为当前粒子第i次迭代的适应度值，Pgd为算法的全局最优值，k，k+1分别表示第k次、第k+1次迭代；c1和c2为加速因子，令c1＝c2＝2；r1和r2为分布于[0,1]T

之间的随机数；Mi为第i个粒子为S维的向量，Mi＝(Mi1,Mi2,…,Mid,…,Mis) ,Mid为第i个粒子T

在d维空间中的位置；Vi＝(Vi1,Vi2,…,Vid,…,Vis) 为第i个粒子的速度,Vid为第i个粒子在dT

维空间中的速度；Pi＝(Pi1,Pi2,…,Pid,…,Pis)为第i个粒子的个体极值，Pid为第i个粒子在T

d维空间的个体极值；Pg＝(Pg1,Pg2,…,Pgd,…,Pgs) 为种群全局极值，Pgd为种群g在d 维空间的全局极值；

步骤4：利用IPSO算法及所述提取的输入、输出变量值对ELM模型参数进行寻优，得到ELM模型的寻优变量：神经元个数L、输入层权重w和隐含层偏置b；

步骤5：利用所述寻优变量及所述提取的输入、输出变量值对ELM预测模型进行训练，得到输出权重

步骤6：构建基于IPSO‑ELM的水泥磨系统电耗指标预测模型为：其中，j＝1，2，…，L，L为隐含层神经元的个数， 为输出权重， 为激活函数，Wj为隐含层第j个神经元的输入权重矩阵，X＝[x1,x2,…xi,…,x7,x8]为输入变量时间序列数据集，xi＝[xi1,xi2,…,xit]i＝1,2…8，t为时间序列的长度，bj为隐含层第j个神经元的偏置；

步骤7：进行在线预测；

将实时输入变量数据输入基于IPSO‑ELM的水泥磨系统电耗指标预测模型，得到实时的水泥磨吨电耗数值，实现水泥磨系统电耗指标的在线预测。

2.根据权利要求1所述的基于极限学习机的水泥磨系统电耗指标预测方法，其特征在于，所述步骤4中寻优过程如下：步骤41：对种群进行初始化，设置粒子群的初始位置和初始速度；

步骤42：根据适应度函数，计算每个粒子的适应度值；

步骤43：对每个粒子进行位置比较，即对经过的位置和上一次的位置进行比较，如果适应度低于上一次的位置，就取代上一次的位置；

步骤44：对个体最优位置和群体最优位置进行比较，如优于群体最优位置，就取代群体最优位置；

步骤45：根据公式更新粒子速度和位置；

步骤46：判断是否满足终止条件，若满足则停止运算，否则返回第二步重新开始。

3.根据权利要求1所述的基于极限学习机的水泥磨系统电耗指标预测方法，其特征在于，所述步骤5中模型训练的具体步骤如下：首先利用构建好的输入输出层数据结合IPSO‑ELM算法，进行IPSO‑ELM水泥磨系统电耗预测模型的训练：

T T

对N个任意样本(Xi,ti)，其中，Xi＝[xi1,xi2,xi3,…,xin] ，ti＝[ti1,ti2,ti3,…,tim] ∈m

R，则存在L个隐含层节点的ELM预测模型表示为：其中，oi是ELM预测模型的输出，n为输入变量的个数，m为输出变量的个数，βj为隐含层第j个神经元的输出权重， 为激活函数，L为隐含层神经元的个数，Wj为隐含层T

第j个神经元的输入权重矩阵，Xi＝[xi1,xi2,xi3,…,xin]为输入变量值，bj为隐含层第j个神经元的偏置；N为样本总数；

ELM网络训练的目标就是使预测值与真实值之间的误差最小，表达式为：即存在Wj，bj，βj使得：上述表达式的矩阵表达形式为：Hβ＝T           (5)其中：

其中，H的第i列是对输入Xi第i个隐藏节点的输出，其中T表示样本的实际值，神经元个数L、输入权重w和隐含层偏置b由IPSO算法确定；

训练基于极限学习机的电耗预测模型即寻找系统的最小二乘解求得输出权值矩阵：

称为H矩阵的摩尔‑彭罗斯广义逆，并且该等式对应的解具有唯一性，使其训练误差达到最小。

4.根据权利要求1所述的基于极限学习机的水泥磨系统电耗指标预测方法，其特征在于，所述步骤6中，t＝50，即输入数据为当前时点之前50分钟的输入变量数据构成的时间序列数据。

5.根据权利要求1所述的基于极限学习机的水泥磨系统电耗指标预测方法，其特征在于，所述步骤6中，y为当前时点未来10分钟水泥磨吨电耗。