1.一种基于水泥工业的实时动态水泥粉磨系统能耗优化方法，其特征在于，所述方法包括：步骤1：通过对水泥磨系统的运行分析，结合主成分分析法选取出与能耗相关的8个运行指标作为输入变量以及1个运行指标作为输出变量；

采用OPC技术将水泥工业DCS设备数据，提取并导入到SQL Server数据库中，从历史数据中提取出选取的8个输入变量及1个输出变量；

采用人工经验去除法和3σ准则筛选法相结合的策略去除提取出的数据中的异常数据，然后对每个变量的进行最大值最小值归一化处理；构建输入层输出层数据；

步骤2：利用步骤1构建好的输入输出层数据结合极限学习机算法，将水泥磨系统实际生产中的实时工业参量数据输入到极限学习机预测模型中进行训练，实现水泥磨系统电耗的在线预测；

步骤3：建立基于天牛须搜索算法的优化模型，将步骤2中训练好的极限学习机模型作为优化模型的目标函数，以能耗的最小值作为优化指标，通过所述优化模型的实现算法得到符合当前工况的输入变量的最优值；周期性的将未来时刻的实际生产数据保存至数据库中，并重新输入到ELM预测模型中再次训练，保证预测能够实时跟踪工况，并且更新通过优化模型输出的最优值和决策变量；

步骤4：利用步骤3中建立的优化模型的输出吨电耗以及最优决策变量，对水泥磨系统的各个工业参量进行调节，以达到最优生产状态。

2.根据权利要求1所述的方法，其特征在于，输入变量分别为：喂料量反馈X1、出磨斗提电流反馈X2、选粉机转速反馈X3、喂料斗提电流反馈X4、入库提升机电流反馈X5、比表面积X6、主机电流X7、选粉机进口压力X8；输出变量为：吨电耗Y。

3.根据权利要求1所述的方法，其特征在于，所述人工经验去除法包括：根据现场工作人员的经验结合历史生产数据分布来制定的一个大异常数据去除策略，以各参量的期望值为中心，将历史数据中小于0.1倍期望值的数据和大于10倍期望值的数据去除掉。

4.根据权利要求1所述的方法，其特征在于，所述3σ准则筛选法的公式如下：其中，σi为该变量数据集合的标准差，U(xi)为数据xi的筛选法则， 为该变量数据集合的平均值，xi为输入变量中第i个数据；

当U(xi)＝0时，数据xi是异常数据，当U(xi)＝1时，数据xi为正常数据；当U(xi)＝0时剔除数据，当U(xi)＝1时保留数据。

5.根据权利要求1所述的方法，其特征在于，对N个任意输入，m个输出的样本(Xi,ti)，其T T m中，Xi＝[xi1,xi2,xi3,…,xin] ，ti＝[ti1,ti2,ti3,…,tim]∈R ，则存在L个隐含层节点的ELM网络表示为：其中，Wj为输入权重矩阵，bj为隐层第j个节点的偏置，g(x)为激活函数，βj为输出权重，ti是实际的输出值。

6.根据权利要求1所述的方法，其特征在于，所述优化模型的实现算法，包括：对于多维优化问题，定义目标函数f为ELM预测算法，并初始化天牛的坐标x0、天牛质心0

到两触角的距离d；

计算第t次左、右须的坐标：

t t

xL＝x+db；

t t

xR＝x‑db；

t t

其中，x 为第t次迭代后天牛的坐标，d 为t次迭代天牛质心到两须之间的距离，随机生成的标准化方向向量b，xL、xR分别表示天牛左须和右须的坐标；通过比较左、右两须的目标函数值对天牛的位置进行更新：t t‑1 t

x＝x +δbsign(f(xR)‑f(xL))；

然后动态更新天牛须每次移动的步长：

t t‑1

δ＝ηδδ ；

t t

其中δ代表第t次迭代时天牛移动的步长，x表示第t次迭代时天牛的位置，ηδ代表步长的更新衰减系数，取ηδ＝0.95；

若天牛位置更新后，当f(x(t+1))≥f(xt)即下次迭代的适应度值大于或者等于当前次迭代的适应度值，天牛的更新天牛的移动步长及方向，反之当f(x(t+1))≤f(xt)即下次迭代的适应度值小于上一次迭代的适应度值，保持天牛的步长和方向不变，通过迭代寻找到最优解；

将天牛须搜索优化算法生成的天牛位置向量进行约束处理，即对不符合实际的天牛位置的某个指标值进行处理，如果高于约束上限则按照约束的最大值赋值，如果低于约束下限，则按照约束的最小值赋值。

7.根据权利要求1所述的方法，其特征在于，还包括：将实际值输入到极限学习机预测模型中，更新极限学习机预测模型从而更新优化模型的适应度函数，并根据实际生产数据确定新的运行指标的约束。