1.一种水泥生料粉磨系统电耗预测方法，其特征在于，其包括以下步骤：步骤1：将出磨斗提电流反馈、喂料斗提电流反馈、喂料量反馈、选粉机转速反馈、入库提升机电流反馈、主机电流和选粉机进口压力作为系统变量，将筛选出的系统变量数据和对应的电耗数据采用滑窗操作构建输入数据矩阵，将处理完成的系统变量数据矩阵和对应电耗数据矩阵作为模型的输入；

步骤2：以长短期记忆网络为基本模型，采用编解码结构，建立包括编码器和解码器在内的电耗预测模型，编码器根据长短期记忆网络t时刻的输入数据矩阵xt和上一时刻的输出ht‑1，得到t时刻编码器中长短期记忆网络的输出ht：ht＝f(xt,ht‑1)                                    (1)式中，f()表示xt和ht‑1之间的映射关系，将过去各个时刻长短期记忆网络的输入拼接到一起，获得编码器的输出Z：

Z＝[h1,h2,…,ht]                       (2)解码器将编码器的输出和历史电耗数据矩阵进行拼接，将拼接的数据矩阵作为解码器的输入，并对未来下一时刻的电耗进行预测，在解码器中，该长短期记忆网络的门控单元和记忆单元状态更新值分别为：

d

ft＝σ(Nf[Yt；Zj；dt‑1]+lf)                               (5)式中，Yt表示t时刻的电耗值、Zj为对应时刻的编码器输出向量、dt‑1为前一时刻解码器中长短期记忆网络的隐藏层输出向量、Ni,No,Nf,Ns,li,lo,lf,ls为所需要学习的模型参数、是t时刻解码器中长短期记忆网络的输入门阈值、 是t时刻解码器中长短期记忆网络的d

输出门阈值、ft是t时刻解码器中长短期记忆网络的遗忘门阈值、 是t时刻解码器中长短期记忆网络的状态更新矩阵；

解码器的记忆单元更新方式为：

式(7)中，st为t时刻记忆状态更新向量，st‑1为上一时刻的记忆状态；

解码器的输出向量dt为：

根据解码器输出dt，经过一个全连接层得到下一时刻的电耗预测值式中，WT、bT为所要学习的参数；

步骤3：对步骤2中所得出的下一时刻电耗预测值，根据样本的标签，采用反向传播技术对编码器和解码器中的参数进行更新修正；

步骤4：重复步骤2和步骤3，对模型进行训练，直到模型的训练误差小于设定的阈值再停止训练；

步骤5：将训练完成的模型用于生料粉磨系统进行电耗的实时预测。

2.根据权利要求1所述的水泥生料粉磨系统电耗预测方法，其特征在于：在步骤2中，所构建的系统变量输入数据矩阵横向为不同的变量，竖向为不同的时序。

3.根据权利要求1所述的水泥生料粉磨系统电耗预测方法，其特征在于：在步骤2中，所述编码器和解码器分别包括一个独立的长短期记忆网络，编码器输入系统变量数据矩阵，解码器输入历史电耗数据矩阵和编码器的输出矩阵，并输出未来下一时刻电耗的预测值。

4.根据权利要求1所述的水泥生料粉磨系统电耗预测方法，其特征在于：在步骤4中，选择电耗的预测值和真实值的均方误差作为目标函数：式中，L为目标函数、yi为真实电耗值、 为预测电耗值、n为样本数、编码器权重参数为Wi,Wo,Wf,Wc,bi,bo,bf,bc，是编码器输入门的权重、Wo为编码器输出门的权重、Wf为编码器遗忘门的权重、Wc为编码器记忆单元的权重、bi为编码器输入门的偏置、bo为编码器输出门的偏置、bf为编码器遗忘门的偏置、bc为编码器记忆单元的偏置；

编码器中参数的梯度为：

式(11)中，ΔWc为Wc的梯度、 为目标函数L对参数Wc的偏导、 为t时刻目标函数Le

对a的偏导；

e

式(12)中，ΔWf为Wf的梯度、 为目标函数L对参数Wf的偏导、δft为t时刻目标函数Le

对遗忘门f的偏导；

式(13)中，ΔWi为Wi的梯度、 为目标函数L对参数Wi的偏导、 为t时刻目标函数L对e

输入门i的偏导；

式(14)中，ΔWo为Wo的梯度、 为目标函数L对参数Wo的偏导、 为t时刻目标函数L对e

输出门o的偏导；

式(15)中，Δbi为bi的梯度、 与 均为t时刻目标函数L对输入门空单元it的偏导；

式(16)中，Δbf为bf的梯度、 与 均为t时刻目标函数L对编码器遗忘门控单元ft的偏导；

式(17)中，Δbo为bo的梯度、 与 均为t时刻目标函数L对输出门空单元ot的偏导；

式(18)中，Δbc为bc的梯度、 与 均为t时刻目标函数L对记忆单元at的偏导；

根据所求得的梯度对编码器中的参数进行更新：Wc＝Wc‑μ·ΔWc                                     (19)Wf＝Wf‑μ·ΔWf                                     (20)Wi＝Wi‑μ·ΔWi                                     (21)Wo＝Wo‑μ·ΔWo                                     (22)bc＝bc‑μ·Δbc                                     (23)bf＝bf‑μ·Δbf                                     (24)bi＝bi‑μ·Δbi                                     (25)bo＝bo‑μ·Δbo                                     (26)式中，μ表示网络的学习率；

在解码器中，解码器权重参数Ni,No,Nf,Ns,li,lo,lf,ls的梯度为：d

式(27)中，ΔNs为Ns的梯度、 为目标函数L对参数Ns的偏导、δa t为t时刻目标函数Ld d

对a的偏导,xt为t时刻解码器的输入数据；

d

式(28)中，ΔNf为Nf的梯度、 为目标函数L对参数Nf的偏导、δft为t时刻目标函数Ld

对遗忘门f的偏导；

式(29)中，ΔNi为Ni的梯度、 为目标函数L对参数Ni的偏导、 为目标函数L对输入d

门i的偏导；

式(30)中，ΔNo为No的梯度、 为目标函数L对参数No的偏导、 为目标函数L对输出d

门o的偏导；

d

式(31)中，Δli为li的梯度、 与 均为t时刻目标函数L对解码器输入门控单元i t的偏导；

d

式(32)中，Δlf为lf的梯度、 与 均为t时刻目标函数L对解码器遗忘门控单元f t的偏导；

d

式(33)中，Δlo为lo的梯度、 与 均为t时刻目标函数L对解码器输出门控单元o t的偏导；

d

式(34)中，Δls为ls的梯度、 与 均为t时刻目标函数L对解码器记忆单元at的偏导；

根据所求得的梯度对编码器中的参数进行更新：Ns＝Ns‑μ·ΔNs                                    (35)Nf＝Nf‑μ·ΔNf                                    (36)Ni＝Ni‑μ·ΔNi                                    (37)No＝No‑μ·ΔNo                                    (38)ls＝ls‑μ·Δls                                    (39)lf＝lf‑μ·Δlf                                    (40)li＝li‑μ·Δli                                    (41)lo＝lo‑μ·Δlo                                    (42)式中，μ表示网络的学习率。

5.一种根据权利要求1‑4之一所述的水泥生料粉磨系统电耗预测方法的预测系统，其特征在于，其包括：

数据获取模块，用于从数据库中提取生料粉磨系统的历史电耗数据和对应时刻的系统工况信息；

预处理模块，将数据库中提取到的数据处理成能够输入预测模型的数据类型；

训练模块，采用反向传播算法对所提出的预测模型进行训练，得到水泥生料粉磨系统的电耗预测模型；

预测模块，将训练完成的模型用于水泥生料粉磨系统电耗的实时预测。