1.一种基于多时间尺度优化的烧结过程碳效优化方法，其特征在于：包括以下步骤：

S101：设定综合焦比和CO/CO2作为衡量烧结过程的碳效指标，并通过烧结过程的机理分析和数据驱动的分析方法得到影响所述碳效指标的关键过程参数，进而根据所述关键过程参数，采用RBF神经网络建立碳效指标预测模型；所述关键过程参数包括原料参数、操作参数和状态参数；

S102：结合所述碳效指标预测模型，采用一种基于多时间尺度的碳效优化方法对烧结过程进行碳效优化，即在不同的时间尺度上，采用不同的优化策略对烧结过程进行碳效优化，得到最优碳效指标、最佳操作参数和最佳原料参数，进而根据所述最佳操作参数和最佳原料参数对烧结过程进行控制，以达到实际碳效优化的目的。

2.如权利要求1所述的一种基于多时间尺度优化的烧结过程碳效优化方法，其特征在于：步骤S101中，具体包括如下步骤：S201：定义CO/CO2和综合焦比为烧结过程的碳效指标；其中，CO/CO2为一氧化碳与二氧化碳的比值，其大小与烧结过程中碳的燃烧程度密切相关；综合焦比的含义是生产一吨成品烧结矿所消耗的碳量，其计算公式如下：上式中，η为综合焦比，PC表示混合料中焦粉的配比，γb表示烧损率，Y表示成品率，QL、QS和QR分别表示大成矿、小成矿产量以及返矿，QG表示铺底料；

S202：选取碱度R、转鼓强度J和铁品位TFe作为衡量烧结矿的质量指标，并将该质量指标作为碳效优化的约束条件；

S203：通过烧结过程的机理分析，确定影响状态参数和碳效指标的原料参数和操作参数，并通过Spearman相关性分析方法计算状态参数与碳效指标之间的相关性，进而得到影响碳效指标中的综合焦比和CO/CO2的具体状态参数；

S204：在确定了状态参数与碳效指标之间的相关性的基础上，采用RBF神经网络预测模型作为数据驱动模型，以原料参数和操作参数为输入，以状态参数中的BRP和TBRP为输出，建立状态参数预测模型，以得到原料参数、操作参数与BRP和TBRP之间的对应关系，并在该对应关系的基础上，采用RBF神经网络预测模型，以状态参数为输入，碳效指标为输出，建立碳效指标预测模型。

3.如权利要求1所述的一种基于多时间尺度优化的烧结过程碳效优化方法，其特征在于：步骤S101中，所述原料参数包括：返矿PRS，焦粉配比PC、SiO2含量CSiO2、CaO含量CCaO、TFe含量TFe和MgO含量CMgO；所述操作参数包括：台车速度VT、料层厚度H、水分配比M和点火温度T；

所述状态参数包括：风箱负压CN、垂直燃烧速度Vavg、温度上升点位置BRP、温度上升点温度TBRP、烧结终点位置BTP和烧结终点温度TBTP。

4.如权利要求1所述的一种基于多时间尺度优化的烧结过程碳效优化方法，其特征在于：步骤S102中，所述不同的时间尺度包括短时间尺度和长时间尺度；所述的不同的优化策略包括短时间尺度优化策略和长时间尺度优化策略；所述短时间尺度为x小时，所述长时间尺度为y天，且所述x和y均大于0，根据实际情况自行预先设定，所述操作参数每间隔一个所述短时间尺度更新一次，所述原料参数每间隔一个所述长时间尺度更新一次；每隔一个所述短时间尺度，采用所述短时间尺度优化策略对烧结过程进行一次碳效优化，每隔一个所述长时间尺度，采用所述长时间尺度优化策略对烧结过程进行依次碳效优化；根据不同时间尺度的周期不同，交替进行不同时间尺度的优化策略，达到多时间尺度优化烧结过程碳效的目的。

5.如权利要求4所述的一种基于多时间尺度优化的烧结过程碳效优化方法，其特征在于：所述短时间尺度优化策略，具体为：在短时间尺度上，根据所述碳效指标预测模型，以操作参数为决策变量，质量指标为约束条件，进行短时间尺度的优化；具体步骤如下：S301：以综合焦比和CO/CO2最小为优化目标，建立如下式所示的优化目标：

min{Fi1}

上式中，Fi1表示第i个目标的优化函数；i＝1,2；i＝1时，代表CCR；i＝2时，代表CO/CO2；

S302：采用多目标转单目标的线性加权和的方法，将步骤S301中的所述优化目标进行转化，并结合所述碳效指标预测模型，得到如下的优化策略：上式中，BRP＝YBRP(·)和 分别表示状态参数预测模型中原料参数、操作参

数与温度上升点位置BRP和温度上升点温度TBRP之间的对应关系；Fi1＝Yi(·)表示碳效指标预测模型中状态参数与碳效指标之间的对应关系；Rmin、Rmax分别为预设的碱度最小值和最大值，Jmin和Jmax分别为预设的转鼓强度最小值和最大值，TFemin和TFemax分别为预设的铁品位最小值和最大值，Opjmin和Opjmax分别为预设的第j个操作参数的操作范围；j＝1,2,3,4；j＝1时，代表H，j＝2时，代表VT；j＝3时，代表M；j＝4时，代表T；

S303：采用遗传优化方法对步骤S302中的所述优化策略进行求解，得到碳效指标最优时的最佳操作参数。

6.如权利要求5所述的一种基于多时间尺度优化的烧结过程碳效优化方法，其特征在于：步骤S303中，采用遗传优化方法对步骤S302中的所述优化策略进行求解时，以优化目标线性加权和的值为优化目标，进行遗传优化算法的迭代更新，当迭代次数到了预设的数目或者输出趋于稳定时，结束迭代，获得最佳操作参数和最优碳效指标。

7.如权利要求4所述的一种基于多时间尺度优化的烧结过程碳效优化方法，其特征在于：所述长时间尺度优化策略，具体为：在长时间尺度上，根据所述碳效指标预测模型，以原料参数和操作参数为决策变量，质量指标为约束条件，进行长时间尺度优化具体步骤如下：S401：以状态参数作为决策变量，以综合焦比和CO/CO2最小为优化目标，质量指标作为约束条件，并结合所述碳效指标预测模型，得到以下第一多目标优化表达式：上式中，F12和 分别表示综合焦比和CO/CO2；Snmin和Snmax分别表示预设的第n个状态参数的最小值和最大值，n＝1,2,…，6，且n＝1,2,…,6分别代表BTP、TBTP、BRP、TBRP、VAVG、CN；求解该第一多目标优化表达式，得到最佳状态参数；

S402：将α1和α2最小为优化目标，以原料参数和操作参数为决策变量，得到如下第二多目标优化表达式：min{α1,α2}

上式中，α1和α2为中间变量；OBRP和OTBRP表示BRP和TBRP在步骤S401中所述最佳状态参数中所对应的优化值，Rmkmin和Rmkmax表示预设的第k个原料参数的最小值和最大值，k＝1,

2,…,5，且k＝1,2,…,5分别代表PC、PRS、CCaO、CMgO、CSiO2；Opjmin和Opjmax分别表示预设的第j个操作参数；j＝1,2,3,4；j＝1时，代表H，j＝2时，代表VT；j＝3时，代表M；j＝4时，代表T；

求解该第二多目标优化表达式，得到碳效指标最优时的最佳操作参数和最佳原料参数。

8.如权利要求7所述的一种基于多时间尺度优化的烧结过程碳效优化方法，其特征在于：步骤S401中，采用多目标粒子群算法求解所述第一多目标优化表达式：以综合焦比和CO/CO2最小为优化目标，进行多目标粒子群算法的迭代更新，当到达迭代设定次数或者输出趋于稳定时停止迭代更新，得到Pareto最优解集，采用如下公式进行解集筛选：S＝|b1i-b2i|

上式中，b1i和b2i分别表示优化的解和当前的状态参数的值，i＝1,2,…,6；当S最小时的优化解即为筛选后的最佳状态参数。

9.如权利要求7所述的一种基于多时间尺度优化的烧结过程碳效优化方法，其特征在于：步骤S402中，采用多目标粒子群算法求解所述第二多目标优化表达式：以α1和α2最小为优化目标，进行多目标粒子群算法的迭代更新，当到达迭代预设次数或者输出趋于稳定时停止更新，得到Pareto最优解集。