1.一种基于物联网的烟气余热回收能源调度管理方法，其特征在于，包括以下步骤：
S1、实时收集工业生产中产生的工业余热，将工业生产中产生的工业余热转化为水蒸气；
S2、通过加压的方式，将产生的水蒸气传递到水源热泵和吸收式热泵；
S3、当水蒸气传递到水源热泵和吸收式热泵时，启动水源热泵和吸收式热泵，并通过设置的两个PID控制器，分别调度水源热泵和吸收式热泵；
S4、设定管理区域，并在设定的管理区域内，实时监测余热回收过程变化情况，并基于训练后的神经网络模型得到的预测控制量，对烟气余热回收过程进行调度；
所述两个PID控制器，分别调度水源热泵和吸收式热泵包括以下步骤：
S31、采集数据，并对数据中的水源热泵和吸收式热泵中各参数变量的状态值进行预处理，得到预处理后的标准化数据；
S32、基于预处理后的标准化数据建立神经网络预测模型；
S33、训练神经网络预测模型，得到训练后的神经网络模型；
S34、基于训练后的神经网络模型对实时采集的数据进行预测调度；
所述实时采集的数据为实时采集的余热回收能源调度过程中的数据；
所述设定管理区域，在设定的管理区域内，实时监测余热回收过程变化情况，并基于神经网络预测模型得到的预测控制量，对烟气余热回收过程进行调度具体包括以下步骤：
S41、在工业厂区内设置Q个监察点，并在每个监察点上安装温度调度设备；
基于设置的调度点，对Q个调度点进行编号Q1，Q2，……，QQ；
以调度点Q1为坐标原点，根据Q1坐标建立三维调度坐标系，并基于调度点Q1确定其他各个调度点的坐标；
将各个调度点的坐标保存在系统的数据库内；
S42、基于各个控制点安装的温度调度设备实时对烟气余热回收过程中的温度变化进行调度；
S43、基于训练后的神经网络模型得到的预测控制量，按照不同时间间隔将工业厂区的调度周期划分为日前、日内、实时三个时间尺度；
其中，日前调度以1小时为时间间隔，制定未来一天24小时工业厂区内水源热泵和吸收式热泵的工作计划；日内调度以15分钟为时间间隔，根据神经网络预测模型中最新的预测控制量对日前计划进行修正，并为实时调度提供初始值；实时调度以5分钟为时间间隔，根据实时得到预测控制量对日内调度进行调整；
在日前调度阶段，根据获得的预测控制量的预测信息并以工业厂区费用最小为目标，制定未来一天 24小时工业厂区内水源热泵和吸收式热泵的工作计划，具体方式：
其中，Ce(t)为分时电价，Cg(t)为分时气价，Z为温度值，P
为预测控制量。
2.根据权利要求1所述的一种基于物联网的烟气余热回收能源调度管理方法，其特征在于，所述采集数据，并对数据中的水源热泵和吸收式热泵中各参数变量的状态值进行预处理，得到预处理后的标准化数据包括以下步骤：
基于安装的物联网设备采集数据，所述采集的数据包括：室外温度、送回风温差、回风温度、水源热泵和吸收式热泵中各参数变量的状态值以及送风温度，在设定的室内温度范围内，通过调整室内温度的具体温度，温度每变化1℃记录一次水源热泵和吸收式热泵中各参数变量的状态值，所述水源热泵和吸收式热泵中各参数变量的状态值包括能效指标PUE；
设定采样周期，基于采样周期重复采集温度变化时水源热泵和吸收式热泵中各参数变量的状态值；
重复采集温度变化时水源热泵和吸收式热泵中各参数变量的状态值数据后，对采集到的数据进行标准化处理；
公式如下：
其中，X表示标准化处理前的数据， 表示标准化处理后的数据；Xmax
表示各参数变量的状态数据中的最大值；Xmin表示各参数变量的状态数据中的最小值。
3.根据权利要求2所述的一种基于物联网的烟气余热回收能源调度管理方法，其特征在于，所述基于预处理后的标准化数据建立神经网络预测模型包括以下步骤：
设定下一时刻的能效指标PUE和下一时刻的送风温度为被控制量；设定当前时刻室外温度、当前时刻送回风温差、当前时刻回风温度、当前时刻的能效指标PUE以及当前时刻的送风温度为控制量；
建立神经网络预测模型包括：输入层、隐含层和输出层；
神经网络预测模型输入层的输入参数包括：室外温度、送回风温差、回风温度、当前时刻的能效指标PUE以及当前时刻的送风温度；
通过Nguyen‑Widrow算法初始化权值；
设定所有输入层的权值和偏移量的初始值为一个在[‑1,1]的随机数；
设定隐含层权值初始为：
其中，vh表示为一个在[‑1,1]的随机数，H为第l‑1层神经元的数量，h表示第h个数据，k表示第k个数据； 表示第l层中神经元的权值；
隐含层偏移量的初始值为：
其中，vk表示为一个在[‑1,1]的随机数，K表示第l层神经元的数量；
G为： 。
4.根据权利要求3所述的一种基于物联网的烟气余热回收能源调度管理方法，其特征在于，所述训练神经网络预测模型，得到训练后的神经网络模型包括以下步骤：
采用N个历史数据作为样本集，通过样本集对神经网络预测模型进行训练，直至神经网络预测模型收敛，得到训练后的神经网络模型；
历史数据包括历史被控制量、历史控制量；
基于贝叶斯正则化算法训练神经网络包括以下步骤：
S331、初始化正则化参数α、β和卷积神经网络权值，设定初始值α=0，β=1；
S332、基于贝叶斯正则化修正误差函数J；
通过贝叶斯正则化修正误差函数包括以下步骤：
其中，M表示神经网络的权值数量，wj表示神经网络中第j个权值，JW表
示正则化后误差函数；
修正后的误差函数为：
其中， 表示第k个预测控制量，y(k)
表示第k个历史控制量，k表示第k个样本集，n表示样本集数量；
S333、计算误差函数J的Hessian矩阵；
设定E为J的Hessian矩阵， ；
设定有效参数的数量r， ；
其中，tr表示矩阵的迹；
S334、根据公式计算正则化参数α、β的新估计值；
其中，αp表示正则化参数α的新估计值，βp表示正则化参数
β的新估计值；wp表示J取最小值时所对应的权值；N表示样本数量；
S335、重复执行S332‑S334直至α、β收敛，得到训练后的神经网络模型。
5.根据权利要求4所述的一种基于物联网的烟气余热回收能源调度管理方法，其特征在于，所述基于训练后的神经网络模型对实时采集的数据进行预测调度包括以下步骤：
S341、基于Nguyen‑Widrow算法初始化训练后的神经网络模型的权值，并将实时采集的各项变量数据输入训练后的神经网络模型，得到神经网络模型初始输入状态量x[0]；
输入状态量x[0]包括：初始时刻的室外温度、初始时刻的送回风温差、初始时刻的回风温度、初始时刻的能效指标PUE以及初始时刻的送风温度；
S342、设定初始时刻的下一时刻为t1，输入各个被控制量的期望值x[t1]，并将初始时刻的训练后的神经网络模型的实际输出u[t0]作为初始时刻的优化的状态初值x[t0]；
其中，u[t0]表示t0时刻输出的控制量；
S343、将x[t0]、x[t1]输入训练后的神经网络模型的，输出预测控制量u[t1]；
将x[t1]、u[t1]输入训练后的神经网络模型的，得到下一时刻的被控制量x[t1+1]；
S344、保持训练后的神经网络模型的权值不变，将x[t1+i]输入训练后的神经网络模型的，得到预测控制量u[t1+i]，其中i表示当前的预测步数；
将x[t1+i]、u[t1+i] 训练后的神经网络模型的，得到预测控制量x[t1+i+1]。
6.根据权利要求5所述的一种基于物联网的烟气余热回收能源调度管理方法，其特征在于，还包括以下步骤：
S345、基于Nguyen‑Widrow算法实时调整训练后的神经网络模型的权值；
S346、重复步骤S343到S345直至 ； 表示权值的变化量，此时
，将u[1]作用于余热回收过程中的水源热泵和吸收式热泵，
并设置预测控制量间隔周期；
其中，u表示得到的预测控制量集合；u[1]表示当前周期下得到的预测控制量，u[2表示经过一个周期后得到的预测控制量，u[3]表示经过两个周期后得到的预测控制量；
u[n]表示经过n个周期后得到的预测控制量；
当输入的被控制量的期望值没变时，基于得到的预测控制量集合和预测控制量间隔周期将控制量集合中的预测控制量依次作用于余热回收过程中的水源热泵和吸收式热泵；
当输入的被控制量的期望值变化时，循环S342到S346，周期每更新一次，都会将该周期所得的预测控制量序列中的第一个预测控制量作用于余热回收过程中的水源热泵和吸收式热泵。
7.一种基于物联网的烟气余热回收能源调度管理系统，其特征在于，用以实现如权利要求1‑6任一项所述的基于物联网的烟气余热回收能源调度管理方法，所述系统包括：温度监控设备、热泵监测设备、水源热泵、吸收式热泵和PID控制器；
所述温度调度设备用于根据神经网络得到的控制量对工业厂区内水源热泵和吸收式热泵进行调度；
所述温度监控设备用于实时收集热泵监测设备的温度数据；
所述热泵监测设备用于实时收集热泵监测设备水源热泵和吸收式热泵中各项数据；
所述水源热泵用于通过烟气余热回收的蒸汽进行供暖；
所述吸收式热泵用于通过烟气余热回收的蒸汽进行供冷；
所述PID控制器用于输入控制能效指标PUE和送风温度。
8.根据权利要求7所述的一种基于物联网的烟气余热回收能源调度管理系统，其特征在于，还包括显示模块，所述显示模块用于实时显示物联网设备监测的数据。