基于BP神经网络与MPSO算法的铝电解节能减排控制方法技术

本发明专利技术提供了一种基于BP神经网络与MPSO算法的铝电解节能减排控制方法，首先，利用BP神经网络对铝电解生产过程进行建模，然后，利用基于多目标粒子群算法对生产过程模型进行优化，得到各决策变量的一组最优解以及该最优解对应的电流效率、吨铝能耗以及全氟化物排放量。MPSO算法不需要进行交叉、变异操作，因此编码过程简单、容易实现，且与其他算法相比，MPSO算法具有记忆性，即保留了所有全局最优值和局部最优值，保证了在种群进化过程中最优取值的完整性。该方法确定了铝电解生产过程中工艺参数的最优值，有效提高了电流效率，降低了吨铝能耗，减少了温室气体排放量，真正达到节能减排的目的。

【技术实现步骤摘要】

本专利技术设及侣电解生产过程中的自动控制技术，具体设及一种基于BP神经网络与 MPS0算法的侣电解节能减排控制方法。
技术介绍
侣电解是一个复杂的工业生产过程，通常采用拜耳法进行冶炼，然而，该方法耗能 巨大且效率低。与此同时，侣电解生产过程中会产生大量溫室气体，环境污染严重。因此，在 保证侣电解槽平稳生产的前提下，如何提高电流效率、降低能耗、降低污染气体排放量，W 实现高效、节能、减排已成为侣电解企业的生产目标。但是，侣电解槽内部复杂的物料化学 变化W外部多种不确定作业因素导致槽内参数较多，参数间呈现出非线性、强禪合性等特 点，且诸如极距、保溫材料厚度等参数难W实时测量、调整，给侣电解生产过程控制优化带 来一定难度。
技术实现思路
本申请通过提供一种基于BP神经网络与MPS0算法的侣电解节能减排控制方法，W 解决现有技术中侣电解生产过程中因无法获得最优工艺参数而导致的耗能巨大、效率低且 严重污染环境的技术问题。 为解决上述技术问题，本申请采用W下技术方案予W实现：[000引一种基于BP神经网络与MPS0算法的侣电解节能减排控制方法，包括如下步骤： S1:选择对电流效率、吨侣能耗W及全氣化物排放量有影响的控制参数构成决策 变量X=，M为所选参数的个数； S2:选定侣电解工业现场，采集N组决策变量Xi，X2，…，Xn及其对应的电流效率yi， 72，…，yN、吨侣能耗Z1，Z2，· · ·，ZN W及全氣化物作S1，S2，· · ·，SN为数据样本，W每一个决策变量 Xi作为输入，分别W对应的电流效率yi、吨侣耗能ZiW及全氣化物Si作为输出，运用BP神经 网络对样本进行训练、检验，建立侣电解槽生产过程模型. S3:利用多目标粒子群算法，即MPS0算法，对步骤S2所得的Ξ个生产过程模型进行 优化，得到一组最优决策变量Xbest及其对应的电流效率ybest、吨侣能耗ZbestW及全氣化物 Sbest; S4:按照步骤S3所得的最优决策变量Xbest中的控制参数来控制步骤S2中所选定的 侣电解工业现场，使其达到节能减排。 结合实际生产情况，步骤S1中选定了 8个参数构成决策变量，分别为系列电流、下 料次数、分子比、出侣量、侣水平、电解质水平、槽溫和槽电压。 为了满足建模需求，步骤S2中的BP神经网络由输入层、隐藏层和输出层构成； 针对电流效率所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏层 采用13个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间传递函数为化nsig 函数，隐藏层到输出层之间的函数为化relin函数，样本训练时的迭代次数为800; 针对吨侣能耗所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏层 采用12个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间传递函数为Logsig 函数，隐藏层到输出层之间的函数为化relin函数，样本训练时的迭代次数为800; 针对全氣化物所构建的生产过程模型而言，其输入层采用8个神经元节点，隐藏层 采用13个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间传递函数为化nsig 函数，隐藏层到输出层之间的函数为化relin函数，样本训练时的迭代次数为800。 进一步地，步骤S3中的MPS0算法包括W下步骤： S31:评价每个粒子的适应度，并根据优劣对个体最优值和全局最优值进行替换： S311:初始化系统参数，包括种群规模R，最大迭代次数T，随机生成η个粒子XI， Χ2，…，Χη，加速因子C1、C2，其中C1为粒子向个体极值移动的加速权重，C2为粒子向全局最优 值移动的加速权重，令外部存档集Q为空； S312:计算初始适应度，衡量粒子在当前位置的优化程度； S313:将每个粒子当前适应度Pi和个体最优适应度;进行比较，若当前适应度Pi支 配个体最优适应度^*^，则将当前适应度91代替个体最优适应度;.，否则，保留原有的个体最优 适应度；1 S314:更新外部存档集Q，将种群中所有的非支配集加入存档集Q，删除被支配的粒 子； S315:利用拥挤机制和禁忌算法在外部存档集Q中随机选择一个粒子作为全局最 优值； S32:更新种群： S321:更新粒子自身的速度和位置，其中粒子速度更新公式为：[002引式中，带为k+1时刻第i个粒子的第d维的速度，h为粒子速度的约束因子，有利于减 小振荡，且C二Ci+ &，w为限制历史速度的惯性因子，W越大，粒 子速度越快，有利于跳出局部最小点，W越小，捜索范围越小，有利于算法的收敛，诗为k时刻 第i个粒子的第d维的速度，C1为粒子向个体极值移动的加速权重，C2为粒子向全局最优值移 动的加速权重，ri 为均匀分布在(0，1)区间的随机数，试为k时刻第i个粒子本身的最优 位置的第d维变量，Aid为k时刻全局最优位置的第d维变量，域为k时刻第i个粒子的位置； 粒子的位置更新公式为： S322:判断当前全局最优解是否满足条件或者迭代次数是否达到最大迭代次数T， 如果是，则输出当前全局最优解，否则，跳转至步骤S312进行重复计算，直到当前全局最优 解满足条件或者迭代次数达到最大迭代次数T。 与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是:该方法确定 了侣电解生产过程中工艺参数的最优值，有效提高了电流效率，降低了吨侣能耗，减少了溫 室气体排放量，真正达到节能减排的目的。【附图说明】 图1为本专利技术的方法流程图； 图2为CF4排放量预测结果图；图3为CF4排放量预测误差图 图4为电流效率预测结果图； 图5为电流效率预测误差图； 图6为吨侣能耗排放量预测结果图； 图7为吨侣能耗排放量预测误差图。【具体实施方式】 本申请实施例通过提供一种基于BP神经网络与MPS0算法的侣电解节能减排控制 方法，W解决现有技术中侣电解生产过程中因无法获得最优工艺参数而导致的耗能巨大、 效率低且严重污染环境的技术问题。 为了更好的理解上述技术方案，下面将结合说明书附图W及具体的实施方式，对 上述技术方案进行详细的说明。[003引实施例 如图1所示，一种基于BP神经网络与MPS0算法的侣电解节能减排控制方法，包括如 下步骤： S1:选择对电流效率、吨侣能耗W及全氣化物排放量有影响的控制参数构成决策 变量X=，M为所选参数的个数； 实施是通过统计侣电解生产过程中对电流效率、吨侣能耗W及全氣化物排放量有 影响的原始变量，并从中确定对电流效率、吨侣能耗W及全氣化物排放量影响大的参数作 为决策变量X; 通过对实际工业生产过程中测量参数进行统计得到对电流效率、吨侣能耗W及全 氣化物排放量影响最大的变量为:系列电流XI、下料次数X2、分子比X3、出侣量X4、侣水平X5、 电解质水平X6、槽溫X7、槽电压X8共8个变量。 S2:选定侣电解工业现场，采集N组决策变量Xi，X2，…，Xn及其对应的电流效率yi， 72，…，yN、吨侣能耗Z1，Z2，· · ·，ZN W及全氣化物作S1，S2，· · ·，SN为数据样本，W每一个决策变量 Xi作为输入，分别W对应的电流效率yi、吨侣耗能ZiW及全氣化物Si作为输出，运用BP神经 网络对样本进行训练、检验，建立侣电解槽生产过程模型. 在本实施例中，采集重庆天泰侣本文档来自技高网...

【技术保护点】
一种基于BP神经网络与MPSO算法的铝电解节能减排控制方法，其特征在于，包括如下步骤：S1：选择对电流效率、吨铝能耗以及全氟化物排放量有影响的控制参数构成决策变量X＝[x1,x2,…,xM]，M为所选参数的个数；S2：选定铝电解工业现场，采集N组决策变量X1，X2，…，XN及其对应的电流效率y1，y2，…，yN、吨铝能耗z1，z2，…，zN以及全氟化物作s1，s2，…,sN为数据样本，以每一个决策变量Xi作为输入，分别以对应的电流效率yi、吨铝耗能zi以及全氟化物si作为输出，运用BP神经网络对样本进行训练、检验，建立铝电解槽生产过程模型；S3：利用多目标粒子群算法，即MPSO算法，对步骤S2所得的三个生产过程模型进行优化，得到一组最优决策变量Xbest及其对应的电流效率ybest、吨铝能耗zbest以及全氟化物sbest；S4：按照步骤S3所得的最优决策变量Xbest中的控制参数来控制步骤S2中所选定的铝电解工业现场，使其达到节能减排。

【技术特征摘要】

【专利技术属性】
技术研发人员：易军，李太福，何海波，黄迪，周伟，张元涛，刘兴华，陈实，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆;85