基于递归神经网络与角度偏好的铝电解建模与优化方法技术

本发明专利技术提供了一种基于递归神经网络与角度偏好的铝电解建模与优化方法。首先，利用递归神经网络对铝电解生产过程进行建模，然后决策者设定期望目标值，引入A‑dominance偏好支配方法，结合多目标量子粒子群算法对生产过程模型进行优化，得到最满足决策者期望的最优决策变量，以及对应的电流效率、槽电压、全氟化物排放量和吨铝能耗。MQPSO算法不需要进行交叉、变异操作，只有最简单的位置更新步骤，因此编码过程简单，并且具有强全局搜索能力，容易实现种群进化过程中偏好最优取值的完整性，满足决策者需求。利用该方法确定铝电解生产过程中工艺参数的最优值，可有效提高电流效率，降低槽电压，减少温室气体排放量，达到节能减排的目的。

【技术实现步骤摘要】
基于递归神经网络与角度偏好的铝电解建模与优化方法
本专利技术属于最优控制领域，具体涉及一种基于递归神经网络与角度偏好的铝电解建模与优化方法。
技术介绍
环保型铝电解生产过程长期以来都非常具有挑战性，在电解铝工业中，最终目标是在电解槽平稳运行的基础上，提高电流效率、降低槽电压以及减少全氟化物、减少吨铝能耗的排放量。然而，铝电解槽参数较多，并且参数间呈现出非线性、强耦合性，给铝电解生产过程建模带来了较大难度，而递归神经网络具有很强的非线性映射能力，适用于解决非线性系统建模问题，为铝电解生产过程建模提供了新的思路。而对于四个目标，同时实现则非常困难，因为目标相互之间存在冲突的现象，因此可引入决策者的偏好信息，设定期望目标，灵活调整不同目标之间的权重，利用偏好A-PMQPSO优化算法进行变量优化。A-PMQPSO是在MQPSO基础上，引入A支配方法。MQPSO是一种经典的多目标优化算法，该算法简单、运算速度快、进化过程可直接用方程描述，因而被广泛应用于多个领域。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于递归神经网络与角度偏好的铝电解建模与优化方法，以解决现有技术中铝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，并且同时可以引入决策者偏好信息，实现动态灵活调整各目标之间偏好权重的目的。本专利技术的目的是这样实现的：一种基于递归神经网络与角度偏好的铝电解建模与优化方法，包括如下步骤：S1：选择对电流效率、槽电压以及全氟化物排放量有影响的控制参数构成决策变量，决策变量X＝[x1,x2,···,xM]，M为所选控制参数的个数；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，槽电压z1,z2,···,zN，以及全氟化物排放量s1,s2,···,sN和吨铝能耗c1,c2,···,cN为数据样本，以每一组决策变量Xi作为输入，以对应的电流效率yi、槽电压zi以及全氟化物排放量si和吨铝能耗ci作为输出，利用递归神经网络对样本进行训练、检验，建立四个铝电解槽生产过程模型；S3：利用基于A支配的偏好多目标量子粒子群算法，根据决策者预先设定的期望值作为参考点，建立基于A支配的严格偏序关系，对步骤S2所得的四个生产过程模型进行优化，得到一组最满足决策者期望的决策变量Xbest及其对应的电流效率ybest、槽电压zbest以及全氟化物排放量sbest和吨铝能耗cbest；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，使其达到节能减排降耗的目的。优选地，步骤S1中，所述控制参数包括系列电流、下料次数、分子比、出铝量、铝水平、电解质水平、槽温。优选地，步骤S2中，以电流效率作为输出，建立铝电解槽生产过程模型，其输入层采用10个神经元节点，隐藏层采用15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Tansig函数，隐藏层到输出层之间的函数为Purelin函数，样本训练时的迭代次数为1000。优选地，步骤S2中，以槽电压作为输出，建立铝电解槽生产过程模型，其输入层采用10个神经元节点，隐藏层采用15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Purelin函数，样本训练时的迭代次数为1000。优选地，步骤S2中，以全氟化物排放量作为输出，建立铝电解槽生产过程模型，其输入层采用10个神经元节点，隐藏层采用15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Purelin函数，样本训练时的迭代次数为1000。优选地，步骤S2中，以吨铝能耗作为输出，建立铝电解槽生产过程模型，其输入层采用10个神经元节点，隐藏层采用15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Tansig函数，隐藏层到输出层之间的函数为Purelin函数，样本训练时的迭代次数为1000。优选地，步骤S3包括以下步骤：S31：根据A支配的偏好关系，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n个粒子x1,x2,···,xn，令外部存档集Q为空；S312：决策者设定偏好角度α与偏好目标参考点r(yp,zp,sp,cp)，所述偏好目标参考点包括电流效率、槽电压、全氟化物排放量和吨铝能耗四个目标的期望值；S313：对于每一个个体x，计算其适应度及其与参考点基准线的角度：其中，fj(x)是个体x在第j目标上的适应度值；S314：在目标空间上基于角度信息，划分偏好区域，如果θ(r,x)＜α，则该个体处于偏好区域；否则处于非偏好区域；S315：判断任意两个个体xi与xk之间的优劣关系，包括以下情况：当xi与xk同时处于偏好区域或非偏好区域时，若xiPareto支配xk，则认为xi更优秀，若相互不Pareto支配，则认为两者相当；当xi处于偏好区域，xk处于非偏好区域时，若xiPareto支配xk，或xi与xk相互不Pareto支配，则认为xi优于xk，即xiA支配xk；S316：确定每个粒子的个体历史最优位置pbesti，在系统初始化时，个体历史最优位置设为该粒子的初始位置xi；在下一次迭代后，基于S315提出的A支配关系，对粒子的新位置xi与pbesti进行优劣比较，优秀者保存为pbesti；S317：更新外部存档集Q，对种群中相互之间非A支配的粒子加入存档集Q，删除被支配的粒子；S318：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位置；S32：更新种群：S321：更新粒子自身的位置，其中粒子位置更新公式为：其中：i(i＝1,2,…,n)代表第i个粒子，n为种群规模；j(j＝1,2,…,M)代表粒子的第j维，M为搜索空间维数；t为进化代数；和uij(t)均为[0,1]区间内均匀分布的随机数；xij(t),pbestij(t)和γij(t)分别表示进化代数为t时粒子i的当前位置、个体历史最优位置和吸引子位置；gbestj(t)和mbest(t)分别表示进化代数为t时全局最优位置和平均最好位置；α表示扩张-收缩因子；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S321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。由于采用了上述技术方案，本专利技术利用递归神经网络对铝电解生产过程进行建模，然后决策者设定期望目标值，引入A-dominance偏好支配方法，结合多目标量子粒子群算法对生产过程模型进行优化，得到最满足决策者期望的最优决策变量，以及对应的电流效率、槽电压、全氟化物排放量和吨铝能耗。MQPSO算法不需要进行交叉、变异操作，只有最简单的位置更新步骤，因此编码过程简单，并且具有强全局搜索能力，容易实现种群进化过程中偏好最优取值的完整性，满足决策者需求。利用该方法确定铝电解生产过程中工艺参数的最优值，可有效提高电流效率，降低槽电压，减少本文档来自技高网...

【技术保护点】
1.一种基于递归神经网络与角度偏好的铝电解建模与优化方法，其特征在于，包括如下步骤：S1：选择对电流效率、槽电压以及全氟化物排放量有影响的控制参数构成决策变量，决策变量X＝[x1,x2,···,xM]，M为所选控制参数的个数；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，槽电压z1,z2,···,zN，以及全氟化物排放量s1,s2,···,sN和吨铝能耗c1,c2,···,cN为数据样本，以每一组决策变量Xi作为输入，以对应的电流效率yi、槽电压zi以及全氟化物排放量si和吨铝能耗ci作为输出，利用递归神经网络对样本进行训练、检验，建立四个铝电解槽生产过程模型；S3：利用基于A支配的偏好多目标量子粒子群算法，根据决策者预先设定的期望值作为参考点，建立基于A支配的严格偏序关系，对步骤S2所得的四个生产过程模型进行优化，得到一组最满足决策者期望的决策变量Xbest及其对应的电流效率ybest、槽电压zbest以及全氟化物排放量sbest和吨铝能耗cbest；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，使其达到节能减排降耗的目的。...

【技术特征摘要】
1.一种基于递归神经网络与角度偏好的铝电解建模与优化方法，其特征在于，包括如下步骤：S1：选择对电流效率、槽电压以及全氟化物排放量有影响的控制参数构成决策变量，决策变量X＝[x1,x2,···,xM]，M为所选控制参数的个数；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，槽电压z1,z2,···,zN，以及全氟化物排放量s1,s2,···,sN和吨铝能耗c1,c2,···,cN为数据样本，以每一组决策变量Xi作为输入，以对应的电流效率yi、槽电压zi以及全氟化物排放量si和吨铝能耗ci作为输出，利用递归神经网络对样本进行训练、检验，建立四个铝电解槽生产过程模型；S3：利用基于A支配的偏好多目标量子粒子群算法，根据决策者预先设定的期望值作为参考点，建立基于A支配的严格偏序关系，对步骤S2所得的四个生产过程模型进行优化，得到一组最满足决策者期望的决策变量Xbest及其对应的电流效率ybest、槽电压zbest以及全氟化物排放量sbest和吨铝能耗cbest；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，使其达到节能减排降耗的目的。2.根据权利要求1所述的基于递归神经网络与角度偏好的铝电解建模与优化方法，其特征在于，步骤S1中，所述控制参数包括系列电流、下料次数、分子比、出铝量、铝水平、电解质水平、槽温。3.根据权利要求1所述的基于递归神经网络与角度偏好的铝电解建模与优化方法，其特征在于，步骤S2中，以电流效率作为输出，建立铝电解槽生产过程模型，其输入层采用10个神经元节点，隐藏层采用15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Tansig函数，隐藏层到输出层之间的函数为Purelin函数，样本训练时的迭代次数为1000。4.根据权利要求1所述的基于递归神经网络与角度偏好的铝电解建模与优化方法，其特征在于，步骤S2中，以槽电压作为输出，建立铝电解槽生产过程模型，其输入层采用10个神经元节点，隐藏层采用15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Purelin函数，样本训练时的迭代次数为1000。5.根据权利要求1所述的基于递归神经网络与角度偏好的铝电解建模与优化方法，其特征在于，步骤S2中，以全氟化物排放量作为输出，建立铝电解槽生产过程模型，其输入层采用10个神经元节点，隐藏层采用15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Purelin函数，样本训练时的迭代次数为1000。6.根据权利要求1所述的基于递归神经网络与角度偏好的铝电解建模与优化方法，其特征在于，步骤S2中，以...

【专利技术属性】
技术研发人员：易军，白竣仁，陈雪梅，周伟，吴凌，陈实，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆,50