基于bp神經(jīng)網(wǎng)絡(luò)與自適應(yīng)mbfo算法的鋁電解節(jié)能減排方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及鋁電解生產(chǎn)過程中的自動控制技術(shù)，具體涉及一種基于BP神經(jīng)網(wǎng)絡(luò)與 自適應(yīng)MBF0算法的鋁電解節(jié)能減排方法。
【背景技術(shù)】
[0002] 鋁電解是一個復(fù)雜的工業(yè)生產(chǎn)過程，通常采用拜耳法進行冶煉，然而，該方法耗能 巨大且效率低。與此同時，鋁電解生產(chǎn)過程中會產(chǎn)生大量溫室氣體，環(huán)境污染嚴重。因此，在 保證鋁電解槽平穩(wěn)生產(chǎn)的前提下，如何提高電流效率、降低能耗、降低污染氣體排放量，以 實現(xiàn)高效、節(jié)能、減排已成為鋁電解企業(yè)的生產(chǎn)目標。但是，鋁電解槽內(nèi)部復(fù)雜的物料化學(xué) 變化以外部多種不確定作業(yè)因素導(dǎo)致槽內(nèi)參數(shù)較多，參數(shù)間呈現(xiàn)出非線性、強耦合性等特 點，且諸如極距、保溫材料厚度等參數(shù)難以實時測量、調(diào)整，給鋁電解生產(chǎn)過程控制優(yōu)化帶 來一走難度。

【發(fā)明內(nèi)容】

[0003]本申請通過提供一種基于BP神經(jīng)網(wǎng)絡(luò)與自適應(yīng)MBF0算法的鋁電解節(jié)能減排方法， 以解決現(xiàn)有技術(shù)中鋁電解生產(chǎn)過程中因無法獲得最優(yōu)工藝參數(shù)而導(dǎo)致的耗能巨大、效率低 且嚴重污染環(huán)境的技術(shù)問題。
[0004]為解決上述技術(shù)問題，本申請采用以下技術(shù)方案予以實現(xiàn)：
[0005] -種基于BP神經(jīng)網(wǎng)絡(luò)與自適應(yīng)MBF0算法的鋁電解節(jié)能減排方法，包括如下步驟：
[0006] S1:選擇對電流效率和溫室氣體排放量有影響的控制參數(shù)構(gòu)成決策變量X=[Xl， X2，…，XM]，M為所選參數(shù)的個數(shù)；
[0007] S2:選定鋁電解工業(yè)現(xiàn)場，采集N組決策變量Xi，X2，…，XN及其對應(yīng)的電流效率yi， y2，…，yN和溫室氣體排放量zi，Z2，…，ZN作為數(shù)據(jù)樣本，以每一個決策變量Xi作為輸入，分別 以對應(yīng)的電流效率yi和溫室氣體排放量21作為輸出，運用BP神經(jīng)網(wǎng)絡(luò)對樣本進行訓(xùn)練、檢 驗，建立鋁電解槽生產(chǎn)過程模型；
[0008] S3:利用多目標細菌覓食優(yōu)化算法，即MBF0算法，對步驟S2所得的兩個生產(chǎn)過程模 型進行優(yōu)化，得到一組最優(yōu)決策變量Xbest及其對應(yīng)的電流效率ybest和溫室氣體排放量zbest， 優(yōu)化時，根據(jù)菌群進化狀態(tài)對趨向操作的步長進行動態(tài)調(diào)整，以確保種群的多樣性和收斂 性；
[0009]趨向操作的步長動態(tài)調(diào)整如下：
[0010] 第i只細菌第t+Ι次迭代的步長爻
[0011] 步長調(diào)整函數(shù)為
[0012]式中，Ct(i)為第i只細菌第t次迭代的步長，di為第i只細菌的擁擠距離，μ、λΕ(〇， 1)為步長調(diào)整因子
為第i只細菌第t次迭代的擁擠距離，L為細菌群體 的大??；
[0013] S4:按照步驟S3所得的最優(yōu)決策變量Xbest中的控制參數(shù)來控制步驟S2中所選定的 鋁電解工業(yè)現(xiàn)場，使其達到節(jié)能減排。
[0014]結(jié)合實際生產(chǎn)情況，步驟S1中選定了8個參數(shù)構(gòu)成決策變量，分別為系列電流、下 料次數(shù)、分子比、出鋁量、鋁水平、電解質(zhì)水平、槽溫和槽電壓。
[0015]為了滿足建模需求，步驟S2中的BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層構(gòu)成；
[0016]針對電流效率所構(gòu)建的生產(chǎn)過程模型而言，其輸入層采用8個神經(jīng)元節(jié)點，隱藏層 采用13個神經(jīng)元節(jié)點，輸出層采用1個神經(jīng)元節(jié)點，輸入層到隱藏層之間傳遞函數(shù)為Tansig 函數(shù)，隱藏層到輸出層之間的函數(shù)為Purelin函數(shù)，樣本訓(xùn)練時的迭代次數(shù)為500;
[0017]針對溫室氣體排放量所構(gòu)建的生產(chǎn)過程模型而言，其輸入層采用8個神經(jīng)元節(jié)點， 隱藏層采用12個神經(jīng)元節(jié)點，輸出層采用1個神經(jīng)元節(jié)點，輸入層到隱藏層之間傳遞函數(shù)為 Logsig函數(shù)，隱藏層到輸出層之間的函數(shù)為Purel in函數(shù)，樣本訓(xùn)練時的迭代次數(shù)為500。
[0018] 進一步地，步驟S3中的MBF0算法包括以下步驟：
[0019] S31:將決策變量X的值視為細菌位置，根據(jù)決策變量X中各個參數(shù)的范圍隨機生成 L個細菌構(gòu)成菌群初始位置；
[0020]S32:初始化系統(tǒng)參數(shù)，包括趨向次數(shù)Nc，趨向行為中前進次數(shù)Ns，繁殖次數(shù)Nre，驅(qū) 散次數(shù)Ned，驅(qū)散概率Ped，外部檔案規(guī)模K;
[0021] S33:執(zhí)行趨向操作，包括翻轉(zhuǎn)和前進；
[0022]假設(shè)第i(i = 1,2，···，L)只細菌在第j次趨向操作第k次復(fù)制操作和第1次驅(qū)散操作 之后的位置為
[0023]式中，deb是第i只細菌最近一次翻轉(zhuǎn)時所選擇的隨機矢量方向，C(i)是其沿dct 方向前進的步伐長度，且
，Ai為各分量均為[-1,1]內(nèi)隨機數(shù)的向量，向量的 維數(shù)與決策變量X的維數(shù)相同；
[0024]S34:根據(jù)個體間的信息素濃度執(zhí)行聚群操作：
[0025] S35:計算菌群的健康函數(shù)，并將其進行降序排列，淘汰健康函數(shù)值小的一半細菌， 健康函數(shù)值大的另一半細菌進行繁殖，且子細菌覓食能力保持與父代一致；
[0026] 對給定的k、l，每只細菌的健康函數(shù)為
?示第 i只細菌的能量，1(1，」氺，1)表示細菌1在第」次趨向操作第1^次復(fù)制操作和第1次驅(qū)散操作 之后的適應(yīng)度函數(shù)值，N。表示趨向次數(shù)，越大，表示細菌i的覓食能力越強；
[0027] S36:將S35產(chǎn)生的菌群與前一次迭代計算產(chǎn)生的菌群合并，計算此時新菌群的個 體擁擠距離并按照擁擠距離進行排序，選擇前L個優(yōu)勢個體構(gòu)成下一代菌群；
[0028] S36:驅(qū)散:細菌經(jīng)歷幾代復(fù)制后，以驅(qū)散概率Ped被驅(qū)散到搜索空間中的任意位置；
[0029] S37:判斷優(yōu)化算法是否滿足結(jié)束條件，如滿足，則輸出Pareto前沿即最優(yōu)決策變 量Xbest及其對應(yīng)的電流效率ybest和溫室氣體排放量Zbest，如不滿足，則跳轉(zhuǎn)至步驟S33循環(huán) 執(zhí)行。
[0030] 再進一步地，步驟S3中計算非劣解的擁擠距離包括如下步驟：
[0031]A1:對外部檔案中所有最優(yōu)個體進行升序排序；
[0032] A2:計算每個解相鄰的兩個個體在每個優(yōu)化目標空間上的距離；
[0033] A3:將這些距離相加即得所求最優(yōu)解的擁擠距離，并設(shè)邊界解的擁擠距離為無窮
大；
[0034] 第i個個體的擁擠距離為：
[0035] 式中，為第i個個體在目標j的距離，R為升序排列后擁擠距離最大的個體序號，m為目標空間維度；
[0036] 步驟S3中對外部檔案進行更新時，假設(shè)外部檔案A最大容量為q，第i次迭代計算形 成的非支配解為Q，具體包括如下步驟：
[0037] B1:計算外部檔案所有個體的擁擠距離，并作降序排列；
[0038] B2:更新外部檔案:在第i次迭代時，若Q>A，則以Q替換A;
[0039] B3:判斷外部檔案A容量是否滿足最大容量的要求，若A中個體數(shù)n<q，則復(fù)制Q到A 中，形成新的外部檔案A1;
[0040] B4:判斷新的外部檔案A1中是否存在目標值相同的個體，若存在則只保留其一；
[0041] B5:若新的外部檔案A1中個體數(shù)nl^q，則進行下一次迭代，若nl>q，則計算擁擠 距離cU，并降序排列，刪除擁擠距離最小的nl-q個個體。
[0042] 與現(xiàn)有技術(shù)相比，本申請?zhí)峁┑募夹g(shù)方案，具有的技術(shù)效果或優(yōu)點是:該方法確定 了鋁電解生產(chǎn)過程中工藝參數(shù)的最優(yōu)值，有效提高了電流效率，減少了溫室氣體排放量，真 正達到節(jié)能減排的目的。
【附圖說明】
[0043]圖1為本發(fā)明的方法流程圖；
[0044] 圖2為電流效率預(yù)測結(jié)果圖；
[0045] 圖3為CF4排放量預(yù)測結(jié)果圖；
[0046]圖4為電流效率預(yù)測誤差圖；
[0047]圖5為CF4排放量預(yù)測誤差圖。
【具體實施方式】
[0048]本申請實施例通過提供一種基于BP神經(jīng)網(wǎng)絡(luò)與自適應(yīng)MBF0算法的鋁電解節(jié)能減 排方法，以解決現(xiàn)有技術(shù)中鋁電解生產(chǎn)過程中因無法獲得最優(yōu)工藝參數(shù)而導(dǎo)致的耗能巨 大、效率低且嚴重污染環(huán)境的技術(shù)問題。
[0049]為了更好的理解上述技術(shù)方案，下面將結(jié)合說明書附圖以及具體的實施方式，對 上述技術(shù)方案進行詳細的說明。
[0050] 實施例
[0051]如圖1所示，一種基于BP神經(jīng)網(wǎng)絡(luò)與自適應(yīng)MBF0算法的鋁電解節(jié)能減排方法，其關(guān) 鍵在于，包括如下步驟：
[0052] S1:選擇對電流效率和溫室氣體排放量有影響的控制參數(shù)構(gòu)成決策變量X= [X1， X2，…，XM]，M為所選參數(shù)的個數(shù)；
[0053] 實施是通過統(tǒng)計鋁電解生產(chǎn)過程中對電流效率和溫室氣體排放量有影響的原始 變量，并從中確定對電流效率和溫室氣體排放量影響大的參數(shù)作為決策變量X;
[0054] 通過對實際工業(yè)生產(chǎn)過程中測量參數(shù)進行統(tǒng)計得到對電流效率和溫室氣體排放 量影響