[发明专利]基于BP神经网络与MPSO算法的铝电解节能减排控制方法

说明书

技术领域

本发明涉及铝电解生产过程中的自动控制技术，具体涉及一种基于BP神经网络与MPSO算法的铝电解节能减排控制方法。

背景技术

铝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，铝电解生产过程中会产生大量温室气体，环境污染严重。因此，在保证铝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，以实现高效、节能、减排已成为铝电解企业的生产目标。但是，铝电解槽内部复杂的物料化学变化以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、强耦合性等特点，且诸如极距、保温材料厚度等参数难以实时测量、调整，给铝电解生产过程控制优化带来一定难度。

发明内容

本申请通过提供一种基于BP神经网络与MPSO算法的铝电解节能减排控制方法，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。

为解决上述技术问题，本申请采用以下技术方案予以实现：

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，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,…,x_M]，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，…，X_N及其对应的电流效率y₁，y₂，…，y_N、吨铝能耗z₁，z₂，…，z_N以及全氟化物作s₁，s₂，…,s_N为数据样本，以每一个决策变量X_i作为输入，分别以对应的电流效率y_i、吨铝耗能z_i以及全氟化物s_i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X_best及其对应的电流效率y_best、吨铝能耗z_best以及全氟化物s_best；

S4：按照步骤S3所得的最优决策变量X_best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。

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、出铝量、铝水平、电解质水平、槽温和槽电压。

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800；

针对吨铝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Purelin函数，样本训练时的迭代次数为800；

针对全氟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800。

进一步地，步骤S3中的MPSO算法包括以下步骤：

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n个粒子x₁,x₂，…,x_n，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；