CN105447567A - 基于bp神经网络与mpso算法的铝电解节能减排控制方法 - Google Patents

Abstract

本发明提供了一种基于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。

Description

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；

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p_i和个体最优适应度进行比较，若当前适应度p_i支配个体最优适应度则将当前适应度p_i代替个体最优适应度否则，保留原有的个体最优适应度

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：

$v_{id}^{k+1}=h\[w\·v_{id}^k+c_1{r}_1(p_{id}^k-x_{id}^k)+c_2{r}_2(p_{gd}^k-x_{id}^k)\]$

式中，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，搜索范围越小，有利于算法的收敛，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，r₁、r₂为均匀分布在(0,1)区间的随机数，为k时刻第i个粒子本身的最优位置的第d维变量，为k时刻全局最优位置的第d维变量，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。

附图说明

图1为本发明的方法流程图；

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为吨铝能耗排放量预测结果图；

图7为吨铝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。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式，对上述技术方案进行详细的说明。

实施例

如图1所示，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；

实施是通过统计铝电解生产过程中对电流效率、吨铝能耗以及全氟化物排放量有影响的原始变量，并从中确定对电流效率、吨铝能耗以及全氟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、吨铝能耗以及全氟化物排放量影响最大的变量为：系列电流x₁、下料次数x₂、分子比x₃、出铝量x₄、铝水平x₅、电解质水平x₆、槽温x₇、槽电压x₈共8个变量。

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；

在本实施例中，采集重庆天泰铝业有限公司170KA系列电解槽中的223#槽电解槽2013年全年生产数据以及2014年前40天数据，共计405组数据，其中，2013年全年生产数据作为建模训练样本，2014年的40组数据作为测试样本。数据样本如下表1所示。

表1数据样本

在神经网络设计中，隐层节点数的多少是决定神经网络模型好坏的关键，也是神经网络设计中的难点，这里采用试凑法来确定隐层的节点数。

$p=\sqrt{n+m}+k$

式中，p为隐层神经元节点数，n为输入层神经元数，m为输出层神经元数，k为1-10之间的常数，本例中BP神经网络的设置参数如下表2所示。

表2BP神经设置参数

神经网络的训练过程中主要按照以下步骤进行：

设置X_k＝[x_k1,x_k2,…,x_kM](k＝1,2,…,N)为输入矢量，N为训练样本个数， $W_{MI}\left(g\right)=\left[\begin{array}{cccc}{w}_{11}\left(g\right)& w_{12}\left(g\right)& \mathrm{...}& w_{1I}\left(g\right)\\ w_{21}\left(g\right)& w_{22}\left(g\right)& \mathrm{...}& w_{2I}\left(g\right)\\ .& .& & .\\ .& .& & .\\ .& .& \mathrm{...}& .\\ w_{M1}\left(g\right)& w_{M2}\left(g\right)& \mathrm{...}& w_{MI}\left(g\right)\end{array}\right]$ 为第g次迭代时输入层M与隐层I之间的权值矢量，W_JP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，Y_k(g)＝[y_k1(g),y_k2(g),…,y_kP(g)](k＝1,2,…,N)为第g次迭代时网络的实际输出，d_k＝[d_k1,d_k2,…,d_kP](k＝1,2,…,N)为期望输出；

步骤S2中建立铝电解生产过程模型具体包括如下步骤：

S21：初始化，设迭代次数g初值为0，分别赋给W_MI(0)、W_JP(0)一个(0,1)区间的随机值；

S22：随机输入样本X_k；

S23：对输入样本X_k，前向计算BP神经网络每层神经元的输入信号和输出信号；

S24：根据期望输出d_k和实际输出Y_k(g)，计算误差E(g)；

S25：判断误差E(g)是否满足要求，如不满足，则进入步骤S26，如满足，则进入步骤S29；

S26：判断迭代次数g+1是否大于最大迭代次数，如大于，则进入步骤S29，否则，进入步骤S27；

S27：对输入样本X_k反向计算每层神经元的局部梯度δ；

S28：计算权值修正量ΔW，并修正权值，计算公式为： 式中，η为学习效率；令g＝g+1，跳转至步骤S23；

S29：判断是否完成所有的训练样本，如果是，则完成建模，否则，继续跳转至步骤S22。

通过上述过程，可得到BP神经网络预测效果如图2、3、4、5、6、7所示。铝电解生产过程优化的基础是优化模型的建立，模型精度直接影响优化结果。通过对图2、3、4、5、6、7分析可知，经BP神经网络训练，电流效率的最大预测误差为-3％，吨铝能耗预测误差为-4.9％，四氟化碳CF₄排放量预测误差2.3％，模型预测精度高，满足建模要求。

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；

在铝电解生产过程模型的基础上，利用MPSO算法在各决策变量范围内对其进行优化，各变量具体变化范围如表3所示。

表3各变量取值范围

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＝100，最大迭代次数T＝100，随机生成n个粒子x₁,x₂，…,x_n，加速因子c₁＝2.05、c₂＝2.05，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，外部存档集的规模K＝100；

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p_i和个体最优适应度进行比较，若当前适应度p_i支配个体最优适应度则将当前适应度p_i代替个体最优适应度否则，保留原有的个体最优适应度

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：

$v_{id}^{k+1}=h\[w\·v_{id}^k+c_1{r}_1(p_{id}^k-x_{id}^k)+c_2{r}_2(p_{gd}^k-x_{id}^k)\]$

式中，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'＝c₁+c₂，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，搜索范围越小，有利于算法的收敛，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，r₁、r₂为均匀分布在(0,1)区间的随机数，为k时刻第i个粒子本身的最优位置的第d维变量，为k时刻全局最优位置的第d维变量，为k时刻第i个粒子的位置，w＝w_max-(w_max-w_min)(K/K_max)²；

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。

通过上述步骤对铝电解生产过程进行优化可得100组最优的决策变量与对应的输出值，选取其中最合理的3组列于下表4中。

表4最佳生产参数

对比其中最佳运行参数与2013年全年记录的平均值可知，电流效率提高了3.73％、吨铝能耗降低了1148.27KWh/t-Al、CF₄排放量降低了0.28kg。

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。

本申请的上述实施例中，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，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。

应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。

Claims (4)

1.一种基于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,…,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。

2.根据权利要求1所述的基于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，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。

3.根据权利要求1或2所述的基于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，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。

4.根据权利要求1所述的基于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，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；

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p_i和个体最优适应度进行比较，若当前适应度p_i支配个体最优适应度则将当前适应度p_i代替个体最优适应度否则，保留原有的个体最优适应度

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：

$v_{id}^{k+1}=h\[w\·v_{id}^k+c_1{r}_1(p_{id}^k-x_{id}^k)+c_2{r}_2(p_{gd}^k-x_{id}^k)\]$

式中，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，搜索范围越小，有利于算法的收敛，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，r₁、r₂为均匀分布在(0,1)区间的随机数，为k时刻第i个粒子本身的最优位置的第d维变量，为k时刻全局最优位置的第d维变量，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。