CN109100995B - 基于决策者偏好信息的铝电解节能减排优化方法 - Google Patents
基于决策者偏好信息的铝电解节能减排优化方法 Download PDFInfo
- Publication number
- CN109100995B CN109100995B CN201810193062.7A CN201810193062A CN109100995B CN 109100995 B CN109100995 B CN 109100995B CN 201810193062 A CN201810193062 A CN 201810193062A CN 109100995 B CN109100995 B CN 109100995B
- Authority
- CN
- China
- Prior art keywords
- aluminum
- aluminum electrolysis
- production process
- layer
- decision maker
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 94
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 84
- 238000005868 electrolysis reaction Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 claims abstract description 47
- 239000002245 particle Substances 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000005265 energy consumption Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000000306 recurrent effect Effects 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 150000001875 compounds Chemical class 0.000 claims abstract description 8
- 238000004134 energy conservation Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 51
- 210000002569 neuron Anatomy 0.000 claims description 41
- 210000004027 cell Anatomy 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 20
- -1 perfluoro compound Chemical class 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 14
- AZDRQVAHHNSJOQ-UHFFFAOYSA-N alumane Chemical compound [AlH3] AZDRQVAHHNSJOQ-UHFFFAOYSA-N 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000003792 electrolyte Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 13
- 239000005431 greenhouse gas Substances 0.000 abstract description 3
- TXEYQDLBPFQVAA-UHFFFAOYSA-N tetrafluoromethane Chemical compound FC(F)(F)F TXEYQDLBPFQVAA-UHFFFAOYSA-N 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000004411 aluminium Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明公开了一种基于决策者偏好信息的铝电解节能减排优化方法。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R‑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和吨铝能耗，达到节能减排的目的。
Description
技术领域
本发明属于最优控制领域，具体涉及一种基于决策者偏好信息的铝电解节能减排优化方法。
背景技术
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R-PMQPSO优化算法进行变量优化。R-PMQPSO是在MQPSO基础上，引入R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。
发明内容
本发明提出一种基于决策者偏好信息的铝电解节能减排优化方法，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。
本发明的目的是这样实现的：
一种基于决策者偏好信息的铝电解节能减排优化方法，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，分别以对应的电流效率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R支配的偏好多目标量子粒子群算法，结合MQPSO算法，形成R-PMQPSO算法，根据决策者预先设定的期望值作为参考点，建立基于R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；
所述R-PMQPSO算法包括以下步骤：
S31：根据R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；
S32：更新种群；
步骤S31包括以下步骤：
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的距离：
其中，fj(x)是个体x在第j目标上的适应度值，ωj是第j个目标的权重，
是第j个目标值的上界，
是第j个目标值的下界；
S314：判断任意两个个体xi与xk之间的优劣关系，若xiPareto支配xk，即xi＜xk，则认为xi优于xk；若xkPareto支配xi，即xk＜xi，则认为xk优于xi；若两者之间无Pareto支配关系，则计算其偏好比较指标D(xi,xk,r)：
若D(xi,xk,r)＜-δ，则认为xi R支配xk，即xi＜R xk，xi优于xk；若0≥D(xi,xk,r)≥-δ，则认为xi与xk相互之间非R支配，即，两者可视作等价，无优劣之分，其中δ∈[0,1]，是预先设定的阈值；
S315：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S314提出的R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；
S316：更新外部存档集Q，对种群中相互之间非R支配的粒子加入存档集Q，删除被支配的粒子；
S317：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；
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S32包括以下步骤：
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，本发明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R-dominance偏好支配方法，结合多目标量子粒子群算法(MQPSO)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和吨铝能耗，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为槽电压排放量预测结果图；
图7为槽电压排放量预测误差图；
图8为吨铝能耗预测结果图；
图9为吨铝能耗预测误差图。
具体实施方式
如图1所示，一种基于决策者偏好信息的铝电解节能减排优化方法，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X＝[x1,x2,···,xM]，M为所选控制参数的个数。
本实施例是通过统计铝电解生产过程中对电流效率、槽电压以及全氟化物排放量和吨铝能耗有影响的原始变量，并从中确定对电流效率、槽电压以及全氟化物排放量和吨铝能耗影响大的参数作为决策变量X；
本实施例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、槽电压以及全氟化物排放量和吨铝能耗最大的变量为：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共7个变量。
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，分别以对应的电流效率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。为了满足建模需求，步骤S2中的递归神经网络包括输入层、隐藏层和输出层。
所述四个铝电解槽生产过程模型包括：
针对电流效率所构建的生产过程模型而言，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；
针对槽电压所构建的生产过程模型而言，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；
针对全氟化物所构建的生产过程模型而言，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。
针对吨铝能耗所构建的生产过程模型而言，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。
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
| 样本编号 | 1 | 2 | 3 | 4 | …… |
| x<sub>1</sub> | 1683 | 1682 | 1686 | 1746 | …… |
| x<sub>2</sub> | 624 | 716 | 625 | 743 | …… |
| x<sub>3</sub> | 2.52 | 2.52 | 2.51 | 2.46 | …… |
| x<sub>4</sub> | 1234 | 1230 | 1234 | 1235 | …… |
| x<sub>5</sub> | 18.5 | 16.5 | 17.5 | 20 | …… |
| x<sub>6</sub> | 14 | 14 | 15 | 16 | …… |
| x<sub>7</sub> | 942 | 938 | 946 | 942 | …… |
| y<sub>1</sub> | 94.65 | 94.66 | 94.43 | 93.22 | …… |
| y<sub>2</sub> | 3721 | 3720 | 3725 | 3717 | …… |
| y<sub>3</sub> | 4.25 | 4.84 | 4.01 | 4.15 | …… |
| y<sub>4</sub> | 12354.3 | 12316.4 | 12283.1 | 12747.2 | …… |
在递归神经网络设计中，由于存在递归信号，网路状态随时间的变化而变化，因此除了隐层节点数，学习速率也同样影响着神经网络模型的稳定性与准确性，是神经网络设计中的重难点。
隐层的节点数的设定由试凑法获得：
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。
最佳学习速率取值为：
本例中递归神经网络的设置参数如下表2所示。
表2递归神经网络设置参数
| 目标函数 | 电流效率 | 槽电压 | 全氟化物排放量 | 吨铝能耗 |
| 迭代次数 | 1000 | 1000 | 1000 | 1000 |
| 隐含层传递函数 | Tansig | Logsig | Logsig | Tansig |
| 输出层传递函数 | Purelin | Purlin | Purelin | Purelin |
| 隐含层节点数 | 13 | 12 | 12 | 13 |
神经网络的训练过程中主要按照以下步骤进行：
设置Xk＝[xk1,xk2,···,xkM](k＝1,2,···,N)为输入矢量，N为训练样本个数，
为第g次迭代时输入层M与隐层I之间的权值矢量，WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量为Yk(g)＝[yk1(g),yk2(g),···,ykP(g)](k＝1,2,···,N)为第g次迭代时网络的实际输出，dk＝[dk1,dk2,···,dkP](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WMI(0)、WJP(0)一个(0,1)区间的随机值；
S22：输入随机样本Xk；
S23：对输入样本Xk，前向计算递归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dk和实际输出Yk(g)差值，得到误差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Xk反向计算每层神经元的局部梯度；
网络输出层节点误差为：e(k)＝d(k)-y(k),e(k)为网络期望输出，y(k)为网络实际输出。
通过计算输出层节点误差对各层的权值变化率为：
其中βij(0)＝0；i＝1,2,···,n1；j＝1,2,···,n0。
δi(0)＝0；i＝1,2,···,n1。
其中
分别表示隐含层第i个节点的输入及输出；n0、n1分别为输出层和隐含层节点数；
分别表示关联层、输出层、隐含层权值。
S28：网络权值修正计算公式为：
其中w(k)可为
式中w(k)可代表输出层、隐含层或输入层的权值，η为学习速率，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。
通过上述循环过程，可得到递归神经网络预测效果如图2、3、4、5、6、7、8、9所示。优化模型的建立是铝电解生产过程优化的基础，模型精度直接影响优化结果。通过对图2、3、4、5、6、7、8、9分析可知，经递归神经网络训练，电流效率的最大预测误差为0.41％，槽电压的最大预测误差为0.08％，四氟化碳CF4排放量预测误差-1.20％，吨铝能耗预测误差为0.81％，模型预测精度高，满足建模要求。
S3：利用基于R支配的偏好多目标量子粒子群算法，结合MQPSO算法，形成R-PMQPSO算法，根据决策者预先设定的期望值(参考点)，建立基于R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；
在铝电解生产过程模型基础上，利用R-PMQPSO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
进一步地，步骤S3中的R-PMQPSO算法包括以下步骤：
S31：根据R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；
进一步地，步骤S31包括以下步骤：
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的距离：
其中，fj(x)是个体x在第j目标上的适应度值，ωj是第j个目标的权重，
是第j个目标值的上界，
是第j个目标值的下界；
S314：判断任意两个个体xi与xk之间的优劣关系，若xiPareto支配xk，即xi＜xk，则认为xi优于xk；若xkPareto支配xi，即xk＜xi，则认为xk优于xi；若两者之间无Pareto支配关系，则计算其偏好比较指标D(xi,xk,r)：
若D(xi,xk,r)＜-δ，则认为xi R支配xk，即xi＜R xk，xi优于xk；若0≥D(xi,xk,r)≥-δ，则认为xi与xk相互之间非R支配，其中δ∈[0,1]，是预先设定的阈值；
S315：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S314提出的R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；
S316：更新外部存档集Q，对种群中相互之间非R支配的粒子加入存档集Q，删除被支配的粒子；
S317：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。进一步地，步骤S32包括以下步骤：
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。
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
利用最佳运行参数与2013年全年记录的平均值进行对比可知，电流效率提高了3.89％、槽电压降低了160mv，CF4排放量降低了0.39kg，吨铝能耗降低了1219.07KWh/t-Al。
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，满足决策者偏好的目的。
本申请的上述实施例中，通过提供、一种基于决策者偏好信息的铝电解节能减排优化方法。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R-dominance偏好支配方法，结合多目标量子粒子群算法(MQPSO)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和吨铝能耗，达到节能减排的目的。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。
Claims (7)
1.一种基于决策者偏好信息的铝电解节能减排优化方法，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，分别以对应的电流效率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R支配的偏好多目标量子粒子群算法，结合MQPSO算法，形成R-PMQPSO算法，根据决策者预先设定的期望值作为参考点，建立基于R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；
所述R-PMQPSO算法包括以下步骤：
S31：根据R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；
S32：更新种群；
步骤S31包括以下步骤：
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的距离：
其中，fj(x)是个体x在第j目标上的适应度值，ωj是第j个目标的权重，
是第j个目标值的上界，
是第j个目标值的下界；
S314：判断任意两个个体xi与xk之间的优劣关系，若xiPareto支配xk，即
则认为xi优于xk；若xkPareto支配xi，即xk＜xi，则认为xk优于xi；若两者之间无Pareto支配关系，则计算其偏好比较指标D(xi,xk,r)：
若D(xi,xk,r)＜-δ，则认为xi R支配xk，即
xi优于xk；若0≥D(xi,xk,r)≥-δ，则认为xi与xk相互之间非R支配，即，两者可视作等价，无优劣之分，其中δ∈[0,1]，是预先设定的阈值；
S315：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S314提出的R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；
S316：更新外部存档集Q，对种群中相互之间非R支配的粒子加入存档集Q，删除被支配的粒子；
S317：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；
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所述的基于决策者偏好信息的铝电解节能减排优化方法，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所述的基于决策者偏好信息的铝电解节能减排优化方法，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所述的基于决策者偏好信息的铝电解节能减排优化方法，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所述的基于决策者偏好信息的铝电解节能减排优化方法，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所述的基于决策者偏好信息的铝电解节能减排优化方法，其特征在于，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。
7.根据权利要求1所述的基于决策者偏好信息的铝电解节能减排优化方法，其特征在于，步骤S32包括以下步骤：
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810193062.7A CN109100995B (zh) | 2018-03-09 | 2018-03-09 | 基于决策者偏好信息的铝电解节能减排优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810193062.7A CN109100995B (zh) | 2018-03-09 | 2018-03-09 | 基于决策者偏好信息的铝电解节能减排优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109100995A CN109100995A (zh) | 2018-12-28 |
| CN109100995B true CN109100995B (zh) | 2020-09-29 |
Family
ID=64796673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810193062.7A Active CN109100995B (zh) | 2018-03-09 | 2018-03-09 | 基于决策者偏好信息的铝电解节能减排优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109100995B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110129832B (zh) * | 2019-06-21 | 2021-04-09 | 广西大学 | 一种铝电解过程槽电压的多目标优化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103699446A (zh) * | 2013-12-31 | 2014-04-02 | 南京信息工程大学 | 基于量子粒子群优化算法的多目标工作流动态调度方法 |
| CN105447567A (zh) * | 2015-11-06 | 2016-03-30 | 重庆科技学院 | 基于bp神经网络与mpso算法的铝电解节能减排控制方法 |
| CN107045290A (zh) * | 2017-06-14 | 2017-08-15 | 重庆科技学院 | 基于mqpso‑dmpc的反应再生系统优化控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190359510A1 (en) * | 2018-05-23 | 2019-11-28 | Beijing University Of Technology | Cooperative optimal control method and system for wastewater treatment process |
-
2018
- 2018-03-09 CN CN201810193062.7A patent/CN109100995B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103699446A (zh) * | 2013-12-31 | 2014-04-02 | 南京信息工程大学 | 基于量子粒子群优化算法的多目标工作流动态调度方法 |
| CN105447567A (zh) * | 2015-11-06 | 2016-03-30 | 重庆科技学院 | 基于bp神经网络与mpso算法的铝电解节能减排控制方法 |
| CN105447567B (zh) * | 2015-11-06 | 2017-12-05 | 重庆科技学院 | 基于bp神经网络与mpso算法的铝电解节能减排控制方法 |
| CN107045290A (zh) * | 2017-06-14 | 2017-08-15 | 重庆科技学院 | 基于mqpso‑dmpc的反应再生系统优化控制方法 |
Non-Patent Citations (5)
| Title |
|---|
| ar-MOEA: A Novel Preference-Based Dominance Relation for Evolutionary Multiobjective Optimization;Jun Yi;《IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION》;20191031;第788-802页 * |
| Modified quantum-behaved particle swarm optimization for parameters estimation of generalized nonlinear multi-regressions model based on Choquet integral with outliers;You-Min Jau;《Applied Mathematics and Computation》;20130915;第282-295页 * |
| 基于决策者偏好区域的多目标粒子群算法研究;麦雄发 等;《计算机应用研究》;20100415;第1301-1304页 * |
| 基于拥挤距离排序的铝电解多目标优化;易军 等;《仪器仪表学报》;20151115;第2502-2509页 * |
| 面向反应再生过程的量子粒子群多目标优化;白竣仁 等;《化工学报》;20181206;第750-756页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109100995A (zh) | 2018-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109085752B (zh) | 基于角度支配关系的铝电解偏好多目标优化算法 | |
| CN105447567B (zh) | 基于bp神经网络与mpso算法的铝电解节能减排控制方法 | |
| CN110782658B (zh) | 一种基于LightGBM算法的交通量预测方法 | |
| CN108445756B (zh) | 基于ar支配关系的铝电解节能减排智能控制方法 | |
| CN105404926A (zh) | 基于bp神经网络与mbfo算法的铝电解生产工艺优化方法 | |
| CN105302973A (zh) | 基于moea/d算法的铝电解生产优化方法 | |
| CN112564098B (zh) | 基于时间卷积神经网络的高比例光伏配电网电压预测方法 | |
| CN108846526A (zh) | 一种二氧化碳排放量预测方法 | |
| CN113282122B (zh) | 一种商用建筑能耗预测优化方法及系统 | |
| CN107203687B (zh) | 吸收塔脱硫过程多目标协同智能优化控制方法 | |
| CN109146121A (zh) | 基于pso-bp模型的停限产情况下的电量预测方法 | |
| CN105321000A (zh) | 基于bp神经网络与mobfoa算法的铝电解工艺参数优化方法 | |
| CN107992645B (zh) | 基于混沌-烟花混合算法的污水处理过程软测量建模方法 | |
| CN104375478B (zh) | 一种轧钢生产过程产品质量在线预测与优化的方法及装置 | |
| CN111260117B (zh) | 一种基于气象因子的ca-narx水质预测方法 | |
| CN105425583B (zh) | 基于协同训练lwpls的青霉素生产过程的控制方法 | |
| CN104462850A (zh) | 基于模糊高斯混合模型的多阶段间歇过程软测量方法 | |
| CN105404142B (zh) | 基于bp神经网络与mbfo算法的铝电解多参数控制方法 | |
| CN109086469B (zh) | 基于递归神经网络与偏好信息的铝电解建模与优化方法 | |
| CN109100995B (zh) | 基于决策者偏好信息的铝电解节能减排优化方法 | |
| CN111832817A (zh) | 基于mcp罚函数的小世界回声状态网络时间序列预测方法 | |
| CN105426959A (zh) | 基于bp神经网络与自适应mbfo算法的铝电解节能减排方法 | |
| Zhou et al. | A self-organizing fuzzy neural network modeling approach using an adaptive quantum particle swarm optimization | |
| CN105302976A (zh) | 基于spea2算法的铝电解生产优化方法 | |
| CN106940068A (zh) | 一种基于遗传蚁群算法的水蓄冷空调系统节能优化控制策略的确定方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20181228 Assignee: Chongqing Qinlang Technology Co.,Ltd. Assignor: Chongqing University of Science & Technology Contract record no.: X2023980050332 Denomination of invention: Optimization method for energy conservation and emission reduction in aluminum electrolysis based on decision-maker preference information Granted publication date: 20200929 License type: Common License Record date: 20231206 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20181228 Assignee: Guangxi Chunmeng Intelligent Technology Co.,Ltd. Assignor: Chongqing University of Science & Technology Contract record no.: X2023980053984 Denomination of invention: Optimization method for energy conservation and emission reduction in aluminum electrolysis based on decision-maker preference information Granted publication date: 20200929 License type: Common License Record date: 20231227 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20181228 Assignee: Foshan shangxiaoyun Technology Co.,Ltd. Assignor: Chongqing University of Science & Technology Contract record no.: X2024980003005 Denomination of invention: Optimization method for energy conservation and emission reduction in aluminum electrolysis based on decision-maker preference information Granted publication date: 20200929 License type: Common License Record date: 20240322 Application publication date: 20181228 Assignee: FOSHAN YAOYE TECHNOLOGY Co.,Ltd. Assignor: Chongqing University of Science & Technology Contract record no.: X2024980003003 Denomination of invention: Optimization method for energy conservation and emission reduction in aluminum electrolysis based on decision-maker preference information Granted publication date: 20200929 License type: Common License Record date: 20240322 Application publication date: 20181228 Assignee: Foshan helixing Technology Co.,Ltd. Assignor: Chongqing University of Science & Technology Contract record no.: X2024980003002 Denomination of invention: Optimization method for energy conservation and emission reduction in aluminum electrolysis based on decision-maker preference information Granted publication date: 20200929 License type: Common License Record date: 20240322 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20181228 Assignee: Foshan qianshun Technology Co.,Ltd. Assignor: Chongqing University of Science & Technology Contract record no.: X2024980004523 Denomination of invention: Optimization method for energy conservation and emission reduction in aluminum electrolysis based on decision-maker preference information Granted publication date: 20200929 License type: Common License Record date: 20240419 |