基于bp神经网络与自适应mbfo算法的铝电解节能减排方法
【技术领域】
[0001] 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 自适应MBF0算法的铝电解节能减排方法。
【背景技术】
[0002] 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 来一走难度。
【发明内容】
[0003]本申请通过提供一种基于BP神经网络与自适应MBF0算法的铝电解节能减排方法， 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。
[0004]为解决上述技术问题，本申请采用以下技术方案予以实现：
[0005] -种基于BP神经网络与自适应MBF0算法的铝电解节能减排方法，包括如下步骤：
[0006] S1:选择对电流效率和温室气体排放量有影响的控制参数构成决策变量X=[Xl， X2，…，XM]，M为所选参数的个数；
[0007] S2:选定铝电解工业现场，采集N组决策变量Xi，X2，…，XN及其对应的电流效率yi， y2，…，yN和温室气体排放量zi，Z2，…，ZN作为数据样本，以每一个决策变量Xi作为输入，分别 以对应的电流效率yi和温室气体排放量21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；
[0008] S3:利用多目标细菌觅食优化算法，即MBF0算法，对步骤S2所得的两个生产过程模 型进行优化，得到一组最优决策变量Xbest及其对应的电流效率ybest和温室气体排放量zbest， 优化时，根据菌群进化状态对趋向操作的步长进行动态调整，以确保种群的多样性和收敛 性；
[0009]趋向操作的步长动态调整如下：
[0010] 第i只细菌第t+Ι次迭代的步长爻
[0011] 步长调整函数为
[0012]式中，Ct(i)为第i只细菌第t次迭代的步长，di为第i只细菌的拥挤距离，μ、λΕ(〇， 1)为步长调整因子
为第i只细菌第t次迭代的拥挤距离，L为细菌群体 的大小；
[0013] 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。
[0014]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。
[0015]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；
[0016]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500;
[0017]针对温室气体排放量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Purel in函数，样本训练时的迭代次数为500。
[0018] 进一步地，步骤S3中的MBF0算法包括以下步骤：
[0019] S31:将决策变量X的值视为细菌位置，根据决策变量X中各个参数的范围随机生成 L个细菌构成菌群初始位置；
[0020]S32:初始化系统参数，包括趋向次数Nc，趋向行为中前进次数Ns，繁殖次数Nre，驱 散次数Ned，驱散概率Ped，外部档案规模K;
[0021] S33:执行趋向操作，包括翻转和前进；
[0022]假设第i(i = 1,2，···，L)只细菌在第j次趋向操作第k次复制操作和第1次驱散操作 之后的位置为
[0023]式中，deb是第i只细菌最近一次翻转时所选择的随机矢量方向，C(i)是其沿dct 方向前进的步伐长度，且
，Ai为各分量均为[-1,1]内随机数的向量，向量的 维数与决策变量X的维数相同；
[0024]S34:根据个体间的信息素浓度执行聚群操作：
[0025] S35:计算菌群的健康函数，并将其进行降序排列，淘汰健康函数值小的一半细菌， 健康函数值大的另一半细菌进行繁殖，且子细菌觅食能力保持与父代一致；
[0026] 对给定的k、l，每只细菌的健康函数为
?示第 i只细菌的能量，1(1，」氺，1)表示细菌1在第」次趋向操作第1^次复制操作和第1次驱散操作 之后的适应度函数值，N。表示趋向次数，越大，表示细菌i的觅食能力越强；
[0027] S36:将S35产生的菌群与前一次迭代计算产生的菌群合并，计算此时新菌群的个 体拥挤距离并按照拥挤距离进行排序，选择前L个优势个体构成下一代菌群；
[0028] S36:驱散:细菌经历几代复制后，以驱散概率Ped被驱散到搜索空间中的任意位置；
[0029] S37:判断优化算法是否满足结束条件，如满足，则输出Pareto前沿即最优决策变 量Xbest及其对应的电流效率ybest和温室气体排放量Zbest，如不满足，则跳转至步骤S33循环 执行。
[0030] 再进一步地，步骤S3中计算非劣解的拥挤距离包括如下步骤：
[0031]A1:对外部档案中所有最优个体进行升序排序；
[0032] A2:计算每个解相邻的两个个体在每个优化目标空间上的距离；
[0033] A3:将这些距离相加即得所求最优解的拥挤距离，并设边界解的拥挤距离为无穷
大；
[0034] 第i个个体的拥挤距离为：
[0035] 式中，为第i个个体在目标j的距离，R为升序排列后拥挤距离最大的个体序号，m为目标空间维度；
[0036] 步骤S3中对外部档案进行更新时，假设外部档案A最大容量为q，第i次迭代计算形 成的非支配解为Q，具体包括如下步骤：
[0037] B1:计算外部档案所有个体的拥挤距离，并作降序排列；
[0038] B2:更新外部档案:在第i次迭代时，若Q>A，则以Q替换A;
[0039] B3:判断外部档案A容量是否满足最大容量的要求，若A中个体数n<q，则复制Q到A 中，形成新的外部档案A1;
[0040] B4:判断新的外部档案A1中是否存在目标值相同的个体，若存在则只保留其一；
[0041] B5:若新的外部档案A1中个体数nl^q，则进行下一次迭代，若nl>q，则计算拥挤 距离cU，并降序排列，删除拥挤距离最小的nl-q个个体。
[0042] 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，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】
[0043]图1为本发明的方法流程图；
[0044] 图2为电流效率预测结果图；
[0045] 图3为CF4排放量预测结果图；
[0046]图4为电流效率预测误差图；
[0047]图5为CF4排放量预测误差图。
【具体实施方式】
[0048]本申请实施例通过提供一种基于BP神经网络与自适应MBF0算法的铝电解节能减 排方法，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。
[0049]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。
[0050] 实施例
[0051]如图1所示，一种基于BP神经网络与自适应MBF0算法的铝电解节能减排方法，其关 键在于，包括如下步骤：
[0052] S1:选择对电流效率和温室气体排放量有影响的控制参数构成决策变量X= [X1， X2，…，XM]，M为所选参数的个数；
[0053] 实施是通过统计铝电解生产过程中对电流效率和温室气体排放量有影响的原始 变量，并从中确定对电流效率和温室气体排放量影响大的参数作为决策变量X;
[0054] 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和温室气体排放 量影响