基于moea/d算法的铝电解生产优化方法
【技术领域】
[0001] 本发明涉及最优控制领域，具体涉及一种基于M0EA/D算法的铝电解生产优化方 法。
【背景技术】
[0002] 环境友好型铝电解生产过程长期以来都是一个具有挑战性的问题。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、降低吨铝能耗以及减少全氟 化物的排放量，然而这一目标是非常难以实现的，原因在于铝电解槽参数较多，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。BP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。 M0EA/D算法是一种经典的多目标进化算法，其运算速度快、适应能力强、求解具有复杂PS 的多目标问题时具有较高的性能因而被广泛应用于多个领域。
【发明内容】
[0003] 本申请通过提供一种基于M0EA/D算法的铝电解生产优化方法，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。
[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M0EA/D算法的铝电解生产优化方法，其关键在于，包括如下步骤：
[0006] Sl :统计铝电解生产过程中对电流效率、吨铝能耗和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、吨铝能耗和全氟化物排放量影响大的参数作为决策变量 X；
[0007] S2 :采集时间T内的决策变量X及其对应的电流效率、吨铝能耗和全氟化物排放量 Y的样本，得到样本矩阵，利用BP神经网络进行训练、检验，建立铝电解生产过程模型；
[0008] S3 :利用基于M0EA/D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、吨铝能耗和全氟化物排放量；M0EA/D算法对生产过程模 型进行优化的具体步骤包括：
[0009] S31 :初始化；
[0010] S311 :将待优化的多个目标分解为N个单目标，并对每个单目标赋予权重 (λ1，λ2,…λΝ);
[0011] S312:计算任意两个权重的欧氏距离，对于每个i = l，2,…Ν，令B (i) = Uui2，… iT}，则;Lil,,..妒是离λ1最近的τ个权重；
[0012] S313 :初始化种群X1，... χΝ，初始化目标函数最佳值ζ = (Z1, ... zm)T，Zi = min比(X1)，…^ (ΧΝ) }，设置外部存档EP为空；
[0013] S32 :对单个待优化目标最优值进行重复计算，每次产生的新向量都会更加接近多 目标优化的最优值；
[0014] S321 :从B(i)中随机选取两个序列号为k，1子向量，运用遗传算子有X^x1产生一 个新的解y，并对y运用基于测试问题的修复和改进启发产生y' ；
[0015] S322 :更新 z :对于 j = 1，· · · m，如果 Zi< f .j (y'），则令 Zi= f .j(y'）；
[0016] S323 :更新邻域解：对于 j e B (i)，如果 gte (/ / λ j，z) < gte Ui/ λ j，z)，则令 Xi = y'，FV]= F(y ，其中f(x/ λ \ z)表示第j个子问题的目标函数，利用切比雪夫法将多目 标优化分解为N个标量优化子问题，具体表达式为
FV为X的目标函数，FV1= F(x 〇，FV1是X 1的F值；
[0017] S324 :更新EP，从EP中移出所有被F(y'）支配的向量，加入所有不被支配的 F (y')；
[0018] S33 :判断EP中的值是否满足条件，如果满足，则输出EP值，如果不满足，则返回 S32〇
[0019] 进一步地，步骤S2中Xk= [xkl, xk2，…，xkM] (k = 1，2,…，S)为输入矢量，S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，W;P(g)为第g次迭代时隐层J与输出层P之间的权值矢量，Yk(g) =[yki (g)，yk2 (g)，…，ykp (g) ] (k = 1，2,…，s)为第g次迭代时网络的实际输出，dk= [dkl, dk2,…，dkp] (k = 1，2,…，S)为期望输出；
[0021] 步骤S2中建立铝电解生产过程模型具体包括如下步骤：
[0022] S21 :初始化，设迭代次数g初值为0,分别赋给Wmi (0)、W;P (0) -个（0, 1)区间的随 机值；
[0023] S22 :随机输入样本Xk;
[0024] S23 :对输入样本Xk，前向计算BP神经网络每层神经元的输入信号和输出信号；
[0025] S24 :根据期望输出dk和实际输出Y k (g)，计算误差E (g);
[0026] 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 ;
[0027] S26 :判断迭代次数g+Ι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 ;
[0028] S27 :对输入样本Xk反向计算每层神经元的局部梯度δ ;
[0029] S28 :计算权值修正量Δ W，并修正权值；令g = g+1，跳转至步骤S23 ;
[0030] 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 S22〇
[0031] 作为一种优选的技术方案，步骤SI中的决策变量包括：系列电流、正常下料次数、 分子比、出铝量、铝水平、电解质水平、槽温和槽电压。
[0032] 作为一种优选的技术方案，最大迭代次数g为800次。
[0033] 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】
[0034] 图1为基于M0EA/D算法的铝电解生产优化方法流程图；
[0035] 图2为CF4排放量预测结果图；
[0036] 图3为CF4排放量预测误差图；
[0037] 图4为电流效率预测结果图；
[0038] 图5为电流效率预测误差图；
[0039] 图6为吨铝能耗预测结果图；
[0040] 图7为吨铝能耗预测误差图。
【具体实施方式】
[0041] 本申请实施例通过提供一种基于M0EA/D算法的铝电解生产优化方法，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。
[0042] 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。
[0043] 实施例
[0044] 如图1所示，一种基于M0EA/D算法的铝电解生产优化方法，其特征在于，包括如下 步骤：
[0045] Sl :统计铝电解生产过程中对电流效率、吨铝能耗和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、吨铝能耗和全氟化物排放量影响大的参数作为决策变量 X；
[0046] 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yi和温室气体排 放量7 2影响最大的变量为：系列电流X i、正常下料次数X2、分子比X3、出铝量X4、错水平X5、 电解质水平X 6、槽温X7、槽电压X8* 8个变量。
[0047] S2 :采集时间T内的决策变量X及其对应的电流效率、吨铝能耗和全氟化物排放量 Y的样本，得到样本矩阵，利用BP神经网络进行训练、检验，建立铝电解生产过程模型；
[0048] 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2013 年全年生产数据以及2014年前40天数据，共计405组数据，数据样本如下表1所示。
[0049] 表1数据样本
[0050]
[0051] 设置Xk= [x kl，xk2，…，xj (k = 1，2,…，S)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，W;P(g)为第g次迭代时隐层J与输出层P之间的权值矢量，Yk(g) =[yki (g)，yk2 (g)，…，ykp (g) ] (k = 1，2,…，s)为第g次迭代时网络的实际输出，dk= [dkl，dk2，…，d kP] (k = 1，2,…，S)为期望输出，迭代次数g取800 ;
[0053] 步骤S2中建立铝电解生产过程模型具体包括如下步骤：
[0054] S21 :初始化，设迭代次数g初值为0,分别赋给Wmi (0)、W;P⑹一个（0, 1)区间的随 机值；
[0055] S22 :随机输入样本Xk;
[0056] S23 :对输入样本Xk，前向计算BP神经网络每层神经元的输入信号和输出信号；
[0057] S24:根据期望输出dk和实际输出Yk(g)，计算误差E(g);
[0058] 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 ;
[0059] S26 :判断迭代次数g+Ι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 ;
[0060] S27 :对输入样本Xk反向计算每层神经元的局部梯度δ ;
[0061] S28 :计算权值修正量Δ W，并修正权值，计算公式为：
I式中，η为学习效率；令g = g+Ι，跳转至步骤S23 ;
[0062] 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 S22〇