基于bp神經網絡與自適應mbfo算法的鋁電解節能減排方法
【技術領域】
[0001] 本發明涉及鋁電解生產過程中的自動控制技術，具體涉及一種基于BP神經網絡與 自適應MBF0算法的鋁電解節能減排方法。
【背景技術】
[0002] 鋁電解是一個復雜的工業生產過程，通常采用拜耳法進行冶煉，然而，該方法耗能 巨大且效率低。與此同時，鋁電解生產過程中會產生大量溫室氣體，環境污染嚴重。因此，在 保證鋁電解槽平穩生產的前提下，如何提高電流效率、降低能耗、降低污染氣體排放量，以 實現高效、節能、減排已成為鋁電解企業的生產目標。但是，鋁電解槽內部復雜的物料化學 變化以外部多種不確定作業因素導致槽內參數較多，參數間呈現出非線性、強耦合性等特 點，且諸如極距、保溫材料厚度等參數難以實時測量、調整，給鋁電解生產過程控制優化帶 來一走難度。

【發明內容】

[0003]本申請通過提供一種基于BP神經網絡與自適應MBF0算法的鋁電解節能減排方法， 以解決現有技術中鋁電解生產過程中因無法獲得最優工藝參數而導致的耗能巨大、效率低 且嚴重污染環境的技術問題。
[0004]為解決上述技術問題，本申請采用以下技術方案予以實現：
[0005] -種基于BP神經網絡與自適應MBF0算法的鋁電解節能減排方法，包括如下步驟：
[0006] S1:選擇對電流效率和溫室氣體排放量有影響的控制參數構成決策變量X=[Xl， X2，…，XM]，M為所選參數的個數；
[0007] S2:選定鋁電解工業現場，采集N組決策變量Xi，X2，…，XN及其對應的電流效率yi， y2，…，yN和溫室氣體排放量zi，Z2，…，ZN作為數據樣本，以每一個決策變量Xi作為輸入，分別 以對應的電流效率yi和溫室氣體排放量21作為輸出，運用BP神經網絡對樣本進行訓練、檢 驗，建立鋁電解槽生產過程模型；
[0008] S3:利用多目標細菌覓食優化算法，即MBF0算法，對步驟S2所得的兩個生產過程模 型進行優化，得到一組最優決策變量Xbest及其對應的電流效率ybest和溫室氣體排放量zbest， 優化時，根據菌群進化狀態對趨向操作的步長進行動態調整，以確保種群的多樣性和收斂 性；
[0009]趨向操作的步長動態調整如下：
[0010] 第i只細菌第t+Ι次迭代的步長爻
[0011] 步長調整函數為
[0012]式中，Ct(i)為第i只細菌第t次迭代的步長，di為第i只細菌的擁擠距離，μ、λΕ(〇， 1)為步長調整因子
為第i只細菌第t次迭代的擁擠距離，L為細菌群體 的大小；
[0013] S4:按照步驟S3所得的最優決策變量Xbest中的控制參數來控制步驟S2中所選定的 鋁電解工業現場，使其達到節能減排。
[0014]結合實際生產情況，步驟S1中選定了8個參數構成決策變量，分別為系列電流、下 料次數、分子比、出鋁量、鋁水平、電解質水平、槽溫和槽電壓。
[0015]為了滿足建模需求，步驟S2中的BP神經網絡由輸入層、隱藏層和輸出層構成；
[0016]針對電流效率所構建的生產過程模型而言，其輸入層采用8個神經元節點，隱藏層 采用13個神經元節點，輸出層采用1個神經元節點，輸入層到隱藏層之間傳遞函數為Tansig 函數，隱藏層到輸出層之間的函數為Purelin函數，樣本訓練時的迭代次數為500;
[0017]針對溫室氣體排放量所構建的生產過程模型而言，其輸入層采用8個神經元節點， 隱藏層采用12個神經元節點，輸出層采用1個神經元節點，輸入層到隱藏層之間傳遞函數為 Logsig函數，隱藏層到輸出層之間的函數為Purel in函數，樣本訓練時的迭代次數為500。
[0018] 進一步地，步驟S3中的MBF0算法包括以下步驟：
[0019] S31:將決策變量X的值視為細菌位置，根據決策變量X中各個參數的范圍隨機生成 L個細菌構成菌群初始位置；
[0020]S32:初始化系統參數，包括趨向次數Nc，趨向行為中前進次數Ns，繁殖次數Nre，驅 散次數Ned，驅散概率Ped，外部檔案規模K;
[0021] S33:執行趨向操作，包括翻轉和前進；
[0022]假設第i(i = 1,2，···，L)只細菌在第j次趨向操作第k次復制操作和第1次驅散操作 之后的位置為
[0023]式中，deb是第i只細菌最近一次翻轉時所選擇的隨機矢量方向，C(i)是其沿dct 方向前進的步伐長度，且
，Ai為各分量均為[-1,1]內隨機數的向量，向量的 維數與決策變量X的維數相同；
[0024]S34:根據個體間的信息素濃度執行聚群操作：
[0025] S35:計算菌群的健康函數，并將其進行降序排列，淘汰健康函數值小的一半細菌， 健康函數值大的另一半細菌進行繁殖，且子細菌覓食能力保持與父代一致；
[0026] 對給定的k、l，每只細菌的健康函數為
?示第 i只細菌的能量，1(1，」氺，1)表示細菌1在第」次趨向操作第1^次復制操作和第1次驅散操作 之后的適應度函數值，N。表示趨向次數，越大，表示細菌i的覓食能力越強；
[0027] S36:將S35產生的菌群與前一次迭代計算產生的菌群合并，計算此時新菌群的個 體擁擠距離并按照擁擠距離進行排序，選擇前L個優勢個體構成下一代菌群；
[0028] S36:驅散:細菌經歷幾代復制后，以驅散概率Ped被驅散到搜索空間中的任意位置；
[0029] S37:判斷優化算法是否滿足結束條件，如滿足，則輸出Pareto前沿即最優決策變 量Xbest及其對應的電流效率ybest和溫室氣體排放量Zbest，如不滿足，則跳轉至步驟S33循環 執行。
[0030] 再進一步地，步驟S3中計算非劣解的擁擠距離包括如下步驟：
[0031]A1:對外部檔案中所有最優個體進行升序排序；
[0032] A2:計算每個解相鄰的兩個個體在每個優化目標空間上的距離；
[0033] A3:將這些距離相加即得所求最優解的擁擠距離，并設邊界解的擁擠距離為無窮
大；
[0034] 第i個個體的擁擠距離為：
[0035] 式中，為第i個個體在目標j的距離，R為升序排列后擁擠距離最大的個體序號，m為目標空間維度；
[0036] 步驟S3中對外部檔案進行更新時，假設外部檔案A最大容量為q，第i次迭代計算形 成的非支配解為Q，具體包括如下步驟：
[0037] B1:計算外部檔案所有個體的擁擠距離，并作降序排列；
[0038] B2:更新外部檔案:在第i次迭代時，若Q>A，則以Q替換A;
[0039] B3:判斷外部檔案A容量是否滿足最大容量的要求，若A中個體數n<q，則復制Q到A 中，形成新的外部檔案A1;
[0040] B4:判斷新的外部檔案A1中是否存在目標值相同的個體，若存在則只保留其一；
[0041] B5:若新的外部檔案A1中個體數nl^q，則進行下一次迭代，若nl>q，則計算擁擠 距離cU，并降序排列，刪除擁擠距離最小的nl-q個個體。
[0042] 與現有技術相比，本申請提供的技術方案，具有的技術效果或優點是:該方法確定 了鋁電解生產過程中工藝參數的最優值，有效提高了電流效率，減少了溫室氣體排放量，真 正達到節能減排的目的。
【附圖說明】
[0043]圖1為本發明的方法流程圖；
[0044] 圖2為電流效率預測結果圖；
[0045] 圖3為CF4排放量預測結果圖；
[0046]圖4為電流效率預測誤差圖；
[0047]圖5為CF4排放量預測誤差圖。
【具體實施方式】
[0048]本申請實施例通過提供一種基于BP神經網絡與自適應MBF0算法的鋁電解節能減 排方法，以解決現有技術中鋁電解生產過程中因無法獲得最優工藝參數而導致的耗能巨 大、效率低且嚴重污染環境的技術問題。
[0049]為了更好的理解上述技術方案，下面將結合說明書附圖以及具體的實施方式，對 上述技術方案進行詳細的說明。
[0050] 實施例
[0051]如圖1所示，一種基于BP神經網絡與自適應MBF0算法的鋁電解節能減排方法，其關 鍵在于，包括如下步驟：
[0052] S1:選擇對電流效率和溫室氣體排放量有影響的控制參數構成決策變量X= [X1， X2，…，XM]，M為所選參數的個數；
[0053] 實施是通過統計鋁電解生產過程中對電流效率和溫室氣體排放量有影響的原始 變量，并從中確定對電流效率和溫室氣體排放量影響大的參數作為決策變量X;
[0054] 通過對實際工業生產過程中測量參數進行統計得到對電流效率和溫室氣體排放 量影響