基于nsga-ⅱ算法的鋁電解生產(chǎn)優(yōu)化方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及最優(yōu)控制領(lǐng)域，具體涉及一種基于NSGA-II算法的鋁電解生產(chǎn)優(yōu)化方 法。
【背景技術(shù)】
[0002] 環(huán)境友好型鋁電解生產(chǎn)過(guò)程長(zhǎng)期以來(lái)都是一個(gè)具有挑戰(zhàn)性的問(wèn)題。在電解鋁工 業(yè)中，最終目標(biāo)是在電解槽平穩(wěn)運(yùn)行的基礎(chǔ)上，提高電流效率、降低噸鋁能耗以及減少全氟 化物的排放量，然而這一目標(biāo)是非常難以實(shí)現(xiàn)的，原因在于鋁電解槽參數(shù)較多，參數(shù)間呈現(xiàn) 出非線性、強(qiáng)耦合性，給鋁電解生產(chǎn)過(guò)程建模帶來(lái)了較大難度。BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非 線性映射能力，適用于解決非線性系統(tǒng)建模問(wèn)題，為鋁電解生產(chǎn)過(guò)程建模提供了新的思路。 NSGA-II算法是一種經(jīng)典的多目標(biāo)進(jìn)化算法，其運(yùn)算速度快、適應(yīng)能力強(qiáng)、求解具有復(fù)雜PS 的多目標(biāo)問(wèn)題時(shí)具有較高的性能因而被廣泛應(yīng)用于多個(gè)領(lǐng)域。

【發(fā)明內(nèi)容】

[0003] 本申請(qǐng)通過(guò)提供一種基于NSGA-II算法的鋁電解生產(chǎn)優(yōu)化方法，以解決現(xiàn)有技術(shù) 中鋁電解生產(chǎn)過(guò)程中因無(wú)法獲得最優(yōu)工藝參數(shù)而導(dǎo)致的耗能巨大、效率低且嚴(yán)重污染環(huán)境 的技術(shù)問(wèn)題。
[0004] 為解決上述技術(shù)問(wèn)題，本申請(qǐng)采用以下技術(shù)方案予以實(shí)現(xiàn)：
[0005] -種基于NSGA-II算法的鋁電解生產(chǎn)優(yōu)化方法，其關(guān)鍵在于，包括如下步驟：
[0006] S1 :統(tǒng)計(jì)鋁電解生產(chǎn)過(guò)程中對(duì)電流效率、噸鋁能耗和全氟化物排放量有影響的原 始變量，并從中確定對(duì)電流效率、噸鋁能耗和全氟化物排放量影響大的參數(shù)作為決策變量 X;
[0007]S2:采集時(shí)間T內(nèi)的決策變量X及其對(duì)應(yīng)的電流效率、噸鋁能耗和全氟化物排放量 Y的樣本，得到樣本矩陣，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、檢驗(yàn)，建立鋁電解生產(chǎn)過(guò)程模型；
[0008] S3 :利用基于NSGA-II算法對(duì)生產(chǎn)過(guò)程模型進(jìn)行優(yōu)化，得到各決策變量的一組最 優(yōu)解以及該最優(yōu)解對(duì)應(yīng)的電流效率、噸鋁能耗和全氟化物排放量；NSGA-II算法對(duì)生產(chǎn)過(guò) 程模型進(jìn)行優(yōu)化的具體步驟包括：
[0009] S3 :利用基于NSGA-II算法對(duì)生產(chǎn)過(guò)程模型進(jìn)行優(yōu)化，得到各決策變量的一組最 優(yōu)解以及該最優(yōu)解對(duì)應(yīng)的電流效率、噸鋁能耗和全氟化物排放量；
[0010] NSGA-II算法對(duì)生產(chǎn)過(guò)程模型進(jìn)行優(yōu)化的具體步驟包括：
[0011] S31 :初始化種群，種群大小為N;
[0012] S32 :計(jì)算每個(gè)個(gè)體的非劣級(jí)別值、擁擠距離和改進(jìn)排序適應(yīng)度值；
[0013] S33 :設(shè)置計(jì)數(shù)器r= 1，進(jìn)入循環(huán)迭代；
[0014] S34:對(duì)每個(gè)子種群依據(jù)每個(gè)個(gè)體的非劣級(jí)別值、擁擠距離和改進(jìn)排序適應(yīng)度值， 運(yùn)用輪盤賭方法進(jìn)行設(shè)定閾值選擇操作；
[0015]S35:使用算術(shù)交叉算子進(jìn)行變異操作，得到N個(gè)后代；
[0016]S36:對(duì)變異操作之后的每個(gè)個(gè)體計(jì)算適應(yīng)度值；
[0017]S37:收集第r代和第r+Ι代所有個(gè)體，得到規(guī)模為2N的臨時(shí)種群；
[0018]S38:計(jì)算臨時(shí)種群內(nèi)每個(gè)個(gè)體的非劣級(jí)別值、擁擠距離和改進(jìn)排序適應(yīng)度值，使 用按需分層策略，從臨時(shí)種群中選擇前N個(gè)個(gè)體作為最優(yōu)種群，作為下一代遺傳操作的父 輩；
[0019] S39:判斷生成的新種群是否滿足結(jié)束條件，如果是，則輸出結(jié)果，否則，將計(jì)數(shù)器 r=r+Ι，跳轉(zhuǎn)至步驟S34。
[0020] 進(jìn)一步地，步驟S2中Xk= [xkl,xk2，…，xkM](k= 1，2,…，S)為輸入矢量，S為訓(xùn)練 樣本個(gè)數(shù)，
[0021]
為第g次迭代時(shí)輸入層Μ與隱 層I之間的權(quán)值矢量，W;P(g)為第g次迭代時(shí)隱層J與輸出層Ρ之間的權(quán)值矢量，Yk(g) =[yki(g)，yk2 (g)，…，ykp(g) ](k= 1，2,…，s)為第g次迭代時(shí)網(wǎng)絡(luò)的實(shí)際輸出，dk= [dkl,dk2,…，dkp](k= 1，2,…，S)為期望輸出；
[0022] 步驟S2中建立鋁電解生產(chǎn)過(guò)程模型具體包括如下步驟：
[0023]S21:初始化，設(shè)迭代次數(shù)g初值為0,分別賦給WMI (0)、W;P⑹一個(gè)（0, 1)區(qū)間的隨 機(jī)值；
[0024]S22:隨機(jī)輸入樣本Xk;
[0025]S23:對(duì)輸入樣本Xk，前向計(jì)算BP神經(jīng)網(wǎng)絡(luò)每層神經(jīng)元的輸入信號(hào)和輸出信號(hào)；
[0026]S24:根據(jù)期望輸出dk和實(shí)際輸出Yk(g)，計(jì)算誤差E(g);
[0027]S25:判斷誤差E(g)是否滿足要求，如不滿足，則進(jìn)入步驟S26,如滿足，則進(jìn)入步 驟S29;
[0028]S26:判斷迭代次數(shù)g+Ι是否大于最大迭代次數(shù)，如大于，則進(jìn)入步驟S29,否則，進(jìn) 入步驟S27;
[0029]S27 :對(duì)輸入樣本Xk反向計(jì)算每層神經(jīng)元的局部梯度δ;
[0030] S28 :計(jì)算權(quán)值修正量Δw，并修正權(quán)值；令g=g+1，跳轉(zhuǎn)至步驟S23 ;
[0031] S29 :判斷是否完成所有的訓(xùn)練樣本，如果是，則完成建模，否則，繼續(xù)跳轉(zhuǎn)至步驟 S22〇
[0032] 作為一種優(yōu)選的技術(shù)方案，步驟S1中的決策變量包括：系列電流、下料次數(shù)、分子 比、出鋁量、鋁水平、電解質(zhì)水平、槽溫和槽電壓。
[0033] 作為一種優(yōu)選的技術(shù)方案，最大迭代次數(shù)g為800次。
[0034]與現(xiàn)有技術(shù)相比，本申請(qǐng)?zhí)峁┑募夹g(shù)方案，具有的技術(shù)效果或優(yōu)點(diǎn)是：該方法確定 了鋁電解生產(chǎn)過(guò)程中工藝參數(shù)的最優(yōu)值，有效提高了電流效率，減少了溫室氣體排放量、降 低了噸鋁能耗，真正達(dá)到節(jié)能減排降耗的目的。
【附圖說(shuō)明】
[0035] 圖1為基于NSGA-II算法的鋁電解生產(chǎn)優(yōu)化方法流程圖；
[0036] 圖2為CF4排放量預(yù)測(cè)結(jié)果圖；
[0037] 圖3為CF4排放量預(yù)測(cè)誤差圖；
[0038] 圖4為電流效率預(yù)測(cè)結(jié)果圖；
[0039] 圖5為電流效率預(yù)測(cè)誤差圖；
[0040] 圖6為噸鋁能耗預(yù)測(cè)結(jié)果圖；
[0041] 圖7為噸鋁能耗預(yù)測(cè)誤差圖。
【具體實(shí)施方式】
[0042] 本申請(qǐng)實(shí)施例通過(guò)提供一種基于NSGA-II算法的鋁電解生產(chǎn)優(yōu)化方法，以解決現(xiàn) 有技術(shù)中鋁電解生產(chǎn)過(guò)程中因無(wú)法獲得最優(yōu)工藝參數(shù)而導(dǎo)致的耗能巨大、效率低且嚴(yán)重污 染環(huán)境的技術(shù)問(wèn)題。
[0043] 為了更好的理解上述技術(shù)方案，下面將結(jié)合說(shuō)明書(shū)附圖以及具體的實(shí)施方式，對(duì) 上述技術(shù)方案進(jìn)行詳細(xì)的說(shuō)明。
[0044] 實(shí)施例
[0045] 一種基于NSGA-II算法的鋁電解生產(chǎn)優(yōu)化方法，包括如下步驟：
[0046] S1 :統(tǒng)計(jì)鋁電解生產(chǎn)過(guò)程中對(duì)電流效率、噸鋁能耗和全氟化物排放量有影響的原 始變量，并從中確定對(duì)電流效率、噸鋁能耗和全氟化物排放量影響大的參數(shù)作為決策變量 X；
[0047] 通過(guò)對(duì)實(shí)際工業(yè)生產(chǎn)過(guò)程中測(cè)量參數(shù)進(jìn)行統(tǒng)計(jì)得到對(duì)電流效率yi和溫室氣體排 放量7 2影響最大的變量為：系列電流Xi、下料次數(shù)x2、分子比x3、出鋁量x4、錯(cuò)水平x5、電解 質(zhì)水平x6、槽溫x7、槽電壓xs* 8個(gè)變量。
[0048]S2:采集時(shí)間T內(nèi)的決策變量X及其對(duì)應(yīng)的電流效率、噸鋁能耗和全氟化物排放量 Y的樣本，得到樣本矩陣，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、檢驗(yàn)，建立鋁電解生產(chǎn)過(guò)程模型；
[0049] 在本實(shí)施例中，采集重慶天泰鋁業(yè)有限公司170KA系列電解槽中的223#槽2013 年全年生產(chǎn)數(shù)據(jù)以及2014年前40天數(shù)據(jù)，共計(jì)405組數(shù)據(jù)，數(shù)據(jù)樣本如下表1所示。
[0050] 表1數(shù)據(jù)樣本
[0051]
[0052]設(shè)置Xk=[Xkl，xk2，…，xj(k= 1，2,…，S)為輸入矢量，N為訓(xùn)練樣本個(gè)數(shù)，
[0053]
為第g次迭代時(shí)輸入層Μ與隱 層I之間的儀但大重，wygj73弟g伏達(dá)代叮|裙壇J與輸出層Ρ之間的權(quán)值矢量，Yk(g) =[yki(g)，yk2 (g)，…，ykp(g) ](k= 1，2,…，s)為第g次迭代時(shí)網(wǎng)絡(luò)的實(shí)際輸出，dk= [dkl，dk2，…，dkP](k= 1，2,…，S)為期望輸出，迭代次數(shù)g取800 ;
[0054] 步驟S2中建立鋁電解生產(chǎn)過(guò)程模型具體包括如下步驟：
[0055] S21 :初始化，設(shè)迭代次數(shù)g初值為0,分別賦給WMI (0)、W;P (0) -個(gè)（0, 1)區(qū)間的隨 機(jī)值；
[0056] S22 :隨機(jī)輸入樣本Xk;
[0057] S23 :對(duì)輸入樣本Xk，前向計(jì)算BP神經(jīng)網(wǎng)絡(luò)每層神經(jīng)元的輸入信號(hào)和輸出信號(hào)；