基于moea/d算法的鋁電解生產優(yōu)化方法
【技術領域】
[0001] 本發(fā)明涉及最優(yōu)控制領域，具體涉及一種基于M0EA/D算法的鋁電解生產優(yōu)化方 法。
【背景技術】
[0002] 環(huán)境友好型鋁電解生產過程長期以來都是一個具有挑戰(zhàn)性的問題。在電解鋁工 業(yè)中，最終目標是在電解槽平穩(wěn)運行的基礎上，提高電流效率、降低噸鋁能耗以及減少全氟 化物的排放量，然而這一目標是非常難以實現(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、強耦合性，給鋁電解生產過程建模帶來了較大難度。BP神經網(wǎng)絡具有很強的非 線性映射能力，適用于解決非線性系統(tǒng)建模問題，為鋁電解生產過程建模提供了新的思路。 M0EA/D算法是一種經典的多目標進化算法，其運算速度快、適應能力強、求解具有復雜PS 的多目標問題時具有較高的性能因而被廣泛應用于多個領域。

【發(fā)明內容】

[0003] 本申請通過提供一種基于M0EA/D算法的鋁電解生產優(yōu)化方法，以解決現(xiàn)有技術 中鋁電解生產過程中因無法獲得最優(yōu)工藝參數(shù)而導致的耗能巨大、效率低且嚴重污染環(huán)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(xiàn)：
[0005] -種基于M0EA/D算法的鋁電解生產優(yōu)化方法，其關鍵在于，包括如下步驟：
[0006] Sl :統(tǒng)計鋁電解生產過程中對電流效率、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 :采集時間T內的決策變量X及其對應的電流效率、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神經網(wǎng)絡進行訓練、檢驗，建立鋁電解生產過程模型；
[0008] S3 :利用基于M0EA/D算法對生產過程模型進行優(yōu)化，得到各決策變量的一組最優(yōu) 解以及該最優(yōu)解對應的電流效率、噸鋁能耗和全氟化物排放量；M0EA/D算法對生產過程模 型進行優(yōu)化的具體步驟包括：
[0009] S31 :初始化；
[0010] S311 :將待優(yōu)化的多個目標分解為N個單目標，并對每個單目標賦予權重 (λ1，λ2,…λΝ);
[0011] S312:計算任意兩個權重的歐氏距離，對于每個i = l，2,…Ν，令B (i) = Uui2，… iT}，則;Lil,,..妒是離λ1最近的τ個權重；
[0012] S313 :初始化種群X1，... χΝ，初始化目標函數(shù)最佳值ζ = (Z1, ... zm)T，Zi = min比(X1)，…^ (ΧΝ) }，設置外部存檔EP為空；
[0013] S32 :對單個待優(yōu)化目標最優(yōu)值進行重復計算，每次產生的新向量都會更加接近多 目標優(yōu)化的最優(yōu)值；
[0014] S321 :從B(i)中隨機選取兩個序列號為k，1子向量，運用遺傳算子有X^x1產生一 個新的解y，并對y運用基于測試問題的修復和改進啟發(fā)產生y' ；
[0015] S322 :更新 z :對于 j = 1，· · · m，如果 Zi< f .j (y'），則令 Zi= f .j(y'）；
[0016] S323 :更新鄰域解：對于 j e B (i)，如果 gte (/ / λ j，z) < gte Ui/ λ j，z)，則令 Xi = y'，F(xiàn)V]= F(y ，其中f(x/ λ \ z)表示第j個子問題的目標函數(shù)，利用切比雪夫法將多目 標優(yōu)化分解為N個標量優(yōu)化子問題，具體表達式為
FV為X的目標函數(shù)，F(xiàn)V1= F(x 〇，F(xiàn)V1是X 1的F值；
[0017] S324 :更新EP，從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 :判斷EP中的值是否滿足條件，如果滿足，則輸出EP值，如果不滿足，則返回 S32〇
[0019] 進一步地，步驟S2中Xk= [xkl, xk2，…，xkM] (k = 1，2,…，S)為輸入矢量，S為訓練 樣本個數(shù)，
為第g次迭代時輸入層M與隱 層I之間的權值矢量，W;P(g)為第g次迭代時隱層J與輸出層P之間的權值矢量，Yk(g) =[yki (g)，yk2 (g)，…，ykp (g) ] (k = 1，2,…，s)為第g次迭代時網(wǎng)絡的實際輸出，dk= [dkl, dk2,…，dkp] (k = 1，2,…，S)為期望輸出；
[0021] 步驟S2中建立鋁電解生產過程模型具體包括如下步驟：
[0022] S21 :初始化，設迭代次數(shù)g初值為0,分別賦給Wmi (0)、W;P (0) -個（0, 1)區(qū)間的隨 機值；
[0023] S22 :隨機輸入樣本Xk;
[0024] S23 :對輸入樣本Xk，前向計算BP神經網(wǎng)絡每層神經元的輸入信號和輸出信號；
[0025] S24 :根據(jù)期望輸出dk和實際輸出Y k (g)，計算誤差E (g);
[0026] S25 :判斷誤差E (g)是否滿足要求，如不滿足，則進入步驟S26,如滿足，則進入步 驟 S29 ;
[0027] S26 :判斷迭代次數(shù)g+Ι是否大于最大迭代次數(shù)，如大于，則進入步驟S29,否則，進 入步驟S27 ;
[0028] S27 :對輸入樣本Xk反向計算每層神經元的局部梯度δ ;
[0029] S28 :計算權值修正量Δ W，并修正權值；令g = g+1，跳轉至步驟S23 ;
[0030] S29 :判斷是否完成所有的訓練樣本，如果是，則完成建模，否則，繼續(xù)跳轉至步驟 S22〇
[0031] 作為一種優(yōu)選的技術方案，步驟SI中的決策變量包括：系列電流、正常下料次數(shù)、 分子比、出鋁量、鋁水平、電解質水平、槽溫和槽電壓。
[0032] 作為一種優(yōu)選的技術方案，最大迭代次數(shù)g為800次。
[0033] 與現(xiàn)有技術相比，本申請?zhí)峁┑募夹g方案，具有的技術效果或優(yōu)點是：該方法確定 了鋁電解生產過程中工藝參數(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，真 正達到節(jié)能減排的目的。
【附圖說明】
[0034] 圖1為基于M0EA/D算法的鋁電解生產優(yōu)化方法流程圖；
[0035] 圖2為CF4排放量預測結果圖；
[0036] 圖3為CF4排放量預測誤差圖；
[0037] 圖4為電流效率預測結果圖；
[0038] 圖5為電流效率預測誤差圖；
[0039] 圖6為噸鋁能耗預測結果圖；
[0040] 圖7為噸鋁能耗預測誤差圖。
【具體實施方式】
[0041] 本申請實施例通過提供一種基于M0EA/D算法的鋁電解生產優(yōu)化方法，以解決現(xiàn) 有技術中鋁電解生產過程中因無法獲得最優(yōu)工藝參數(shù)而導致的耗能巨大、效率低且嚴重污 染環(huán)境的技術問題。
[0042] 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。
[0043] 實施例
[0044] 如圖1所示，一種基于M0EA/D算法的鋁電解生產優(yōu)化方法，其特征在于，包括如下 步驟：
[0045] Sl :統(tǒng)計鋁電解生產過程中對電流效率、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；
[0046] 通過對實際工業(yè)生產過程中測量參數(shù)進行統(tǒng)計得到對電流效率yi和溫室氣體排 放量7 2影響最大的變量為：系列電流X i、正常下料次數(shù)X2、分子比X3、出鋁量X4、錯水平X5、 電解質水平X 6、槽溫X7、槽電壓X8* 8個變量。
[0047] S2 :采集時間T內的決策變量X及其對應的電流效率、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神經網(wǎng)絡進行訓練、檢驗，建立鋁電解生產過程模型；
[0048] 在本實施例中，采集重慶天泰鋁業(yè)有限公司170KA系列電解槽中的223#槽2013 年全年生產數(shù)據(jù)以及2014年前40天數(shù)據(jù)，共計405組數(shù)據(jù)，數(shù)據(jù)樣本如下表1所示。
[0049] 表1數(shù)據(jù)樣本
[0050]
[0051] 設置Xk= [x kl，xk2，…，xj (k = 1，2,…，S)為輸入矢量，N為訓練樣本個數(shù)，
為第g次迭代時輸入層M與隱 層I之間的權值矢量，W;P(g)為第g次迭代時隱層J與輸出層P之間的權值矢量，Yk(g) =[yki (g)，yk2 (g)，…，ykp (g) ] (k = 1，2,…，s)為第g次迭代時網(wǎng)絡的實際輸出，dk= [dkl，dk2，…，d kP] (k = 1，2,…，S)為期望輸出，迭代次數(shù)g取800 ;
[0053] 步驟S2中建立鋁電解生產過程模型具體包括如下步驟：
[0054] S21 :初始化，設迭代次數(shù)g初值為0,分別賦給Wmi (0)、W;P⑹一個（0, 1)區(qū)間的隨 機值；
[0055] S22 :隨機輸入樣本Xk;
[0056] S23 :對輸入樣本Xk，前向計算BP神經網(wǎng)絡每層神經元的輸入信號和輸出信號；
[0057] S24:根據(jù)期望輸出dk和實際輸出Yk(g)，計算誤差E(g);
[0058] S25 :判斷誤差E (g)是否滿足要求，如不滿足，則進入步驟S26,如滿足，則進入步 驟 S29 ;
[0059] S26 :判斷迭代次數(shù)g+Ι是否大于最大迭代次數(shù)，如大于，則進入步驟S29,否則，進 入步驟S27 ;
[0060] S27 :對輸入樣本Xk反向計算每層神經元的局部梯度δ ;
[0061] S28 :計算權值修正量Δ W，并修正權值，計算公式為：

I式中，η為學習效率；令g = g+Ι，跳轉至步驟S23 ;
[0062] S29 :判斷是否完成所有的訓練樣本，如果是，則完成建模，否則，繼續(xù)跳轉至步驟 S22〇