[发明专利]基于递归神经网络与角度偏好的铝电解建模与优化方法

说明书

本发明提供了一种基于递归神经网络与角度偏好的铝电解建模与优化方法。首先，利用递归神经网络对铝电解生产过程进行建模，然后决策者设定期望目标值，引入A‑dominance偏好支配方法，结合多目标量子粒子群算法对生产过程模型进行优化，得到最满足决策者期望的最优决策变量，以及对应的电流效率、槽电压、全氟化物排放量和吨铝能耗。MQPSO算法不需要进行交叉、变异操作，只有最简单的位置更新步骤，因此编码过程简单，并且具有强全局搜索能力，容易实现种群进化过程中偏好最优取值的完整性，满足决策者需求。利用该方法确定铝电解生产过程中工艺参数的最优值，可有效提高电流效率，降低槽电压，减少温室气体排放量，达到节能减排的目的。

技术领域

本发明属于最优控制领域，具体涉及一种基于递归神经网络与角度偏好的铝电解建模与优化方法。

背景技术

环保型铝电解生产过程长期以来都非常具有挑战性，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、降低槽电压以及减少全氟化物、减少吨铝能耗的排放量。然而，铝电解槽参数较多，并且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，而递归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。而对于四个目标，同时实现则非常困难，因为目标相互之间存在冲突的现象，因此可引入决策者的偏好信息，设定期望目标，灵活调整不同目标之间的权重，利用偏好A-PMQPSO优化算法进行变量优化。A-PMQPSO是在MQPSO基础上，引入A支配方法。MQPSO是一种经典的多目标优化算法，该算法简单、运算速度快、进化过程可直接用方程描述，因而被广泛应用于多个领域。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于递归神经网络与角度偏好的铝电解建模与优化方法，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，并且同时可以引入决策者偏好信息，实现动态灵活调整各目标之间偏好权重的目的。

本发明的目的是这样实现的：

一种基于递归神经网络与角度偏好的铝电解建模与优化方法，包括如下步骤：

S1：选择对电流效率、槽电压以及全氟化物排放量有影响的控制参数构成决策变量，决策变量X＝[x₁,x₂,···,x_M]，M为所选控制参数的个数；

S2：选定铝电解工业现场，采集N组决策变量X₁,X₂,···,X_N及其对应的电流效率y₁,y₂,···,y_N，槽电压z₁,z₂,···,z_N，以及全氟化物排放量s₁,s₂,···,s_N和吨铝能耗c₁,c₂,···,c_N为数据样本，以每一组决策变量X_i作为输入，以对应的电流效率y_i、槽电压z_i以及全氟化物排放量s_i和吨铝能耗c_i作为输出，利用递归神经网络对样本进行训练、检验，建立四个铝电解槽生产过程模型；

S3：利用基于A支配的偏好多目标量子粒子群算法，根据决策者预先设定的期望值作为参考点，建立基于A支配的严格偏序关系，对步骤S2所得的四个生产过程模型进行优化，得到一组最满足决策者期望的决策变量X_best及其对应的电流效率y_best、槽电压z_best以及全氟化物排放量s_best和吨铝能耗c_best；