[發明專利]鋁電解過程電解槽工藝能耗的動態演化建模方法

有效

• 申請號: 201310290736.2
• 申請日: 2013-07-10
• 公開（公告）號: CN103345559A
• 公開（公告）日: 2013-10-09
• 發明（設計）人: 姚立忠;王家序;李太福;易軍;田應甫;胡文金;蘇盈盈
• 申請（專利權）人: 重慶科技學院
• 主分類號: G06F17/50
• 分類號: G06F17/50;C25C3/06
• 代理公司: 重慶為信知識產權代理事務所(普通合伙) 50216
• 代理人: 余錦曦

1.一種鋁電解過程電解槽工藝能耗的動態演化建模方法，其特征在于按如下步驟進行：?

步驟一：測量和采集9個決策參數和能耗指標直流電耗值，所述9個決策參數為：系列電流、分子比、鋁水平、電解質水平、槽溫、出鋁量、氟化鹽日用量、下料間隔、槽電壓，采集所得數據為[X_N，Y]，其中：N為采集數據樣本數，Y為直流電耗值，并建立歷史數據庫；?

步驟二：對采集的數據進行歸一化處理：得到新數據為[X’_N，Y’]；?

具體歸一化處理方法如下：

其中：x_i，x’_i分別為歸一化前后的決策參數；y_i，y’_i分別為歸一化前后的直流電耗值；x_min，x_max分別為歸一化前決策參數的最大值和最小值；y_min，y_max分別為歸一化前直流電耗值的最小值和最大值；i＝(1，2，…，N)；?

步驟三：采用強跟蹤平方根無跡卡爾曼神經網絡對歸一化后的數據[X’_N，Y’]進行建模：將所述9個決策參數作為神經網絡的輸入矢量，所述直流電耗值為神經網絡的輸出矢量建立能耗模型，利用強跟蹤平方根無跡卡爾曼濾波對神經網絡的權值、閾值進行估計，將神經網絡的權值、閾值作為強跟蹤平方根無跡卡爾曼濾波的狀態變量，神經網絡的輸出作為強跟蹤平方根無跡卡爾曼濾波的測量變量；?

強跟蹤平方根無跡卡爾曼濾波的狀態變量即神經網絡的權值、閾值：設有一L層前饋BP神經網絡，記每層神經元數為H_k(k＝0，1，…，L-1)，H₀為輸入層神經元數，H_L-1為輸出層神經元數，第k層神經元的連接權值閾值為則該前饋BP神經網絡的所有權值和閾值組成的強跟蹤平方根無跡卡爾曼濾波的狀態變量為?

則建模系統的狀態方程和觀測方程如下：?

其中：F^L為神經網絡第L層傳遞函數，Y_t為期望輸出，X_t為輸入矢量，ψ_t，ζ_t分別為系統噪聲和觀測噪聲，它們是隨機高斯白噪聲信號，滿足ψ_t～N(0，Q_t)，ζ_t～N(0，R_t)，此處Q_t，R_t僅僅代表方差矩陣；?

所述強跟蹤平方根無跡卡爾曼神經網絡中，采用3層前饋BP神經網絡建模，該神經網絡包括輸入層，隱含層和輸出層，其中：隱含層傳遞函數為logsig函數，輸出層傳遞函數為purelin函數；該3層神經網絡函數表達式如下：?

其中：M＝9，為輸入層神經元數；q為隱含層神經元數，采用試湊法公式來確定所述神經網絡隱含層神經元數，C為1～10之間的常數，b₂表示輸出層的閾值；?

所述強跟蹤平方根無跡卡爾曼濾波的狀態變量G的初始狀態取值為g₀，所述利用強跟蹤平方根無跡卡爾曼濾波對神經網絡的權值、閾值進行估計包括以下步驟：?

(1)初始化估計值?

(2)計算Sigma點χ_k-1，選擇對稱采樣策略?

其中，表示對稱算符；?

(3)時間更新?

χ_i，t|t-1＝χ_i，t-1

γ_i，t|t-1＝f(χ_i，t|t-1，x_t)?

(4)測量更新?

上式中：

B^(c)_i＝B^(m)_i＝1/{2(n+λ)}，i＝1，…，2n?

其中s_t為濾波漸消因子，1≤ε≤5為弱化因子，實時調整濾波增益；0＜ρ≤1為遺忘因子，其值越大，則越突出當前殘差向量的影響；v_t為輸出的殘差序列，0≤η，α≤1為系數，β一般取1到5的常數；λ為影響Sigma向量χ_k-1分布的擴展因子，n為狀態變量維數；?

步驟四：應用所建模型預估電解過程能耗值利用下式將預估的能耗值反歸一化為能耗值，預估出當前時刻鋁電解過程的工藝能耗值：?

。