[發明專利]基于SUKFNN算法的鋁電解工耗模型構建方法

有效

• 申請號: 201711427892.3
• 申請日: 2017-12-26
• 公開（公告）號: CN108038330B
• 公開（公告）日: 2022-02-08
• 發明（設計）人: 姚立忠;易軍;劉興華;李太福;段棠少;張恒健
• 申請（專利權）人: 重慶科技學院
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F119/18;G06F111/10
• 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: 龍玉洪

本發明公開一種基于SUKFNN算法的鋁電解工耗模型構建方法，利用超球體單形采樣策略替代傳統UKFNN使用的對稱采樣策略，獲得改進的算法SUKFNN算法進行建模。有益效果：將對稱采樣的2n+1個采樣點降低到n+2個采樣點，大大減少Sigma點的采樣數量，與UKFNN模型比較精度相當，但運行時間降低三分之一左右，提高了模型的實時性，并且有效降低鋁電解建模過程的復雜程度。

技術領域

本發明涉及構建鋁電解工耗模型技術領域，具體的說，涉及一種基于SUKFNN算法的鋁電解工耗模型構建方法。

背景技術

在鋁電解生產過程中，采用較廣泛的節能技術是提高硬件或者研發新型的反應設備與裝置，上述手段可有效增加電流強度和電流效率，但實施難度大，周期長效率低。因此，在確保鋁電解平穩安全生產的前提下，如何降低工藝能耗，提高電流效率，已成為鋁電解企業追逐的目標。

采用建模優化技術，可以在不更新/改變當前鋁電解工藝裝備的前提下，給出鋁電解生產過程的最優運行參數，使其保持最優槽況，實現節能減排。然而，鋁電解槽內部包含復雜的物理化學變化，槽內工藝參數較多，且參數間具有強耦合、非線性等特征；另外極距與保溫材料厚度等工藝參數不易直接獲取、調整，以及未考慮到鋁電解過程是一種動態模式，給建立鋁電解生產過程模型帶來一定難度。

現有技術采用BP神經網絡或無跡卡爾曼濾波神經網絡(UKFNN)進行采樣建模，BP神經網絡所建立的通常是靜態模型，沒有充分考慮鋁電解過程的動態特性；而UKFNN雖然建立動態自適應的模型保證了數值穩定性，如專利申請號為201610325327.5所公開的基于迭代更新的UKFNN鋁電解工耗模型構建方法，但其對稱采樣策略所采樣的Sigma點數量為2n+1個，導致計算時間長，建模速度受影響大。

發明內容

本發明的目的是提供一種采樣點少且動態建模的基于SUKFNN算法的鋁電解工耗模型構建方法，使建模數值保持穩定，并將Sigma點的數量控制在n+2個，減少了運算數量，從而省去大量運算時間，加快建模速度。

為達到上述目的，本發明采用的具體技術方案如下：

一種基于SUKFNN算法的鋁電解工耗模型構建方法，所述SUKFNN算法即超球體的無跡卡爾曼濾波神經網絡算法，該算法是結合超球體單形采樣對UKFNN算法的對稱采樣進行改進的算法；

所述鋁電解工耗模型構建方法采用如下步驟：

S1，初始化鋁電解工耗模型濾波器：

其中，x₀表示鋁電解功耗模型的初始參數值，是x₀的期望值，是x₀的方差矩陣，為的轉置矩陣；

S2，采用超球體單形采樣策略計算鋁電解工耗模型的Sigma點χ_i：

其中，為模型參數均值，為第i個參數x_i的方差矩陣，為Sigma點χ_i第n維的值，n為超球體的維度，亦即模型的維度；

S3，根據k-1時刻的狀態參數預測下一時刻k的狀態參數；

S4，采用當前時刻的測量值y_k對S3所預測的狀態參數進行修正，則修正結果即為鋁電解工耗模型。

通過上述設計，利用超球體單形采樣策略替代傳統UKFNN使用的對稱采樣策略，將對稱采樣的2n+1個采樣點降低到n+2個采樣點，大大減少Sigma點的采樣數量，改進后的算法建模與UKFNN模型比較精度相當，但運行時間降低三分之一左右，提高了模型的實時性，并且有效降低鋁電解建模過程的復雜程度。

進一步描述，步驟S2中所述的計算公式如下：