[發(fā)明專利]基于神經(jīng)網(wǎng)絡(luò)的費托合成反應(yīng)器控制方法及裝置

在審

• 申請?zhí)枺?/td>: 202211066920.4
• 申請日: 2022-09-01
• 公開（公告）號: CN115438773A
• 公開（公告）日: 2022-12-06
• 發(fā)明（設(shè)計）人: 郭中山;廖祖維;丁文瑤;王瑞航;李虎;黃正梁;金政偉;蔣斌波;井云環(huán);王靖岱;溫潤娟;陽永榮;趙娜娜;馬瑞;朱傳琪
• 申請（專利權(quán)）人: 國家能源集團寧夏煤業(yè)有限責(zé)任公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;C10G2/00;G06N3/08;G06N3/12
• 代理公司: 北京康信知識產(chǎn)權(quán)代理有限責(zé)任公司 11240
• 代理人: 霍文娟

1.一種基于神經(jīng)網(wǎng)絡(luò)的費托合成反應(yīng)器控制方法，其特征在于，包括：

獲取多個變量數(shù)據(jù)，并采用第一預(yù)定數(shù)量個所述變量數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型；

采用第二預(yù)定數(shù)量個所述變量數(shù)據(jù)，對所述訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型進行優(yōu)化，得到優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型，所述第二預(yù)定數(shù)量小于所述第一預(yù)定數(shù)量；

采用遺傳算法和所述優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型，確定最終目標(biāo)變量數(shù)據(jù)，所述最終目標(biāo)變量數(shù)據(jù)為從所有的所述變量數(shù)據(jù)中選取的結(jié)果最優(yōu)的數(shù)據(jù)；

采用所述最終目標(biāo)變量數(shù)據(jù)控制費托合成反應(yīng)器。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型表示為第一公式第二公式和第三公式其中，i為輸入層節(jié)點數(shù)，j為隱含層節(jié)點數(shù)，k為輸出層節(jié)點數(shù)，X_i為輸入層節(jié)點數(shù)為i時所對應(yīng)的所述變量數(shù)據(jù)，ω_ij為輸入層到隱含層的初始權(quán)值，Z_i為輸入層節(jié)點數(shù)為i時所對應(yīng)的隱含層傳遞函數(shù)，θ_i為輸入層到隱含層的初始閾值，ω_jk為隱含層到輸出層的初始權(quán)值，θ_k為隱含層到輸出層的初始閾值，Y_k為輸出層節(jié)點數(shù)為k時所對應(yīng)的目標(biāo)函數(shù)，T_k為輸出層節(jié)點數(shù)為k時所對應(yīng)的期望輸出值，E為輸出層節(jié)點的相對平均偏差，n為所述第一預(yù)定數(shù)量。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，采用第二預(yù)定數(shù)量個所述變量數(shù)據(jù)，對所述訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型進行優(yōu)化，得到優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型，包括：

根據(jù)所述訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型和第二預(yù)定數(shù)量個所述變量數(shù)據(jù)，確定偏移值，所述偏移值用于表征預(yù)測值與真實值的偏移程度；

根據(jù)所述偏移值，確定輸入層到隱含層的目標(biāo)權(quán)值、隱含層到輸出層的目標(biāo)權(quán)值、輸入層到隱含層的目標(biāo)閾值和隱含層到輸出層的目標(biāo)閾值；

采用所述輸入層到隱含層的目標(biāo)權(quán)值、所述隱含層到輸出層的目標(biāo)權(quán)值、所述輸入層到隱含層的目標(biāo)閾值和所述隱含層到輸出層的目標(biāo)閾值，優(yōu)化所述訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型，得到優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，根據(jù)所述訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型和第二預(yù)定數(shù)量個所述變量數(shù)據(jù)，確定偏移值，包括：

根據(jù)第四公式確定偏移值，其中，RMSE為所述偏移值，N為所述第二預(yù)定數(shù)量，y_i為第二預(yù)定數(shù)量個所述變量數(shù)據(jù)中的第i個所對應(yīng)的預(yù)測值，為第二預(yù)定數(shù)量個所述變量數(shù)據(jù)中的第i個所對應(yīng)的真實值。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，采用遺傳算法和所述優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型，確定最終目標(biāo)變量數(shù)據(jù)，包括：

采用所述遺傳算法，確定目標(biāo)變量數(shù)據(jù)，所述目標(biāo)變量數(shù)據(jù)為從所有的所述變量數(shù)據(jù)中選取的使得所述費托合成反應(yīng)器的負(fù)荷達到最大時所對應(yīng)的變量數(shù)據(jù)；

采用所述優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型，根據(jù)所述目標(biāo)變量數(shù)據(jù)，確定所述目標(biāo)變量數(shù)據(jù)所對應(yīng)的結(jié)果；

在所述目標(biāo)變量數(shù)據(jù)所對應(yīng)的結(jié)果大于或者等于預(yù)定結(jié)果的情況下，將所述目標(biāo)變量數(shù)據(jù)作為所述最終目標(biāo)變量數(shù)據(jù)。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述方法還包括：

至少執(zhí)行一次以下步驟：在所述目標(biāo)變量數(shù)據(jù)所對應(yīng)的結(jié)果小于所述預(yù)定結(jié)果的情況下，采用所述遺傳算法，確定所述目標(biāo)變量數(shù)據(jù)，其中，將所有的所述變量數(shù)據(jù)中的上一次確定的目標(biāo)變量數(shù)據(jù)刪除。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述變量數(shù)據(jù)包括：凈化氣的溫度、凈化氣的壓力，進料氫氣的溫度、進料氫氣的壓力、進料氫氣的流量和循環(huán)氣的流量。