[發明專利]基于神經網絡的費托合成反應器控制方法及裝置

在審

• 申請號: 202211066920.4
• 申請日: 2022-09-01
• 公開（公告）號: CN115438773A
• 公開（公告）日: 2022-12-06
• 發明（設計）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;王靖岱;溫潤娟;陽永榮;趙娜娜;馬瑞;朱傳琪
• 申請（專利權）人: 國家能源集團寧夏煤業有限責任公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;C10G2/00;G06N3/08;G06N3/12
• 代理公司: 北京康信知識產權代理有限責任公司 11240
• 代理人: 霍文娟

本申請提供了一種基于神經網絡的費托合成反應器控制方法及裝置，該方法包括：獲取多個變量數據，并采用第一預定數量個變量數據，對神經網絡模型進行訓練，得到訓練后的神經網絡模型；采用第二預定數量個變量數據，對訓練后的神經網絡模型進行優化，得到優化后的神經網絡模型，第二預定數量小于第一預定數量；采用遺傳算法和優化后的神經網絡模型，確定最終目標變量數據，最終目標變量數據為從所有的變量數據中選取的結果最優的數據；采用最終目標變量數據控制費托合成反應器。從而優化了費托合成反應器的控制效果，進而解決了現有技術中費托合成反應系統控制的可靠性較低的問題。

技術領域

本申請涉及費托合成反應器技術領域，具體而言，涉及一種基于神經網絡的費托合成反應器控制方法、裝置、計算機可讀存儲介質及費托合成反應器控制系統。

背景技術

煤間接液化中費托合成為關鍵技術，而費托合成反應器是費托合成技術的核心設備，在其內部發生的費托合成反應是復雜的多相催化反應，反應條件、催化劑組成和反應器類型等對反應性能影響很大，而且諸多影響因素相互作用，呈現高度的非線性關系，而且整個反應器的工藝控制具有數據量大、高度互聯的特點，而傳統的費托合成反應器的控制系統采用的是常規的比例-積分-微分控制器(Proportion Integration Differentiation，簡稱PID)，PID控制器采用單回路或串級控制為主要調節手段，進行單參數調節，原理簡單，使用方便，適應性強，對于線性好、輸入不超過斜坡的系統是非常簡單實用的，但是對于復雜非線性系統和負載信號追蹤，非常有局限性，對于多輸入多輸出、耦合性強的系統、無法串級的高階系統、時延系統，用PID控制器經常是很難實現全局優化控制的。常規的費托合成數學模型的建立通常是基于反應動力學的集總模型，當應用于實際裝置時需要針對具體裝置進行校正，并不能根據當前的反應條件較及時、準確地預測目標參數，以較好地實現裝置的實時優化控制。

針對上述相關技術中費托合成反應系統控制的可靠性低、常規數學優化模型具有滯后性的問題，目前尚未提出有效的解決方案。

發明內容

本申請的主要目的在于提供一種基于神經網絡的費托合成反應器控制方法、裝置、計算機可讀存儲介質及費托合成反應器控制系統，以解決現有技術中費托合成反應系統控制的可靠性較低的問題。

根據本發明實施例的一個方面，提供了一種基于神經網絡的費托合成反應器控制方法，該方法包括：獲取多個變量數據，并采用第一預定數量個所述變量數據，對神經網絡模型進行訓練，得到訓練后的神經網絡模型；采用第二預定數量個所述變量數據，對所述訓練后的神經網絡模型進行優化，得到優化后的神經網絡模型，所述第二預定數量小于所述第一預定數量；采用遺傳算法和所述優化后的神經網絡模型，確定最終目標變量數據，所述最終目標變量數據為從所有的所述變量數據中選取的結果最優的數據；采用所述最終目標變量數據控制費托合成反應器。

可選地，所述訓練后的神經網絡模型表示為第一公式第二公式和第三公式其中，i為輸入層節點數，j為隱含層節點數，k為輸出層節點數，X_i為輸入層節點數為i時所對應的所述變量數據，ω_ij為輸入層到隱含層的初始權值，Z_i為輸入層節點數為i時所對應的隱含層傳遞函數，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值，θ_k為隱含層到輸出層的初始閾值，Y_k為輸出層節點數為k時所對應的目標函數，T_k為輸出層節點數為k時所對應的期望輸出值，E為輸出層節點的相對平均偏差，n為所述第一預定數量。