[发明专利]铝电解过程电解槽工艺能耗的动态演化建模方法

说明书

技术领域

本发明涉及一种铝电解过程电解槽工艺中节能降耗的建模方法，尤其是一种基于强跟踪平方根无迹卡尔曼神经网络的铝电解槽工艺能耗动态演化建模方法。

背景技术

我国铝电解行业生产耗能巨大。业界公认的节能增效途径有两类：其一，采用新型槽结构以改变槽内物理场分布，已取得了显著的节能效果，但是采用新型槽结构是一种改变生产装备的方法，需要摈弃原有生产装备，重新投入大量资金；其二，采用高新技术改造和提升现有铝电解生产技术，提升工业装置生产能级，如采用优化操作技术等，可以在不改变现有铝电解生产装备的前提下，确定出铝电解过程的最佳操作参数，来维持其最优槽况，但前提是必须建立精确可靠的过程优化模型。

在第二种节能增效方式中，机理模型能够描述铝电解过程中重要变量的变化趋势，反映铝电解过程的基本机理知识。然而铝电解过程具有多变量、强耦合、动态时变和强干扰等复杂特征，要建立准确可靠的工艺能耗机理模型十分困难，并且机理建模是在一定的简化和假设条件下进行的。基于数据的统计建模方法根据对象的输入输出数据直接建模，对过程先验知识和假设条件要求较低。其中的神经网络建模方法因其有强大的非线性逼近能力，适合于大规模、并行方式、以及复杂或未知机理问题的处理，在铝电解过程的建模与优化中得到了广泛的应用。

然而，利用传统神经网络建模时，通常假设系统的环境噪声和内部状态变量是稳定的，模型中的参数如权值和阈值都是固定不变的，导致其没有自适应能力，是一种静态建模方法，其效果仅限于相对稳定的工业过程。在实际的铝电解过程中，要求铝电解槽的操作不仅要在生产装置频繁波动(如换阳极、出铝、打壳下料等)的情况下使一切槽参数(如氧化铝浓度、槽温和槽压等)满足给定的约束条件，而且要按照实时的生产数据，求解出铝电解操作参数的最佳匹配，进而随时实施优化控制。另外，电解槽随着电解用原料成分的变动、槽底沉淀、设备老化和环境扰动等影响，也都需要适时优化电解工艺条件，以满足新的工况。当铝电解过程慢慢发生演变时，基于早期数据的模型精度和泛化能力都无法保证，导致静态神经网络模型无法满足以上铝电解工艺条件实时优化的需求。因此，研究如何建立高精度和对电解槽突变状态能有效跟踪的能耗模型，对铝电解过程优化工艺操作、实现节能减排具有重要意义。

近年来，结合卡尔曼滤波理论和神经网络算法发展起来的扩展卡尔曼神经网络(EKFNN)和无迹卡尔曼神经网络(UKFNN)，分别利用EKF和UKF对神经网络的权值和阈值进行动态调整，能够建立起随生产条件实时变化的动态演化模型，有望实现铝电解工艺条件的优化要求.相比EKFNN而言，UKFNN不需要计算Jacobi矩阵和对模型进行线性化处理，且很容易实现对非线性系统的最优估计。但是，UKFNN在递推运算过程中，误差协方差阵可能出现负定而导致滤波发散，并且滤波增益无法在线调整，缺乏自适应能力.当系统发生异常时，算法收敛速度慢，不能对电解槽突变状态(如因换阳极、出铝、打壳下料等作业，致使电解槽内部状态发生的非自然转移或突然改变)进行有效跟踪。

发明内容

有鉴于此，本发明的目的在于提供一种改进无迹卡尔曼神经网络的、具有高精度和强跟踪能力的铝电解过程电解槽工艺能耗的动态演化建模方法。

为了实现上述目的，本发明的技术方案如下：

步骤一：测量和采集9个决策参数和能耗指标直流电耗值，所述9个决策参数为：系列电流、分子比、铝水平、电解质水平、槽温、出铝量、氟化盐日用量、下料间隔、槽电压，采集所得数据为[X_N,Y]，[X_N,Y]是一个10×N的矩阵，其中：N为采集数据样本数，Y为直流电耗值，并建立历史数据库；

步骤二：对采集的数据进行归一化处理：得到新数据为[X’_N,Y’]；

所述归一化处理对每个决策参数和直流电耗值分别进行，具体归一化处理方法如下：