(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221086940 3.4 (22)申请日 2022.07.22 (71)申请人 重庆师范大学 地址 401331 重庆市沙坪坝区大 学城中路 37号 (72)发明人 姚立忠　余鹏　罗海军　赵蕾　 (74)专利代理 机构 北京卓胜佰达知识产权代理 有限公司 16 026 专利代理师 刘冬梅 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 铝电解制造系统单位能耗预测方法 (57)摘要 本发明公开一种铝电解制造系统单位能耗 预测方法。 发 明首先将铝电解作业过程系 列设计 参数作为小波神经网络的输入， 制造系统单位能 耗作为预测模 型的输出； 其次将小波神经网络模 型的权值、 伸缩和平移系数的组合作为遗传算法 的状态变量， 小波神经网络模型的输出值作为遗 传算法的测试量； 然后利用遗传算法全局寻优性 来逼近小波网络最佳的权值和各项系数； 最后得 到遗传优化后的小波神经网络单位能耗模型， 并 利用其预测能耗值。 实验结果表明， 小波神经网 络作为数据驱动建模中应用范围较广的通用函 数逼近器， 在经过遗传算法优化后， 具有更好的 预测精度和收敛性能， 为后续设计最佳制造参数 提供了基础模型。 权利要求书2页 说明书5页 附图3页 CN 115081744 A 2022.09.20 CN 115081744 A 1.一种铝电解制造系统单位能耗预测方法， 其特 征在于， 所述方法包括： 利用训练样本对小波神经网络进行训练， 所述训练样本包括铝电解作业过程系列设计 参数和制造系统单位能耗； 所述铝电解作业过程系列设计参数包括系 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、 NB次数、 槽电压中的一种及其组合； 将所述小波神经网络模型训练过程中得到的权值、 伸缩和平移系数的组合作为遗传算 法的状态变量， 所述小波神经网络模型训练过程中得到的输出值作为遗传算法的测试量， 并利用遗传算法全局寻优性来逼近 以得到小波神经网络模型最佳的权值、 伸缩和平移系 数； 利用所述最佳的权值、 伸缩和平移系数配置所述小波神经网络得到预测模型， 并基于 所述预测模型 预测铝电解制造系统单位能耗。 2.根据权利要求1所述的方法， 其特征在于， 所述小波神经网络包括多个链接的小波 基， 所述小 波基的传递 函数表示 为： ψa,b(x)＝cos(1.75x)exp( ‑x2/2) 其中x表示输入信号， exp()表示经验函数。 3.根据权利要求2所述的方法， 其特征在于， 所述将所述小波神经网络模型训练过程中 得到的权值、 伸缩和平移系 数的组合作为遗传算法的状态变量， 所述小波神经网络模型训 练过程中得到的输出值作为遗传算法的测试量， 并利用遗传算法全局寻优性来逼近以得到 小波神经网络模型最佳的权值、 伸缩和平 移系数， 包括： 通过GA算法来找寻小 波神经网络的权值ωij和ωjk、 伸缩因子aj、 平移因子bj； 设定群体规模， 最大迭代次数， 初始化个体样本， 所述个体样本中的个体采用实数编 码， 每个个体由小波神经网络的权值ωij和ωjk、 伸缩因子aj、 平移因子bj组成； 为输入层 到隐含层各权值， 为隐含层到 输出层的各权值， 编码形式如下： 基于编码后的个体样本， 循环执行遗传操作， 所述遗传操作包括平均汉明距离排挤选 择、 自适应交叉和标准高斯柯西变异； 在个体的适应度值达到预设的阈值要求时， 终止遗传操作循环， 得到新的种群， 解码得 到小波神经网络的权值ωij和ωjk、 伸缩因子aj、 平移因子bj； 将得到的小波神经网络的权值ωij和ωjk、 伸缩因子aj、 平移因子bj转入小波神经网络 进行训练， 根据预设误差和/或迭代 次数判断是否结束训练， 得到最佳的权值、 伸缩和平移 系数。 4.根据权利要求3所述的方法， 其特征在于， 基于训练样本， 用小波神经网络进行训练， 根据训练结果确定个 体的适应度值。 5.根据权利要求3所述的方法， 其特征在于， 根据如下适应度函数确定个体的适应度 值： 其中给定P(p＝1,2,...P)组训练样本， E为个体的适应度值， dp为输出层第p个样本的期权　利　要　求　书 1/2 页 2 CN 115081744 A 2望输出； yp为第p个样本的实际输出。权　利　要　求　书 2/2 页 3 CN 115081744 A 3