10.11857/j.issn.1674-5124.2019100041
基于改进PSO-KELM的高炉回旋区温度预测研究
高炉平稳运行时,喷煤量常根据回旋区温度的波动随时进行调整.相较于人工推断回旋区温度,建立回旋区温度预测模型更能及时准确地对喷煤量进行优化.针对常规PSO-KELM算法对回旋区温度预测命中率较低的问题,提出改进的PSO-KELM算法对其进行建模预测.首先,采用混沌机制调整惯性权重,并线性改变学习因子,以平衡粒子群的全局与局部搜索能力.其次,针对粒子群算法易陷入局部最优的缺点,引入遗传算法思想,将种群粒子交叉、变异,以提高种群多样性.最后,基于所提方法用某高炉运行数据建立回旋区温度预测模型,并与用常规PSO-KELM算法、BP神经网络、极限学习机建立的模型作对比.仿真结果表明,用所提算法建立的模型预测回旋区温度具有最高命中率和最低均方误差.
回旋区温度预测、核极限学习机、粒子群优化、高炉
46
TP391.9(计算技术、计算机技术)
国家自然科学基金项目61763039
2020-05-13（万方平台首次上网日期，不代表论文的发表时间）
共6页
25-30
