作者：崔桂梅， 张运强， 张 勇
作者单位：内蒙古科技大学信息工程学院，内蒙古 包头 014010
关键词：回旋区温度预测; 核极限学习机; 粒子群优化; 高炉
摘要：
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。
