基于改进PSO优化ELM的高炉喷煤量预测研究
高炉炼铁过程中喷煤量的设定值通常由炉长经验得出,具有一定的盲目性和模糊性,为了增加喷煤量设定的合理性,提出了一种基于改进粒子群算法优化极限学习机的高炉喷煤量预测模型.基于某高炉实际运行数据,采用混沌惯性权重和自适应学习因子来改进粒子群优化(PSO)算法的收敛性,并通过引入遗传算法的交叉变异操作提高算法的全局最优性,然后利用改进的粒子群算法优化极限学习机(ELM)构建基于改进粒子群算法的极限学习机预测模型(IPSO-ELM).最后,基于某高炉运行数据将所提出的IPSO-ELM预测模型与传统粒子群优化极限学习机预测模型(PSO-ELM),以及极限学习机预测模型进行比较.结果 表明,该IPSO-ELM预测模型具有更高的预测精度,能够实现对高炉喷煤量变化的准确预测,有较高的工业应用价值.
喷煤量预测、改进粒子群算法、极限学习机、高炉
44
TF512(炼铁)
2021-07-01(万方平台首次上网日期,不代表论文的发表时间)
共6页
93-98