基于多尺度分解的ELM炉温预测研究
高炉数据的采样频率和各相物质的滞留时间不同呈现出多尺度特性,利用某钢铁厂采集的高炉生产数据,建立基于小波多尺度分解的极限学习机(Extreme Learning Machine, ELM)的炉温预测模型.首先采用小波分解将硅含量和铁水温度等高炉过程参数的平稳时间序列分解为3个不同频率的细节信号和一个逼近信号;然后分别对每个细节信号和逼近信号建立ELM的子预测模型,将子模型的结果进行叠加,最终获得炉温的预测结果,并与其它预测模型进行比较;提出基于预测误差的概率密度函数的模型评价指标,该指标准确直观地反应了模型预测效果.仿真结果表明,该预测模型解决了多种采样频率的问题,其运算速度和预测精度大大提高,可为炉况的综合评价提供重要依据.
多尺度、小波分解、极限学习机、炉温预测、概率密度
27
TP391(计算技术、计算机技术)
国家自然科学基金资助项目61763039
2021-02-25(万方平台首次上网日期,不代表论文的发表时间)
共6页
1901-1906