基于PCA决策的PSO-BP模型预测高炉铁水产量

摘要

铁水产量是衡量钢铁厂产能效益的重要经济指标，根据炉次特征对其精准预测有利于钢铁厂的产能结构优化，可促进高炉的稳定与高产。为提高铁水产量预测准确率，结合机器学习理论，以国内某钢铁厂2022年全年生产冶炼数据为基础，提出基于主成分分析（PCA）决策的粒子群优化-反向传播（PSO-BP）混合预测模型。首先利用主成分分析对原始数据集进行降维处理；然后利用粒子群搜索算法优化BP神经网络的权值矩阵，成功解决BP神经网络收敛速度慢、易陷入局部最优的问题；最后结合炼铁理论，根据主成分分析结果确定模型的输入向量与拓扑结构。测试结果表明，该模型相较于其他传统模型预测误差更小，在误差范围为±50 t的情况下准确率达99.8%,实现对高炉铁水产量的精准预测，可有效指导铁水包的中转调度，为高炉参数调控提供数据支撑。