基于生产间歇改进Elman的转炉煤气发生量预测

针对钢铁企业转炉煤气发生量间歇时长波动大，预测精度低的问题，基于生产间歇特征分类，提出基于混沌映射粒子群算法（CPSO）优化Elman神经网络的转炉煤气发生量预测模型（CPSO-Elman）。提取转炉煤气发生量时间序列中生产间歇特征，并根据间歇时长进行分类；引入经混沌扰动改进的PSO算法优化ENN的初始权值和阈值，利用非线性更新的惯性权重以平衡全局搜索与局部搜索能力，并在粒子初始化中添加了混沌映射；构建CPSO-Elman转炉煤气发生量组合预测模型；在预测未来时间内间歇时长基础上，预测转炉煤气发生量。仿真结果表明：所提方法在预测精度上比未经过优化而预测的方法提高了5%左右。