基于遗传算法的BP神经网络对高炉炉温的预测

摘 要：本文为基于遗传算法优化的BP神经网络对高炉炉温的预测。从机理上求解冶炼过程的混合动力学方程组最优解是尚未解决的数学难题，BP神经网络能以任意精度逼近任意复杂度的连续函数，因此采用BP神经网络进行炉温预测。对于BP神经网络输出的不确定性，本文采用遗传算法对网络层之间的权重及阈值进行优化，以稳定网络输出。验证结果表明，该模型预测结果与真实值平均相对误差为3.67%，对炉温升降成功预测率达91.67%，二者均具有较高的准确率。

关键词：遗传算法；BP神经网络；炉温预测

DOI：10.16640/j.cnki.37-1222/t.2018.10.132

1 数据说明

本文将使用某高炉1000炉次包含硅含量、硫含量、鼓风量、喷煤量等4个主要影响因素的时间序列生产数据。最终预测目标炉温，可看作是对铁水硅含量的预测。

2 GA-BP对炉温的预测

BP神经网络能以任意精度逼近任意复杂度的连续函数[1]，可利用遗传算法优化BP神经网络的权值与阈值，提高BP神经网络的稳定性，克服BP神经网络陷入局部最优缺陷[2]。

基于遗传算法优化的BP神经网络分为：遗传算法优化权值阈值、BP神经网络训练及预测[3]。神经网络的权值和阈值初值为随机数，这个随机数对网络训练很重要，但又无法准确获得，引入遗传算法就是为了优化权值阈值。图1为算法流程：

2.1 BP神经网络的实现

在神经网络为三层时，隐含层神经元个数还需要公式确定[4]：

将提供的四类数据作为输入层，下一时刻硅含量作为输出层，因此，我们取，可以得到。即4个输入层节点，8个隐含层节点，1个输出层节点，遗传算法优化40个权值，9个阈值，共49个参数。

2.2 遗传算法的实现

遗传算法主要通过初始化种群，计算种群适应度，找出最优个体，选择操作，交叉操作，变异操作，判断进化是否结束，若没有结束再重新进行以上操作。得到最优种群后，再将种群解码，把权值阈值重新赋予BP网络进行再次训练。

3 实验结果

以上算法采用MATLAB编程实现，两个算法均需要人为确定參数：

通过最后48组验证数据得到以下对比图：

我们可以发现预测结果与实际值比较吻合，计算平均相对误差为3.67%，预测偏差较小。对于炉温升降方向的预测正确率达到91.67%，较适合用来对炉温的升降方向进行预测。

4 结论

采用遗传算法优化BP神经网络对炼铁高炉炉温的预测具有较好温度预测准确率和炉温升降方向预测准确率。遗传算法能够优化BP神经网络不同层之间的权值和阈值，能够稳定网络的输出结果。该方法的应用能够预测性地动态调整生产过程控制，以获得最佳生产效果。

参考文献：

[1]周志华.机器学习[M]，清华大学出版社，2016：105.

[2]刘春艳，凌建春，寇林元，仇丽霞，武俊青.GA-BP神经网络与BP神经网络性能比较[J].中国卫生统计，2013，30（02）：173-176+181.

[3]于莹，袁萍，刘晓龙.基于遗传算法的BP神经网络的变压器故障预测[J].山东工业技术，2017（24）：203+208.

[4]沈花玉，王兆霞，高成耀，秦娟，姚福彬，徐巍.BP神经网络隐含层单元数的确定[J].天津理工大学学报，2008（05）：13-15.

作者简介：汤启友（1996-），男，四川资阳人，本科在读。