改进遗传算法优化的BP神经网络高炉煤气预测

白 鹏，王 浩

(山西省信息产业技术研究院有限公司，山西 太原 030012)

0 引言

钢铁企业高炉在生产过程中会产生可燃性的气体，这些气体是高炉生产过程的副产品，统称为高炉煤气[1](Blast Furnace Gas，BFG)。高炉煤气的主要成分是CH4、CO、CO2等气体。高炉煤气可以作为热风炉、轧钢加热炉等其他冶金设备的燃气，从而降低冶炼的额外燃料消耗，减少对环境的污染[2]。高炉煤气发生量的准确预报预测是实现高炉煤气合理调度使用的前提，针对高炉煤气的特点建立准确的预测预报模型意义重大。

综合国内外研究现状，对于高炉煤气生成量的预测主要有时间序列模型、灰色时序模型、人工神经网络模型等[3]。因其发生量的不确定性以及生成量受多变量影响的特点，目前人工神经网络模型是高炉煤气预测的主流方法。但是人工神经网络是通过权值调整实现不断学习，自身的结构复杂、鲁棒性差，容易陷入局部最优。基于此本文提出一种改进遗传算法优化的反向传播网络模型，用来预测高炉煤气的生成量。

1 反向传播网络

人工神经网络预测模型是根据仿生学的经验，模拟神经元网络形成的一种模型方法。其中最常用的是BP神经网络模型[4]。本文根据高炉煤气系统的特点，采用BP神经网络模型进行预测。首先建立BP模型的结构，在此将BP网络分三层即输入层、中间层和输出层。假设输入层的节点数为m个，隐含层节点数为n，输出层节点数为o。输入层的第i个节点记为xi,隐含层第j个节点记为hj，输出层第k个节点记为yk。……