BP-PSO在电加热炉中的温度智能预测.pdfVIP

BP．PSO在电加热炉中的温度智能预测王龙刚。等

BP—PSO在电加热炉中的温度智能预测

onBP-PSOforElectricFurnace

PredictionBased

ntelligentTemperature

互龙∽侯磋形

(西安科技大学电气与控制工程学院，陕西西安710054)

摘要：针对电加热炉难以建立精确模型的问题，提出采用BP神经网络与粒子群优化(PSO)相结合的算法对电加热炉的温度变化

进行辨识，并建立系统模型。在建立系统模型的基础上，对温度变化趋势进行了预测。试验结果显示，与BP神经网络算法相比，粒子

群优化BP神经网络算法所得到的预测值有效时间范围延长了60％；在相同有效的预测时间内，预测值精度提高了43％。

关键词：电加热炉粒子群优化BP神经网络系统模型预测精度

中图分类号：TPl8文献标志码：A

atthefeaturesofelectricslowrealtime

Abstract：Aimingfulllace，e．g．，multiplevariables，non-uniformdistribution，andperformance，that

foraccuratemodelthethatBPneuralnetworkandswami

bringdifficultyestablishingIalgorithmcombiningparticle

toestablishthemodelthevariationofelectrictoof

throughfulllace，andimplementprediction

pmposedsystemrecognizingtemperature

BPPSOand

trendbasedonthemodel．Theresultsshowthattheneuralnetwork

temperaturevaryingexperimentalcomparingalgorithm。through

BPneuralnetworkeffectivetimeofthevalueisextendedtheofthevalueis

algorithm-therangepredictiveby60％，andaccuracypredictive

enhanced44％withinthe锄eeffectivetime．

byprediction

furnaceParticleSWmtTIIBPneuralnetworkmodelPrediction

Keywords：ElectricoptimizationSystemaccuracy

化(PSO)算法相结合，经训练得到BP神经网络权值

0引言

的算法。由于BP神经网络学习算法是一种采用随机

电加热炉是一个非均匀分布、随时间连续变化的梯度最小均方的算法，导致其存在以下固有缺陷：容易

温度场，其炉温不仅与时间有关，而且还与空间位置有陷入局部极小、泛化能力较弱、网络的收敛速度较

关。严格地说，电加热炉具有多变量、分布参数非线慢]。PSO算法是一种基于全局搜索的算法，能计算

性、