王振阳等：基于支持向量回归与极限学习机的高炉铁水温度预测 573· 1.0 1.0 (a) Characteristic parameters of positive (b) Characteristic parameters of positive correlation of hot metal temperature correlation of hot metal temperature 0.8 0.8 Characteristic parameters of negative Characteristic parameters of negative correlation of hot metal temperature correlation of hot metal temperature 0.6 0.6 子 0.4 0.4 0.2 0.2 多 0 100-1S 8 Characteristic parameters of hot metal temperature Characteristic parameters of hot metal temperature 图2 铁水温度与初选特征参量之间相关系数.(a)Pearson相关系数：(b)Spearman相关系数 Fig.2 Correlation coefficient between hot metal temperature and primary characteristic parameters:(a)Pearson;(b)Spearman 表2铁水温度终选特征参量 铁水温度预测模型，其中SVR选用高斯RBF核函 Table 2 Final characteristic parameters of hot metal temperature 数，宽度系数为0.01，惩罚系数为10：ELM选用 No. Characteristic parameters Sigmoid激活函数，隐藏节点数设置为100，在此超 1 Fuel rate 参数设置下，两种算法多次预测结果平均值较佳 Nut coke rate SVR与ELM算法的预测结果与测量值的比对如 3 Coke rate 图3所示 Blast temperature 由图3可知，两种算法对铁水温度的追踪结果 5 Bosh gas index 较好，部分样本点预测值与测量值重合度较高.此 6 Permeability index 外，对于与测量值有偏差的预测样本点，其对铁水 7 Hot metal Si content 温度增减变化趋势的预判也较为理想.事实上，对 Daily hot metal production 铁水温度增加或减少的预知将有助于高炉操作者 Current hot metal temperature 预判下一阶段高炉炉缸热状态变化走势，从而可 o Synthetic load 以提前采取应对操作措施，维持高炉稳定顺行，促 Pressure difference 进节能降耗 12 Gas utilization efficiency 图4(a)和(b)分别为基于SVR与ELM两种算 Volume utilization coefficient 法对铁水温度的预测值与测量值所构成的散点 14 Cooling water temperature difference 图.可以看出，两种模型的数据点均围绕对角线方 向延伸分布，且在对角线区域数据点分布较为紧 限学习机模型的训练，使模型不断学习和构建特 密，预测值与测量值吻合度较高.此外，散点主要 征参量与目标参量之间的映射，即将表2所示特 分布在对角线±10℃范围内，说明预测值的偏差 征参量数据与下一日铁水温度数据构建关联映 多集中在±10℃以内.图4(c)为基于SVR与ELM 射，使模型能够实现预测下一阶段铁水温度变化 算法的铁温预测误差概率密度分布函数，经对比 趋势与幅度的目标.而后利用剩余20%的数据构 后发现，相比ELM算法，SVR算法预测误差概率 成测试集，对模型的预测准确度进行验证，并利用 函数分布曲线的延伸范围较小，曲线散点更加集 测试集反馈结果不断优化模型超参数，最终形成 中，说明对测量值的追踪效果较好限学习机模型的训练，使模型不断学习和构建特 征参量与目标参量之间的映射，即将表 2 所示特 征参量数据与下一日铁水温度数据构建关联映 射，使模型能够实现预测下一阶段铁水温度变化 趋势与幅度的目标. 而后利用剩余 20% 的数据构 成测试集，对模型的预测准确度进行验证，并利用 测试集反馈结果不断优化模型超参数，最终形成 铁水温度预测模型，其中 SVR 选用高斯 RBF 核函 数 ，宽度系数为 0.01，惩罚系数为 10； ELM 选用 Sigmoid 激活函数，隐藏节点数设置为 100，在此超 参数设置下，两种算法多次预测结果平均值较佳. SVR 与 ELM 算法的预测结果与测量值的比对如 图 3 所示. 由图 3 可知，两种算法对铁水温度的追踪结果 较好，部分样本点预测值与测量值重合度较高. 此 外，对于与测量值有偏差的预测样本点，其对铁水 温度增减变化趋势的预判也较为理想. 事实上，对 铁水温度增加或减少的预知将有助于高炉操作者 预判下一阶段高炉炉缸热状态变化走势，从而可 以提前采取应对操作措施，维持高炉稳定顺行，促 进节能降耗. 图 4（a）和（b）分别为基于 SVR 与 ELM 两种算 法对铁水温度的预测值与测量值所构成的散点 图. 可以看出，两种模型的数据点均围绕对角线方 向延伸分布，且在对角线区域数据点分布较为紧 密，预测值与测量值吻合度较高. 此外，散点主要 分布在对角线±10 ℃ 范围内，说明预测值的偏差 多集中在±10 ℃ 以内. 图 4（c）为基于 SVR 与 ELM 算法的铁温预测误差概率密度分布函数，经对比 后发现，相比 ELM 算法，SVR 算法预测误差概率 函数分布曲线的延伸范围较小，曲线散点更加集 中，说明对测量值的追踪效果较好. 表 2    铁水温度终选特征参量 Table 2    Final characteristic parameters of hot metal temperature No. Characteristic parameters 1 Fuel rate 2 Nut coke rate 3 Coke rate 4 Blast temperature 5 Bosh gas index 6 Permeability index 7 Hot metal Si content 8 Daily hot metal production 9 Current hot metal temperature 10 Synthetic load 11 Pressure difference 12 Gas utilization efficiency 13 Volume utilization coefficient 14 Cooling water temperature difference 1.0 0.8 0.6 0.4 0.2 0 1.0 0.8 0.6 0.4 0.2 0 (a) (b) Absolute value of correlation coefficient Absolute value of correlation coefficient Characteristic parameters of positive correlation of hot metal temperature Characteristic parameters of negative correlation of hot metal temperature Current hot metal temperature Bosh gas index Gas utilization efficiency Cooling water temperature difference Nut coke rate Hot metal Si-content Fuel rate Volume utilization coefficient Daily hot metal production Synthetic load Coke rate Permeability index Blast temperature Pressure difference Theoretical combustion temperature Pulverized coal injection per hour Blast velocity energy Oxygen enrichment Blast pressure Bosh gas volume Blast volume Coal injection rate Current hot metal temperature Bosh gas index Gas utilization efficiency Cooling water temperature difference Nut coke rate Hot metal Si-content Fuel rate Volume utilization coefficient Daily hot metal production Synthetic load Coke rate Permeability index Blast temperature Pressure difference Theoretical combustion temperature Pulverized coal injection per hour Blast velocity energy Oxygen enrichment Blast pressure Bosh gas volume Blast volume Coal injection rate 0.74 0.40 0.39 0.75 0.40 0.39 0.36 0.33 0.30 0.29 0.28 0.28 0.27 0.24 0.21 0.16 0.15 0.15 0.10 0.10 0.08 0.06 0.05 0.04 0.03 0.35 0.34 0.31 0.31 0.28 0.27 0.25 0.24 0.20 0.12 0.11 0.09 0.08 0.07 0.07 0.05 0.04 0.03 0.03 Characteristic parameters of hot metal temperature Characteristic parameters of hot metal temperature Characteristic parameters of positive correlation of hot metal temperature Characteristic parameters of negative correlation of hot metal temperature 图 2    铁水温度与初选特征参量之间相关系数. （a）Pearson 相关系数；（b）Spearman 相关系数 Fig.2    Correlation coefficient between hot metal temperature and primary characteristic parameters: (a) Pearson; (b) Spearman 王振阳等： 基于支持向量回归与极限学习机的高炉铁水温度预测 · 573 ·