基于聚类分析与粒子群算法优化神经网络的灰熔点预测

针对解决燃煤锅炉或气化炉的结渣现象,影响锅炉安全性问题,以灰成分金属氧化物为自变量,灰熔点流动温度为因变量,建立了K-Means-PSO-BPNN的灰熔点预测模型,误差分析结果表明,经过粒子群算法优化,BP神经网络模型在聚类分析后的预测效果得到了显著提高,表现出更好的相关性,相关系数为0.967,高于未优化的0.917,平均绝对误差为5.81,小于未聚类的26.98,并且模型的准确性提高到98.89%。因此,聚类分析以及粒子群算法优化后的神经网络模型能够更准确预测煤灰的流动温度(FT)。