铝电解是传统的高能耗过程，面对当前严峻的竞争以及能源形势，节能降耗已成为其首要目标。电解铝企业要达到节电生产的目的，归根结底是要降低吨铝直流电耗，而吨铝直流电耗和电流效率是成反比的关系，因此提高电流效率便能达到节电生产的目的，同时还可以指导出铝和下料管理。若能实现对电流效率的在线监测，便可为铝电解的生产提供决策依据。但是铝电解槽是一个十分复杂的时变系统，许多电解槽参数难以实现在线测量，电流效率便是其中之一。　　针对以上情况，本文提出一种基于copula分布估计算法(cEDA)优化的模糊核聚类(KFCM)最小二乘支持向量机(LSSVM)的铝电解电流效率预测模型。该方法可以简述为KFCM用来对数据进行分类、LSSVM完成非线性回归、cEDA用于对模型参数的优化。此外，在建模过程中还加入了动态学习以增强模型的自适应性。具体研究内容如下。　　首先，对近年来电解槽参数软测量及电流效率测量方面的研究现状进行了综述，在结合他们研究方法的优缺点并深入分析电流效率影响因素的机理的前提下，确定了模型输入的辅助变量，提出了电流效率软测量的建模方法。　　其次，由于电解槽存在不同的槽况，同种槽况采集到的数据会具有相似的信息。若忽视此点而用单一的模型进行预测，不仅会加大模型的复杂度还会丢失部分数据信息。针对该情况，提出用数据挖掘中的模糊核聚类算法对数据进行分类。虽然KFCM将输入变量映射到高维空间加大了样本的差别，一定程度上减弱了对变量分布情况的依赖，但在数据差别很大的情况，会出现小数据类被误分的情况。为解决这一问题，本文加入动态权值对其进行改进。即通过动态加权，自动削弱那些具有较少元素的类对分类的作用，从而达到改善分类的效果。仿真结果表明，本文提出的改进算法使数据样本的划分更加合理。　　再次，对聚类后的各样本子集分别建立LSSVM子模型然后得到相应的回归函数。由于LSSVM中超参数选取的好坏对预测精度的影响很大，所以本文引进cEDA对其进行参数寻优。但是cEDA在搜索过程中容易陷入局部最优，本文通过对其种群进行重新整合，大大改善了算法的寻优性能以及收敛速度。　　最后，在结合前面内容的情况下来构建电流效率的整体预测模型。预测过程中，当输入一组数据时，首先采用改进的KFCM计算其对于每类的模糊隶属度函数，然后利用模糊隶属度值最大的那一类的回归函数进行预测。此外，为了实现该模型的自适应性，需要对该子模型进行动态学习得到新的回归函数。仿真结果表明，本文建立的预测模型无论在预测精度还是泛化性能上都有很大改善，能为铝电解的生产提供决策依据。得到电流效率的预测值后能更好的指导铝电解的实际生产。