伴随着炼钢业的不断发展,人们对钢的工艺要求在日益的提升,钢包精炼炉(Ladle Furnace)正满足了工业发展的需要,钢包精炼法在推进了新钢种、新工艺的研究和发展上起到了至关重要的作用。同时,LF炉还可以保持炉子内的还原气氛、在底部吹氩气进行搅拌、电弧加热等独特的精炼功能。LF炉还可以适应多种精炼方法,以提高钢液的纯净度并满足连铸对钢液成分及温度的要求。钢包精炼过程中,温度的预测对钢包精炼炉来说至关重要,然而影响温度的因素十分复杂,如何准确的预测炉子的温度是问题所在。首先,针对LF炉冶炼过程及其特点,从炉内总能量平衡的角度出发,通过对LF炉冶炼过程能量变化的分析,确定了影响炉内温度的因素,开始对钢包精炼炉温度预报模型进行建模:把能够影响温度变化的因子作为模型的输入数据,把预报的温度作为模型的输出。建模方法方面本文以极限学习机(简称ELM)与偏最小二乘法(简称PLS)方法结合建立了基本的温度预报模型(ELM-PLS),偏最小二乘法在可以为ELM消除数据之间的相关性,配合ELM可以得到快速准确的预报模型。针对单一模型的预报精度不足的问题,提出了基于AdaBoost集成ELM-PLS模型,集成优化后的模型在误差方面有明显的减少。最后针对模型中的权值阀值不确定问题,提出了遗传算法(简称GA)优化的AdaBoost集成的ELM-PLS模型,分别使用遗传算法优化极限学习机的初始权值和遗传算法优化AdaBoost的阀值,代替了极限学习机的随机因素与阀值取经验数值的不足,使整体预报模型的稳定性有所提升,提高了模型的预报精度。