确保预焙铝电解槽能量及物料的动态平衡是铝电解生产过程稳定运行的关键,也是电解铝生产企业节能减排、提质增效的基础。而铝电解生产时电解质具有高温、强腐蚀性等特点,受目前过程检测技术发展水平的限制,许多影响物料平衡和热平衡的关键参数仍无法在线或快速检测,导致先进过程控制策略的具体实施难、电能消耗量高。本文针对铝电解过程参数直接测量难度大、实时性差等特点,采用软测量技术,提出一种基于极限学习机的参数预测方法,主要工作如下:首先,采用在线贯序极限学习机算法增强对系统动态跟踪能力,并利用元启发式算法寻找极限学习机网络中最优的输入权值和隐层偏差值,以达到减少随机参数误差的目的。其次,对元启发式算法中常用的粒子群算法进行深入分析,总结了该算法容易陷入早熟收敛现象的原因,在速度更新式中加入动态的惯性权值和学习因子来平衡全局搜索和局部搜索能力。同时,利用反向学习机制对初始种群进行筛选,提升粒子群收敛速率。通过分析各参数影响因素构建辅助变量,采集某电解铝厂10台500kA电解槽数据,将优化后的算法应用在铝电解过程电解质温度、分子比及氧化铝浓度软测量建模中,实验结果表明该软测量模型具有良好的测量精度和泛化性能。提出基于极限学习机的氧化铝浓度预测控制,将粒子群优化的在线极限学习机用于建立预测模型,利用滚动式优化策略对氧化铝下料间隔进行优化,再次引入粒子群算法处理具有约束条件的预测控制问题。实验结果验证了本文方法的有效性,对确保铝电解过程物料平衡、提高铝产量具有重要意义。