1.一种用于连铸漏钢预报的混合模型，其特征在于，主要包括以下两部分：单偶时序模型和组偶空间模型；

(1)、单偶时序模型；

单偶时序模型的构建包括：模型输入变量的确定、模型输出变量的确定、数据的预处理、GA-BP神经网络的建立；

(2)、组偶空间模型；

1)、利用单偶时序模型对结晶器上所有热电偶温度随时间变化模式进行识别后，输出结果保存到三维数组Y(i,j,t)，其中，Y(i,j,t)表示第i行j列热电偶在t时刻的单偶时序模型识别结果；

2)、当Y(i,j,t)在阀值范围[θmin,θmax]内时，认为该热电偶TC(i,j)温度变化符合粘结温度模式，标记该热电偶异常；

3)、然后检查第i行所有热电偶的Y(i,j,t)，统计在阀值范围[θmin,θmax]内的异常热电偶数目为m，同时检查第i-1行所有热电偶的Y(i-1,j,t)，统计在阀值范围[θmin,θmax]内的异常热电偶数目为n，其中i大于1；

4)、如果m和n均大于等于2，则检查在过去10秒内弯月面行异常热电偶数目是否大于等于2，如果满足，则利用异常热电偶总数m+n分别与粘结报警和粘结警告热电偶数目阀值比较，进行粘结报警和粘结警告的判断。

2.根据权利要求1所述的一种用于连铸漏钢预报的混合模型，其特征在于：模型输入变量的确定如下；

选择单个热电偶时间上连续的30个温度采样点作为模型输入变量；

其中，温度采样点的采集周期为1秒。

3.根据权利要求2所述的一种用于连铸漏钢预报的混合模型，其特征在于：模型输出变量的确定如下；

模型输出变量是单个热电偶粘结报警信号，模型输出变量由上述30个温度采样点对应的温度变化波形模式与粘结温度模式的接近程度决定；

其中，模型输出变量为-1～2之间的数，当30个温度采样点对应的温度变化波形模式与粘结温度模式完全相同时，模型输出变量标记为1；当30个温度采样点对应的温度变化曲线保持平稳时，模型输出变量标记为0。

4.根据权利要求1所述的一种用于连铸漏钢预报的混合模型，其特征在于：数据的准备和预处理如下；

从历史数据中提取样本，采用公式(1)将上述有效样本归一化到[-1,1]之间；

公式(1)中，x'是归一化后的样本数据，x是归一化前的样本数据，xmax是归一化前样本数据的最大值，xmin是归一化前样本数据的最小值；

将以上归一化后的样本数据分为两部分，其中一部分作为训练样本，另一部分作为测试样本。

5.根据权利要求1所述的一种用于连铸漏钢预报的混合模型，其特征在于：GA-BP神经网络模型的建立如下；

BP神经网络输入层节点数为30，代表模型输入变量；输出层节点数为1，代表模型输出变量；根据网络训练的结果确定一个判别阈值范围，当模型输出变量未超过预先设定的阈值范围时就认为检测到粘结温度模式；训练网络采用3层BP网络，隐含层激励函数使用S型正切传递函数，输出层使用线性传递函数，训练过程采用LM优化算法；选定隐层节点数为

12，得到结构为30×12×1的BP神经网络模型；

其中：BP神经网络学习过程包括信息正向传播和误差反向传播，根据所给训练样本输入和输出向量不断学习并调整神经元之间的连接权值和阈值，使网络不断逼近样本输入和输出之间的映射关系；BP神经网络的最大训练次数设为2000，学习率为0.05，性能误差为

0.0001；

采用遗传算法优化BP神经网络，建立GA-BP神经网络模型，遗传算法优化BP神经网络的基本步骤包括：1)、种群初始化，对BP神经网络所有权值和阈值进行实数编码，产生个体，设置种群规模和进化代数；2)、按照公式(2)计算每一个个体的适应度函数，以最小值为最优；

公式(2)中，n为网络输出层节点数；yi为第i个节点的实际输出；y'i为第i个节点的期望输出；3)、进行遗传算法的选择、交叉和变异操作，产生新一代个体种群；4)、评价新一代种群，判断进化代数是否达到要求或网络误差是否满足条件，如果满足得到当前种群最优适应度值对应个体；其中，遗传算法种群规模设为50，交叉概率为0.7，变异概率为0.06，进化代数为200。

6.根据权利要求1所述的一种用于连铸漏钢预报的混合模型，其特征在于：所述阀值范围[θmin,θmax]为[0.6,1.3]。

7.根据权利要求1或2所述的一种用于连铸漏钢预报的混合模型，其特征在于：粘结报警热电偶数目阀值为6，粘结警告热电偶数目阀值为3；当异常热电偶总数m+n大于等于3时，发出粘结警告；当异常热电偶总数m+n大于等于6时，发出粘结报警。