煤礦瓦斯?jié)舛鹊腃APSO-ENN短期預(yù)測模型*

付 華,劉雨竹,李海霞,徐耀松,王雨虹

(遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院,遼寧 葫蘆島 125105)

?

煤礦瓦斯?jié)舛鹊腃APSO-ENN短期預(yù)測模型*

付 華*,劉雨竹,李海霞,徐耀松,王雨虹

(遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院,遼寧 葫蘆島 125105)

為了準(zhǔn)確預(yù)測回采工作面的瓦斯?jié)舛?提出云自適應(yīng)粒子群算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛葎?dòng)態(tài)預(yù)測新方法。利用井下無線傳感器網(wǎng)絡(luò)監(jiān)測系統(tǒng)采集的回采工作面瓦斯?jié)舛葧r(shí)間序列作為樣本,并對(duì)其進(jìn)行數(shù)據(jù)降噪和相空間重構(gòu)等預(yù)處理。采用CAPSO算法對(duì)Elman神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值進(jìn)行尋優(yōu)運(yùn)算,建立了回采工作面瓦斯?jié)舛葎?dòng)態(tài)預(yù)測模型。通過對(duì)MATLAB仿真得出結(jié)果研究表明:該模型的平均相對(duì)變動(dòng)ARV值為0.000 357,相對(duì)均方根誤差RRMSE值為0.105 6,對(duì)回采工作面的瓦斯?jié)舛阮A(yù)測結(jié)果合理且可為礦井瓦斯防治工作提供有效理論依據(jù)。

動(dòng)態(tài)預(yù)測;瓦斯?jié)舛?混沌特性;無線傳感網(wǎng)絡(luò);Elman神經(jīng)網(wǎng)絡(luò);CAPSO算法

煤與瓦斯突出是煤礦井下生產(chǎn)的一種強(qiáng)大自然災(zāi)害,嚴(yán)重威脅煤礦的安全生產(chǎn)及礦工的生命安全,因此對(duì)回采工作面瓦斯?jié)舛鹊母咝Ь珳?zhǔn)預(yù)測是防治煤礦瓦斯災(zāi)害的有力措施之一[1]。目前預(yù)測瓦斯?jié)舛鹊姆椒ㄖ饕谢煦鐣r(shí)間序列預(yù)測[2]、灰色理論預(yù)測[3]、支持向量機(jī)[4]、人工神經(jīng)網(wǎng)絡(luò)[5]、D-S理論[6]等。以上均為基于機(jī)器學(xué)習(xí)模式的預(yù)測方法,對(duì)于瓦斯?jié)舛榷唐陬A(yù)測具有一定效用,但由于回采工作面瓦斯?jié)舛染哂袠O大的不確定性,受自然環(huán)境條件和開采技術(shù)等多種因素影響,且各因素之間的相互作用具有非線性,非平穩(wěn)性特性,所以傳統(tǒng)的線性方法很難達(dá)到對(duì)瓦斯?jié)舛鹊木珳?zhǔn)預(yù)測。

在現(xiàn)有的研究成果基礎(chǔ)上,采用云自適應(yīng)粒子群算法對(duì)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)優(yōu)化,解決其預(yù)測精度低和收斂速度慢的缺陷,建立可行高效的CAPSO-ENN回采工作面瓦斯?jié)舛葎?dòng)態(tài)預(yù)測模型。首先對(duì)由無線傳感器網(wǎng)絡(luò)監(jiān)測系統(tǒng)采集到的瓦斯?jié)舛葦?shù)據(jù)采用小波去噪和相空間重構(gòu)進(jìn)行預(yù)處理,而后采用提出的CAPSO算法對(duì)ENN權(quán)值及閾值尋優(yōu),利用其全局優(yōu)化能力強(qiáng)、收斂速度快精度高的特性與傳統(tǒng)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)勢互補(bǔ),經(jīng)仿真驗(yàn)證分析得到精準(zhǔn)高效的回采工作面瓦斯?jié)舛葎?dòng)態(tài)預(yù)測模型。

1 瓦斯?jié)舛葧r(shí)間序列預(yù)處理

由于井下環(huán)境的復(fù)雜性,無線傳感網(wǎng)絡(luò)監(jiān)測系統(tǒng)實(shí)際監(jiān)測到的瓦斯?jié)舛葧r(shí)間序列是其濃度體系中各類要素共同作用的結(jié)果且其數(shù)據(jù)信號(hào)必然伴有一定的噪聲。因此,有必要在進(jìn)行瓦斯?jié)舛饶Ｐ皖A(yù)測前,對(duì)其濾波去噪和相空間重構(gòu)。

1.1 瓦斯?jié)舛葧r(shí)間序列TI去噪法濾波

由于傳統(tǒng)的非線性小波變換閾值法在數(shù)據(jù)信號(hào)不連續(xù)的情況下,會(huì)產(chǎn)生偽吉布斯現(xiàn)象,所以采用在此基礎(chǔ)上改進(jìn)的平移不變量小波去噪法[7],對(duì)測量處的瓦斯?jié)舛葦?shù)據(jù)進(jìn)行預(yù)處理,去掉其中的干擾信號(hào)和噪聲信號(hào)。其算法表達(dá)式為:

(1)

式中:xi為輸入的含噪信號(hào),i=0,1,…n-1;Sh為對(duì)信號(hào)xi做h距離的時(shí)域平移,即(Shxi)=x(i+h)time為所得平移信號(hào);T表示對(duì)信號(hào)應(yīng)用閾值法進(jìn)行去噪,則去噪信號(hào)為T(Shxi);S-h(T(Shxi))為經(jīng)反向循環(huán)平移后的去噪信號(hào);Ave表示“平均”;Hn={h|0≤h≤n},h為正整數(shù)。

經(jīng)TI去噪法處理后的小波信號(hào)平滑性更好,且避免了信號(hào)跳變點(diǎn)的偽吉布斯現(xiàn)象。

1.2 瓦斯?jié)舛葧r(shí)間序列相空間重構(gòu)

由于一維瓦斯?jié)舛然煦鐣r(shí)間序列中包含大量信息,因此必須對(duì)其維數(shù)進(jìn)行擴(kuò)充及延拓,使其擴(kuò)展到更高維的空間中,才可還原其中蘊(yùn)含的所有變量的運(yùn)動(dòng)軌跡[8]。由Takens定理可知,相空間重構(gòu)技術(shù)的關(guān)鍵就在于選取最優(yōu)的延遲時(shí)間τ和嵌入維數(shù)m。

由于兩參數(shù)的相關(guān)性及將其分開考慮的算法的矛盾性,提出利用相空間微熵率法同步求取重構(gòu)參數(shù),即以最小化微熵率的方法同時(shí)確定τ、m兩個(gè)參數(shù)。

給定樣本數(shù)據(jù)序列x(t)(t=1,2,…,n)、Ns個(gè)替代數(shù)據(jù)xs,i(t)(i=1,2,…,Ns)。微熵定義為:

(2)

式中:ρj為第j個(gè)延遲向量與其最近鄰點(diǎn)間的歐氏距離;CE≈0.5772為歐拉常數(shù)。則可得給定序列微熵率為:

(3)

式中:N(N=n-(m-1)τ)為延遲向量個(gè)數(shù);<·>i為求解Ns個(gè)替代數(shù)據(jù)微熵H(xs,i)的平均值算子。τ和m在一定范圍內(nèi)變化,則可根據(jù)式(3)求出在兩參數(shù)給定變化范圍內(nèi)的微熵率,在所得結(jié)果中選出最小微熵,此時(shí)其所對(duì)應(yīng)的τ、m值即為所求最優(yōu)參數(shù)。則其重構(gòu)的相空間向量為:

Xi=(xi,xi+τ,…,xi+(m-1)τ)∈Rm

(4)

式中:i=1,2,…,M,M=N-(m-1)τ。

2 CAPSO-ENN耦合算法原理

Elman神經(jīng)網(wǎng)絡(luò)由于其自身特殊的動(dòng)態(tài)反饋環(huán)節(jié)和遞歸作用,不僅能夠解決靜態(tài)網(wǎng)絡(luò)的建模問題,還可以實(shí)現(xiàn)非線性動(dòng)態(tài)系統(tǒng)的映射并在更直接的角度反映系統(tǒng)的動(dòng)態(tài)性能。相較于前饋神經(jīng)網(wǎng)絡(luò),具有更強(qiáng)的數(shù)據(jù)處理能力和網(wǎng)絡(luò)穩(wěn)定性,更適合瓦斯?jié)舛葎?dòng)態(tài)預(yù)測系統(tǒng)的辨識(shí)與建模[9]。然而,正是由于其自身網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜,使Elman神經(jīng)網(wǎng)絡(luò)仍存在學(xué)習(xí)速度較慢、易于“早熟”收斂、魯棒性較差等缺陷。據(jù)此提出具有強(qiáng)大全局尋優(yōu)能力的CAPSO算法與ENN進(jìn)行有機(jī)結(jié)合,形成CAPSO-ENN耦合算法,提高ENN的學(xué)習(xí)效率及收斂速度,進(jìn)而改善ENN的辨識(shí)性能與預(yù)測精度。

2.1 Elman動(dòng)態(tài)反饋神經(jīng)網(wǎng)絡(luò)

Elman神經(jīng)網(wǎng)絡(luò)[10]是一種動(dòng)態(tài)遞歸反饋式網(wǎng)絡(luò),由輸入層、隱含層、輸出單元和特殊存在的聯(lián)系單元組成,此聯(lián)系單元用來記憶隱含層單元之前時(shí)刻的輸出值,實(shí)現(xiàn)了該神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)記憶功能,使其更適合處理時(shí)間序列。其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,

圖1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

數(shù)學(xué)模型可表示為:

H(k)=f(wi1C(k)+wi2u(k-1))

(5)

C(k)=αC(k-1)+H(k-1)

(6)

O(k)=g(wi3H(k))

(7)

采用誤差反向傳播算法進(jìn)行權(quán)值修正,若利用n個(gè)樣本進(jìn)行訓(xùn)練學(xué)習(xí),則將誤差平方和函數(shù)作為學(xué)習(xí)指標(biāo):

(8)

式中:

(9)

2.2 云自適應(yīng)粒子群算法

2.2.1 正態(tài)云模型的數(shù)學(xué)表達(dá)

云模型[11]是定性概念與其定量表示之間的一種相互轉(zhuǎn)換手段,主要體現(xiàn)了知識(shí)表達(dá)的不確定性概念和確定數(shù)據(jù)之間的模糊性以及隨機(jī)性。正態(tài)云模型是一個(gè)正態(tài)分布且具有穩(wěn)定傾向性的隨機(jī)數(shù)集合,記為N3(Ex,En2,Hn2),其中Ex、En、Hn為云的3個(gè)特征參數(shù),分別為期望值、熵和超熵。

生成云滴的軟件或硬件成為云發(fā)生器。采用X-條件云發(fā)生器,其生成算法為:

①輸入云特征參數(shù)Ex、En、Hn和指定值x0。

④重復(fù)步驟②～④直到得到n個(gè)云滴。

2.2.2CAPSO算法的權(quán)值調(diào)整策略

設(shè)粒子群總數(shù)目為pzong,總迭代次數(shù)為KM,在第k次迭代中粒子xi的位置適應(yīng)值為f(xi)。根據(jù)式(4)將粒子種群分為2部分,即距離最優(yōu)粒子較近和較遠(yuǎn)的部分。

(10)

①對(duì)于距離最優(yōu)離子較遠(yuǎn)部分,即當(dāng)f(xi)>fav時(shí),算法往往處于迭代前期,為避免算法停滯在全局最優(yōu)解,運(yùn)用梯度思想進(jìn)行慣性權(quán)值更新,其表達(dá)式為:

(11)

(12)

②對(duì)于距離最優(yōu)粒子較近部分,即當(dāng)f(xi)≤fav時(shí),算法往往處于迭代后期,采用X-條件云發(fā)生器參與自適應(yīng)調(diào)整ω值,令Ex=fav,En=(fav-fmin)/C1,Hn=En/C2,其中C1、C2為加速因子。并利用梯度思想與其結(jié)合選取合適的慣性權(quán)重,則其更新策略為如式(13)所示:

(13)

由以上①、②兩點(diǎn)可知,迭代初期,慣性權(quán)重ω取最大值,保證強(qiáng)大的全局搜索能力,隨著迭代次數(shù)增加,粒子群最優(yōu)解不斷更新并迅速達(dá)到fav以下,此時(shí)ω值將會(huì)隨之按正態(tài)云模型方式逐漸減小,具有隨機(jī)性和穩(wěn)定傾向性,并引入的梯度思想來避免算法陷入局部最優(yōu)解。

2.3 CAPSO優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)

由于標(biāo)準(zhǔn)粒子群算法實(shí)現(xiàn)方便,參數(shù)少、結(jié)構(gòu)相對(duì)簡單,收斂速度快,被廣泛應(yīng)用于模型參數(shù)的優(yōu)化選擇[12]。但應(yīng)用其對(duì)瓦斯?jié)舛冗M(jìn)行預(yù)測時(shí),常表現(xiàn)為復(fù)雜的混合優(yōu)化問題,PSO算法無法滿足實(shí)際情況的需要。為提高算法的全局搜索能力和收斂精度以及收斂效率引入云模型算法和梯度思想與標(biāo)準(zhǔn)PSO算法相結(jié)合,從迭代早期到后期完成對(duì)粒子群算法的全方位改進(jìn),得到云自適應(yīng)粒子群算法,提出新的慣性權(quán)重調(diào)整策略,避免粒子過早的陷入全局最優(yōu)解,其優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)步驟如下:

Step 5:判斷是否滿足終止條件:若滿足最大迭代次數(shù)或指定精度,則執(zhí)行Step 6,否則循環(huán)執(zhí)行Step 2。

Step 6:輸出xgbest及其目標(biāo)值,算法結(jié)束。

3 建立瓦斯?jié)舛葎?dòng)態(tài)預(yù)測模型

回采工作面的瓦斯?jié)舛阮A(yù)測是一個(gè)動(dòng)態(tài)非線性預(yù)測問題,由此建立的預(yù)測模型實(shí)質(zhì)就是利用已測得的瓦斯?jié)舛葦?shù)據(jù)通過具有動(dòng)態(tài)反饋功能的CAPSO-ENN耦合算法在線學(xué)習(xí)訓(xùn)練,從而擬合出瓦斯?jié)舛阮A(yù)測系統(tǒng)來預(yù)測未來一段時(shí)間回采工作面的瓦斯?jié)舛取闇?zhǔn)確反應(yīng)非線性時(shí)變系統(tǒng)的輸出、輸入間關(guān)系,需在建立模型時(shí)將表征該時(shí)變系統(tǒng)的動(dòng)態(tài)特性引入其中。最有效的方式就是將系統(tǒng)的歷史輸入和輸出量作為一部分輸入值再次引入辨識(shí)模型。為滿足預(yù)測的實(shí)時(shí)性,選用最新的n個(gè)數(shù)據(jù)作為樣本,并對(duì)從前建立的適應(yīng)度函數(shù)優(yōu)化從而達(dá)到動(dòng)態(tài)預(yù)測的目的。

3.1 基于CAPSO-ENN耦合算法的建模

由于Elman神經(jīng)網(wǎng)絡(luò)存在收斂速度慢且易陷入局部最優(yōu)解的問題,提出利用云自適應(yīng)粒子群算法對(duì)其網(wǎng)絡(luò)權(quán)值及閾值進(jìn)行尋優(yōu),其優(yōu)化算法實(shí)現(xiàn)步驟為:

①初始化群體。根據(jù)辨識(shí)對(duì)象對(duì)粒子群的各個(gè)參數(shù)進(jìn)行隨機(jī)初始化設(shè)置,并設(shè)置ENN初始權(quán)值、閾值。

②粒子更新調(diào)整。根據(jù)2.2.2節(jié)所述對(duì)粒子位置進(jìn)行更新調(diào)整。

③輸入訓(xùn)練樣本Y(x)到CAPSO-ENN耦合算法中,計(jì)算得出Elman神經(jīng)網(wǎng)絡(luò)實(shí)際輸出函數(shù)yk(x)與訓(xùn)練樣本的期望輸出函數(shù)間的訓(xùn)練誤差e(x),訓(xùn)練目標(biāo)為使誤差達(dá)到最小,則適應(yīng)度函數(shù)確立為:

(14)

依式(8)計(jì)算相應(yīng)適應(yīng)度,根據(jù)此值運(yùn)用云自適應(yīng)算法對(duì)動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)進(jìn)行在線訓(xùn)練。

④經(jīng)過多次迭代運(yùn)算后,訓(xùn)練完成,得出粒子群最優(yōu)解,即作為最優(yōu)Elman神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值{ω,θ}。

3.2 預(yù)測模型結(jié)構(gòu)

根據(jù)通過無線傳感網(wǎng)絡(luò)瓦斯?jié)舛缺O(jiān)測系統(tǒng)[13]采集到的數(shù)據(jù)樣本,首先對(duì)其進(jìn)行TI小波去噪,再重構(gòu)該數(shù)據(jù)序列相空間,而后建立基于CAPSO-ENN的非線性映射關(guān)系,對(duì)未來一段時(shí)間內(nèi)的回采工作面瓦斯?jié)舛茸龀鼍珳?zhǔn)預(yù)測。將CAPSO優(yōu)化算法尋優(yōu)搜索所得的適應(yīng)度最好的一組網(wǎng)絡(luò)權(quán)值作為預(yù)測網(wǎng)絡(luò)模型的權(quán)值、閾值向量反饋到Elman神經(jīng)網(wǎng)絡(luò)得到瓦斯?jié)舛阮A(yù)測模型,其結(jié)構(gòu)如圖2所示。

圖2 瓦斯?jié)舛阮A(yù)測模型的結(jié)構(gòu)

4 瓦斯?jié)舛阮A(yù)測仿真試驗(yàn)

文中所采用的瓦斯?jié)舛葦?shù)據(jù)來自山西焦煤官地礦的16 403綜采工作面KJ90N煤礦安全監(jiān)測系統(tǒng)。采用了PXWAE數(shù)字化瓦斯?jié)舛缺O(jiān)測儀,包括傳感器(頻率150 kHz),前置放大器(增益為40 dB),主放大器(增益為0)以及采集卡,采集到2014年8月份某天某時(shí)段的300采集點(diǎn)。

瓦斯?jié)舛仍记€如圖3所示。采用1.1節(jié)所述TI去噪法對(duì)原始瓦斯?jié)舛葧r(shí)間序列進(jìn)行去噪處理,最大程度還原瓦斯?jié)舛葴y量點(diǎn)處的瓦斯?jié)舛?其仿真曲線如圖4所示。

圖3 瓦斯?jié)舛仍紨?shù)據(jù)曲線

圖4 去噪后瓦斯?jié)舛刃蛄袛?shù)據(jù)

利用Wolf方法求取瓦斯?jié)舛葧r(shí)間序列的最大Lyapunov指數(shù)以實(shí)現(xiàn)對(duì)其混沌特性的判別[14],求得本時(shí)間序列的λ=0.034 736>0,則此瓦斯?jié)舛葧r(shí)間序列具有混沌特性。

4.1 預(yù)測模型初始化及數(shù)據(jù)處理

試驗(yàn)數(shù)據(jù)樣本初始化,即將前280個(gè)瓦斯?jié)舛戎底鳛閷W(xué)習(xí)訓(xùn)練樣本,后20個(gè)瓦斯?jié)舛戎底鳛闇y試驗(yàn)證樣本。利用2.2節(jié)所述最小微熵率法對(duì)訓(xùn)練樣本數(shù)據(jù)序列求取微熵率并最小微熵對(duì)應(yīng)的m=6,τ=4。通過相空間重構(gòu)過程后可得260組學(xué)習(xí)訓(xùn)練樣本建立模型。

初始化Elman神經(jīng)網(wǎng)絡(luò)參數(shù)為:輸入層節(jié)點(diǎn)數(shù)S1=6;隱含層和聯(lián)系單元節(jié)點(diǎn)數(shù)S2=7;輸出層節(jié)點(diǎn)數(shù)S3=1。其傳遞激勵(lì)選用sigmoid函數(shù),自變量定義域[0,1],由于sigmoid函數(shù)在[0,0.1]、[0.9,1]兩個(gè)值域內(nèi)的變化曲線較平坦,選取歸一化區(qū)間為[0.1,0.9],其歸一化公式為:

(15)

網(wǎng)絡(luò)訓(xùn)練預(yù)測完成后,對(duì)所得結(jié)果數(shù)據(jù)實(shí)行反歸一化處理,即

(16)

式中:X為原始數(shù)據(jù);Xmin、Xmax為其最小值和最大值;T為經(jīng)變換得出的數(shù)據(jù)。

粒子群規(guī)模為pzong=50;最大迭代次數(shù)KM=500;加速因子C1=C2=2。

4.2 預(yù)測過程

規(guī)定模型訓(xùn)練過程的允許誤差范圍在10-4以下。

CAPSO-ENN模型的訓(xùn)練收斂效果如圖5所示,通過圖中曲線可以看出,CAPSO優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)時(shí),由于采用了云理論與梯度思想相結(jié)合的權(quán)重調(diào)整策略,使模型約迭代到350次時(shí)就已達(dá)到了訓(xùn)練誤差的精度要求范圍,且能夠更迅速的跳出局部最優(yōu)解,為驗(yàn)證CAPSO算法優(yōu)越的收斂性能,將其與傳統(tǒng)PSO算法進(jìn)行對(duì)比,相較于粒子群優(yōu)化算法PSO(Particle Swarm Optimization),其尋優(yōu)速度更快且收斂精度更高,明顯的提高了Elman神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率。

圖5 CAPSO與PSO的收斂性對(duì)比

4.3 仿真結(jié)果分析

通過MATLAB2012a對(duì)預(yù)測模型進(jìn)行算法仿真試驗(yàn),分別采用PSO-ENN和CAPSO-ENN模型對(duì)樣本數(shù)據(jù)序列后20個(gè)待測點(diǎn)的預(yù)測結(jié)果對(duì)比如圖6所示。

圖6 樣本數(shù)據(jù)序列瓦斯?jié)舛阮A(yù)測值與實(shí)際值對(duì)比

為驗(yàn)證所建模型的有效性和優(yōu)越性,選取傳統(tǒng)常用的PSO-ENN模型進(jìn)行預(yù)測效果對(duì)比,由圖6可以看出在預(yù)測的初期階段PSO-ENN模型的預(yù)測效果較好,然而到了預(yù)測后期,預(yù)測值偏離實(shí)際值較為突出。而運(yùn)用CAPSO-ENN模型得到的濃度預(yù)測值和瓦斯?jié)舛鹊膶?shí)際值間整體擬合性更優(yōu),與PSO-ENN模型相比更接近瓦斯?jié)舛鹊膶?shí)際真實(shí)值。

以相對(duì)均方根誤差RRMSE(Relative Root Mean Square Error)和平均相對(duì)變動(dòng)值A(chǔ)RV(Average Relative Variance)作為指標(biāo)來衡量預(yù)測模型的預(yù)測精度和泛化能力,其計(jì)算公式為:

(17)

(18)

為保證所建模型的預(yù)測性能的可行性、有效性和高度的預(yù)測效率,分別選用單一Elman神經(jīng)網(wǎng)絡(luò)和PSO-ENN模型采用瓦斯?jié)舛葮颖緮?shù)據(jù)建模運(yùn)算,得出預(yù)測結(jié)果后與CAPSO-ENN模型進(jìn)行對(duì)比,結(jié)果如表1所示。

表1 3種預(yù)測模型預(yù)測效果對(duì)比分析

從表1可以看出,CAPSO-ENN模型的預(yù)測平均相對(duì)誤差明顯較其他兩種方法低,并且具有更強(qiáng)的泛化能力,且運(yùn)算時(shí)間較ENN模型少了6.4s,較PSO-ENN模型少了2.3 s,求得其ARV值為0.000 357,RRMSE值為0.105 6。說明所建模型在滿足實(shí)際礦井安全生產(chǎn)的精度要求的同時(shí),可實(shí)現(xiàn)回采工作面瓦斯?jié)舛鹊木珳?zhǔn)高效預(yù)測。在1min的采樣間隔前提下[15],小于10s的建模耗時(shí)能夠保證模型的有效更新,即預(yù)測的自適應(yīng)性得到了保證,為實(shí)際瓦斯?jié)舛葘?shí)時(shí)監(jiān)測預(yù)警系統(tǒng)的構(gòu)建提供強(qiáng)大的理論依據(jù)。

5 結(jié)論

本文利用Elman神經(jīng)網(wǎng)絡(luò)具有動(dòng)態(tài)反饋環(huán)節(jié)的優(yōu)越性,將基于云模型理論的粒子群算法與Elman神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合,改善了其易陷入局部最優(yōu)解和學(xué)習(xí)速度慢的缺陷,有效提高了Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測效率與預(yù)測精度。利用建立的CAPSO-ENN耦合算法建立的動(dòng)態(tài)預(yù)測模型對(duì)井下回采工作面瓦斯?jié)舛冗M(jìn)行仿真試驗(yàn),結(jié)果表明,該模型具有較強(qiáng)的泛化能力且預(yù)測精度與效率明顯高于其他方法。能夠準(zhǔn)確可靠的對(duì)井下瓦斯?jié)舛妊莼厔葸M(jìn)行提前預(yù)測,為實(shí)際技術(shù)應(yīng)用提供了強(qiáng)有力的理論依據(jù)。

[1] 呂品,馬云歌,周心權(quán). 上隅角瓦斯?jié)舛葎?dòng)態(tài)預(yù)測模型的研究與應(yīng)用[J]. 煤炭學(xué)報(bào),2006,31(4):461-465.

[2]程健,白靜宜,錢建生,等. 基于混沌時(shí)間序列的煤礦瓦斯?jié)舛榷唐陬A(yù)測[J]. 中國礦業(yè)大學(xué)學(xué)報(bào),2008,37(2):231-235.

[3]基于灰色自記憶原理的煤礦瓦斯?jié)舛阮A(yù)測[J]. 科技導(dǎo)報(bào),2010,28(17):58-62.

[4]張劍英,許徽,陳娟,等. 基于粒子群優(yōu)化的支持向量機(jī)在瓦斯?jié)舛阮A(yù)測中的應(yīng)用研究[J]. 工礦自動(dòng)化,2010,(10):32-35.

[5]王其軍,程久龍. 基于免疫神經(jīng)網(wǎng)絡(luò)模型的瓦斯?jié)舛戎悄茴A(yù)測[J]. 煤炭學(xué)報(bào),2008,33(6):665-669.

[6]邵良杉,付貴祥. 基于數(shù)據(jù)融合理論的煤礦瓦斯動(dòng)態(tài)預(yù)測技術(shù)[J]. 煤炭學(xué)報(bào),2008,33(5):551-555.

[7]康金鐘,康志偉. 基于平移不變的小波變換去噪快速算法[J]. 微電子學(xué)與計(jì)算機(jī),2005,22(9):24-26.

[8]Song J,Meng D,Wang Y. Analysis of Chaotic Behavior Based on Phase Space Reconstruction Methods[C]//Computational Intelligence and Design(ISCID),2013 Sixth International Symposium on. IEEE,2013,2:414-417.

[9]付華,姜偉,單欣欣. 基于耦合算法的煤礦瓦斯涌出量預(yù)測模型研究[J]. 煤炭學(xué)報(bào),2012,37(4):654-658.

[10]Lin F J,Teng L T,Chu H. Modified Elman Neural Network Controller with Improved Particle Swarm Optimization for Linear Synchronous Motor Drive[J]. 2008,2(3):307-310.

[11]劉洪霞,周永權(quán). 一種基于均值的云自適應(yīng)粒子群算法[J]. 計(jì)算機(jī)工程與科學(xué),2011,33(5):97-101.

[12]Abdel-Kader R F. Genetically Improved PSO Algorithm for Efficient Data Clustering[J]. Machine Learning and Computing(ICMLC),2010,10(11):71-75.

[13]李紀(jì)榕,李福進(jìn),吳艷微,等. 基于無線傳感網(wǎng)絡(luò)的煤礦安全監(jiān)測系統(tǒng)設(shè)計(jì)[J]. 傳感技術(shù)學(xué)報(bào),2011,24(9):1336-1340.

[14]張文超,譚思超,高璞珍. 基于Lyapunov指數(shù)的搖擺條件下自然循環(huán)流動(dòng)不穩(wěn)定性混沌預(yù)測[J]. 物理學(xué)報(bào),2013,62(6):61-68.

[15]付華,李文娟,孟祥云,等. IGA-DFNN在瓦斯?jié)舛阮A(yù)測中的應(yīng)用[J]. 傳感技術(shù)學(xué)報(bào),2014,27(2):262-266.

Short Term Forecasting Model of Gas Concentration in Coal Mine Using the CAPSO-ENN*

FUHua*,LIUYuzhu,LIHaixia,XUYaosong,WANGYuhong

(Faculty of Electrical and Control Engineering,Liaoning Technical University,Huludao Liaoning 125105,China)

In order to accurately predict the gas concentration in mining working face,a new dynamic prediction method of gas concentration which based on the cloud adaptive particle swarm algorithm on optimizing Elman neural network was proposed. The samples came from gas concentration time series which were collected by the underground wireless sensor network system in working face. The pretreatment of data noise reduction,phase space reconstruction and so on was carried. The weights and threshold of Elman neural network was optimized by CAPSO algorithm,and the dynamic prediction model of gas concentration in mining working face was established. Through the research on the MATLAB simulation results show that:The model of the relative change of average ARV value is 0.000 357,the relative root mean square error of the RRMSE value is 0.1056,the heading stope gas concentration prediction provides an effective theoretical basis for reasonable results and for mine gas prevention and control work.

dynamic prediction;gas concentration;chaotic characteristic;wireless sensor networks;Elman neural network;CAPSO algorithm

付 華(1962-),女,遼寧阜新人,教授,博士生導(dǎo)師,博士(后),主要研究方向?yàn)槊旱V瓦斯檢測、智能檢測和數(shù)據(jù)融合技術(shù)。主持國家自然科學(xué)基金2項(xiàng)、主持及參與國家863和省部級(jí)項(xiàng)目30余項(xiàng),發(fā)表學(xué)術(shù)論文40余篇,申請(qǐng)專利24項(xiàng),fxfuhua@163.com;

劉雨竹(1992-),女,遼寧阜新人,遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院碩士研究生,主要研究方向?yàn)殡娏﹄娮优c電力傳動(dòng),liuyuzhu1231@163.com。

項(xiàng)目來源:國家自然科學(xué)基金項(xiàng)目(51274118);遼寧省教育廳基金項(xiàng)目(L2012119);遼寧省科技攻關(guān)項(xiàng)目(2011229011)

2014-12-23 修改日期:2015-01-27

C:7230

10.3969/j.issn.1004-1699.2015.05.018

TP391;TP212

A

1004-1699(2015)05-0717-06