基于改進粒子群小波神經網絡的瓦斯濃度預測研究

楊世金

摘要：結合小波神經網絡基本原理，提出一種粒子群優化小波神經網絡的瓦斯濃度預測模型。對小波神經網絡基本原理進行分析，然后，利用粒子群對小波神經網絡參數進行優化，并構建預測模型;最后，以P₁～P₅監測點的煤礦瓦斯濃度數據為基礎，將其輸入預測模型中進行訓練。結果表明：粒子群優化后的小波神經網絡在瓦斯濃度預測方面，數值更接近真實值，同時迭代次數在110次左右即達到穩定。

關鍵詞：小波神經網絡;瓦斯濃度;粒子群;濃度預測

中圖分類號：TQ541

文獻標識碼：A文章編號：1001-5922（2022）06-0108-03

Study on gas concentration prediction based on improved particle swarm wavelet neural network

YANG Shijin

（

Guangxi Vocational College of Safety Engineering， Cenxi 530100， Guangxi China

）

Abstract：Combined with the basic principle of wavelet neural network， a gas concentration prediction model based on particle swarm optimization wavelet neural network is proposed. The basic principle of wavelet neural network is analyzed， then the parameters of wavelet neural network are optimized by particle swarm optimization， and the prediction model is constructed. Finally， based on the coal mine gas concentration data of P₁～ P₅monitoring points， they are put into the prediction model for training. The results show that the value of wavelet neural network optimized by particle swarm optimization is closer to the real value in gas concentration prediction， and the stability is reached when? number of iterations reaches about 110.

Key words：wavelet neural network; gas concentration; particle swarm optimization; concentration prediction

煤礦開采已經成為我國經濟建設的重要產業，隨之而來的是煤礦開采過程中產生的瓦斯氣體所導致的危險事件。為了保障煤礦開采的安全以解決瓦斯氣體的爆炸，建立高效準確的瓦斯預測系統成為我國學術領域研究的重點。如對煤與瓦斯突出相關的5個特征進行分析，采用拉依達準則處理數據異常值并采用隨機森林、支持向量機和K近鄰模型進行煤與瓦斯突出預測，實驗表明：采用隨機森林數據插補方法并利用隨機森林模型完成的預測，在所有數據插補方法和預測模型組合中性能最優[1];針對現有煤與突出預測方法存在可視化程度低、突出預測準確性和實時性不高等問題，以新元煤礦為試驗礦井，構建了煤與瓦斯突出預測多元數據可視化系統，應用結果表明：該系統改變了新元煤礦突出預測指標單一、不連續的現狀，顯著提高了礦井煤與瓦斯突出預測準確性與實時性[2];針對煤礦瓦斯濃度的預測的問題，以亭南煤礦正常生產期間302工作面的監測數據為研究背景，采用深度學習技術LSTM建立瓦斯預測模型，研究與設計了基于LSTM的煤礦瓦斯預測預警系統，該系統實現了煤礦瓦斯預警系統，增強了煤礦瓦斯監控系統的預警能力，提高了煤炭企業安全生產管理水平[3]。本研究認為，其不僅需要構建預測系統，還需要保證其瓦斯預測的準確性。因此，基于小波神經網絡原理，提出一種粒子群優化小波神經網絡的瓦斯預測模型，以此提高瓦斯預測的精準率。

1小波神經網絡簡介

傳統的BP神經網絡是采用Sigmoid作為隱含層，這就導致傳統算法具有陷入局部最優和收斂速度慢的問題。為改善這種問題，使用小波算法代替神經系統隱含層，從而最大程度地優化神經系統結構。設小波函數f（t）為一維信號，則小波基：

小波函數作為隱含層，具有很強的適應性。但以上方法還存在缺陷，如網絡初始值很難確定，同時當樣本過多時，收斂速度會變慢。因此，基于以上問題，需要對小波神經網絡進行改進。

2基于改進小波神經網絡的瓦斯濃度預測模型

基于傳統小波神經網絡存在的問題，提出采用粒子群對小波神經網絡進行改進，具體改進步驟：

（1）將N設置為輸入層，M設置為隱藏層，L設置為輸出層，M維向量設置為縮放和平移因子;

（2）將初始化速率，并找到最佳起始位置和總體最佳值;

（3）將訓練樣本數據傳輸至輸入層學習;

（4）根據

對小波神經網絡參數進行優化;

（5）確定參數是否滿足條件，若滿足則選擇優化參數;若不滿足則轉回步驟（3）;0F6D8556-6ACD-4637-8135-A62BF25AC6C0

（6）輸出預測結果。

3算法驗證

3.1數據選擇

本文以2020年8月1日至8月21日這21 d在P₁～P₅監測點收集到的煤礦瓦斯濃度數據作為基礎，利用以上的預測模型對瓦斯濃度進行預測。原始瓦斯濃度數據部分參數如圖1所示。

3.2算法驗證

從P₁～P₅監測點數據中篩選出1～45組原始數據作為訓練數據，46～50組數據用作測試樣本。將45組訓練數據輸入至預測模型進行訓練，然后用訓練模型對剩余5組進行試驗，并與實際瓦斯濃度排放的氣體值進行對比。

3.2.1改進后的神經網絡迭代次數

粒子群改進的小波神經網絡迭代次數如圖3所示。

由圖3可以看出，改進的神經網絡在110次左右的適應度值達穩定，說明經過110次左右的迭代后，算法開始逐步趨于穩定。此時的參數也為最優。

3.2.2算法預測結果

通過訓練，得到BP神經網絡和改進神經網絡對瓦斯濃度的預測結果，并將其與原始數據對比。具體如圖4和圖5所示。

由圖4可知，根據歸一化數據處理后的數據對比可以得到改進粒子群小波網絡的預測值和BP 神經網絡的預測值均小于實際的數據值;同時改進粒子群小波網絡的預測值大于BP 神經網絡的預測值，并且改進粒子群小波網絡的預測值更接近于實際的數據值。該對比數據說明改進粒子群小波網絡算法更加適宜瓦斯數據的監測。

由圖5可知，根據改進粒子群小波網絡和BP 神經網絡預測值的誤差，BP 神經網絡預測值與實際值的誤差率分別為18.74%、16.68%、16.35%、17.87%、18.23%;而改進粒子群小波網絡的值與實際值的誤差率分別為6.22%、7.42%、6.17%、7.19%、6.27%，結果表明：改進粒子群小波網絡算法的精度高于傳統的BP神經網絡算法。

4結語

本文提出對粒子群小波神經網絡算法的改進;然后與傳統BP 神經網絡的預測值和實際的數據值進行對比分析，結果表明：改進粒子群小波網絡算法的精度高于傳統的BP 神經網絡算法，具體在數值上則是改進的小波神經網絡的誤差基本在6%～7%，遠小于傳統BP神經網絡的16%～18%。

【參考文獻】

[1]汝彥冬，呂興鳳，郭繼坤，等.基于殘缺數據的煤與瓦斯突出預測系統[J].哈爾濱商業大學學報（自然科學版），2021，37（2）：172-176.

[2]蒲陽，宋志強，寧小亮.煤與瓦斯突出預測多元數據可視化系統構建與應用[J].工礦自動化，2020，46（7）：64-69.

[3]李偉山，王琳，衛晨.LSTM在煤礦瓦斯預測預警系統中的應用與設計[J].西安科技大學學報，2018，38（6）：1 027-1 035.

[4]齊黎明，盧云婷，關聯合，等.煤與瓦斯突出預測敏感指標確定方法探索及應用[J].礦業安全與環保，2021，48（3）：85-89.

[5]蘇培東，張睿，杜宇本，等.基于Kriging估值法的非煤隧道瓦斯預測[J].地下空間與工程學報，2021，17（3）：953-960.

[6]李曉燕， 李弢， 馬盡文. 高斯過程混合模型在含噪輸入預測策略下的煤礦瓦斯濃度柔性預測[J]. 信號處理， 2021， 37（11）：10.

[7]萬宇，齊金平，張儒等.基于信息增益優化支持向量機模型的煤礦瓦斯爆炸風險預測[J].科學技術與工程，2021，21（9）：3 544-3 549.

[8]段夢楠，劉澤功.基于神經網絡的煤與瓦斯突出規模預測研究[J].淮陰工學院學報，2021，30（1）：33-39.

[9]韋恩光，鄧成海，潘福東等.貴州某煤礦煤與瓦斯突出預測敏感指標的確定[J].中國科學探險，2021（1）：97-99.

[10]張震，朱權潔，李青松等.基于Keras長短時記憶網絡的礦井瓦斯濃度預測研究[J].安全與環境工程，2021，28（1）：61-67.0F6D8556-6ACD-4637-8135-A62BF25AC6C0