基于小波变换和优化预测器的瓦斯浓度预测.pdfVIP

第19卷3期 应用基础与工程科学学报 V01．19，No．3 2011 2011年6月 OFBASICSCIENCEANDENGINEERINGJune JOURNAL 文章编号2011)03-0499-010中图分类号：TD712文献标识码：A doi：10．3969／j．i觚．1005-0930．2011．03．017 基于小波变换和优化预测器的 瓦斯浓度预测 王晓路1， 刘 健1，卢建军2 (1．西安科技大学通信与信息3-程学院，陕西西安710054；2．西安邮电学院通信工程系，陕西西安710054) 摘要：为了准确预测煤矿瓦斯浓度，提出一种基于小波变换和优化预测器的预测 方法．用瓦斯浓度序列分解到小波函数空间(或尺度函数空间)上的能量作为尺 度能量，依据尺度能量与满足预测精度的最大误差能量的比值关系，确定小波最 佳分解级数。通过小波分解降低瓦斯浓度序列的复杂度，引入延时映射，将小波 分解后各个分量转化为具有历史特征的新样本分别进行预测，所得到结果进行 叠加为最终预测结果．提出基于预测残差方差比检验的最佳延时单元数确定方 法，以预测残差的F检验值作为适应值，采用粒子群算法优化预测器的参数．结 果表明：单一的BP人工神经网络(BP—ANN)或支持向量机(SVM)所建立的预 测方法对某些瓦斯浓度突变数据的预测有过拟合现象，其预测结果的平均误差 大于23％，小波变换后的组合预测方法对于瓦斯浓度突变数据具有较好的跟踪 能力和反应速度，采用预测模型的最佳参数后，预测器性能显著提高，平均误差 小于10％，表明所建议的方法是可行和有效的． 关键词：瓦斯浓度；小波变换；支持向■机；粒子群优化；F检验；预测 在采煤工作过程中，瓦斯浓度超限给煤矿安全生产带来严重的事故隐患．如何对关键 位置瓦斯浓度进行有效的预测，掌握采煤工作空间中瓦斯浓度实时变化趋势及规律，从而 控制瓦斯浓度的超限，这一直是煤矿瓦斯灾害治理所面临的重大课题． 近年来，众多专家学者对煤矿瓦斯浓度的预测方法进行了研究，提出了许多基于非线 性理论及其组合的预测方法．文献[1-3]说明了瓦斯浓度序列是混沌时间序列，并分别采 用加权一阶局域法…，自适应神经模糊推理法忙1和计算最大Lyapunov指数法【31建立了瓦 斯浓度预测模型．文献[4]提出了将免疫算法与神经网络结合的瓦斯浓度预测方法， 文献[5-6]采用灰色理论建立了瓦斯浓度预测模型．上述方法尽管已广泛应用，但各有一 定的适用场合，需要不断的改进和完善． 在瓦斯浓度预测中，预测模型参数的选取影响着预测的精度和模型的泛化能力．合理 收稿日期：2009-09-30；修订日期：20104)3-30 (2005AAl33070) 作者简介：王晓路(19r77一)，男，博士研究生，讲师．E—mail：$reattree_wan$@126．coin 万方数据 应用基础与工程科学学报 的选取这些参数，预测器具有较好的预测性能，但这些参数选取往往依赖于经验，如人工 神经网络(ANN)的网络结构参数，支持向量机(SVM)的超参数等¨引．因此有效的选取预 测模型中的参数是提高预测精度的必要步骤． 粒子群优化[10。113(PSO)算法能够很好地解决预测器参数选取问题，通过PSO算法的 全局搜索可以确定预测器的最佳参数值． 在采煤工作现场中，瓦斯浓度序列往往呈现出较强的随机性和复杂性，对于波动性较 大的瓦斯浓度序列的预测，单纯地采用如ANN或SVM等预测方法，对某些突变数据的预 测可能会出现过拟合现象．因而对于复杂瓦斯浓度序列的预测，除了预测器的选择外，还 需要对其进行有效地分解，分解后不同分量的波动性和复杂度都有所降低从而避免过 拟合． 考虑到小波变换在时域和频域同时具有良好的局部特性，对于高频分量在时域中采 用逐渐精细的分析步长，而对低频分量则采用较粗的分析步长，因而对突变数据能够表现