CN109376919A - 一种煤矿综采工作面瓦斯涌出量的预测方法 - Google Patents
一种煤矿综采工作面瓦斯涌出量的预测方法 Download PDFInfo
- Publication number
- CN109376919A CN109376919A CN201811189039.7A CN201811189039A CN109376919A CN 109376919 A CN109376919 A CN 109376919A CN 201811189039 A CN201811189039 A CN 201811189039A CN 109376919 A CN109376919 A CN 109376919A
- Authority
- CN
- China
- Prior art keywords
- model
- arima
- gas density
- garch
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000005065 mining Methods 0.000 title claims abstract description 49
- 239000003245 coal Substances 0.000 title claims abstract description 46
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 119
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims description 47
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 6
- 238000005311 autocorrelation function Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 241001123248 Arma Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000002817 coal dust Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种煤矿综采工作面瓦斯涌出量的预测方法,所述预测方法包括根据获得的瓦斯浓度监测数据建立ARIMA瓦斯浓度预测模型,然后采用GARCH模型对ARIMA瓦斯浓度预测模型的残差序列进行拟合,并将拟合的结果作为ARIMA瓦斯浓度预测模型中预测的噪声项,采用ARIMA瓦斯浓度预测模型结合GARCH模型对煤矿综采工作面的瓦斯浓度进行预测;本发明所述一种煤矿综采工作面瓦斯涌出量的预测方法,能够真实的反映煤矿综采工作面瓦斯浓度真实值的变化趋势。
Description
技术领域
本发明涉及煤矿技术领域,尤其涉及一种煤矿综采工作面瓦斯涌出量的预测方法。
背景技术
目前,中国煤矿重大事故中约57.3%为瓦斯事故,自建国以来特别重大事故中有绝大多数属于瓦斯煤尘事故,可见瓦斯灾害已经成为煤矿第一大灾害。因此,研究瓦斯浓度变化规律并对其进行预测报警,防患于未然,对于保障煤矿安全生产至关重要。
发明内容
为了解决现有技术中存在的问题,本发明提供了一种煤矿综采工作面瓦斯涌出量的预测方法,能够真实的反映煤矿综采工作面瓦斯浓度真实值的变化趋势。
为了达到上述目的,本发明采取的技术方案如下:
一种煤矿综采工作面瓦斯涌出量的预测方法,包括以下步骤:
(1)获取煤矿综采工作面瓦斯浓度检测数据;
(2)根据获得的瓦斯浓度监测数据建立ARIMA瓦斯浓度预测模型;
(3)对建立的ARIMA瓦斯浓度预测模型进行可靠性检验;
(4)采用回归异方差(GARCH)模型对ARIMA瓦斯浓度预测模型的残差序列进行拟合,并将拟合的结果作为ARIMA瓦斯浓度预测模型中预测的噪声项;
(5)采用ARIMA瓦斯浓度预测模型结合GARCH模型对煤矿综采工作面的瓦斯浓度进行预测。
进一步地,所述步骤(2)中ARIMA瓦斯浓度预测模型的建立具体包括以下步骤:
首先对获得的瓦斯浓度监测数据进行平稳化检验与处理;然后在平稳化处理检验与处理后的瓦斯浓度检测数据的基础上建立ARIMA(p,d,q)模型;最后确定ARIMA(p,d,q)模型的阶数和参数。
进一步地,在ARIMA瓦斯浓度预测模型的建立之前首先将煤矿综采工作面瓦斯浓度监测数据看作一个非平稳的随机时间序列,然后再采用一阶差分法对获得的瓦斯浓度监测数据进行平稳化检验与处理,瓦斯浓度监测数据经一阶差分法平稳化检验与处理后为一阶差分平稳随机过程。
进一步地,煤矿综采工作面瓦斯浓度监测数据的随机时间序列Wt的预测模型的表达式为:
Wt=φ1Wt-1+φ2Wt-2+…+φpWt-p+et-θ1et-1-θ2et-2-…-θqet-q (1)
其中:Wt表示随机过程Wt第t时刻瓦斯浓度的数值,et表示独立于随机过程Wt的新息项,p、 d和q均为ARIMA(p,d,q)模型的阶数;
随机时间序列Wt的预测模型经一阶差分处理后的表达式为:
Yt=(1+φ1)Yt-1+(φ1-φ2)Yt-2+(φ3-φ2)Yt-3+… +(φp-φp-1)Yt-p-φpYt-p-1+et-θ1et-1-θ2et-2-…-θqet-q (2)
其中:Yt表示t时刻瓦斯浓度原序列值,即t时刻瓦斯浓度的实际值,φ和θ分别为差分后随机时间序列中自回归过程和滑动平均过程权数;
所述ARIMA(p,d,q)模型的表达式为:
其中:d=1,表示t+1时刻瓦斯浓度的预测值。
进一步地,所述ARIMA(p,d,q)模型的阶数的确定方法为使用拓展的自相关函数来确定 ARIMA(p,d,q)模型的阶数,确定的瓦斯浓度的预测模型为ARIMA(4,1,6)。
进一步地,所述公式(2)中φ1、φ2、…、φp以及θ1、θ2、…、θq的值,采用最小二乘法
进行估计;
采用最小二乘法进行估计φ1、φ2、…、φp以及θ1、θ2、…、θq的值具体包括以下步骤:
首先将预测模型公式(1)转化为et=et(φ,θ)的形式,具体表示如下:
et=Wt-φ1Wt-1-φ2Wt-2-...-φiWt-i+θ1et-1+θ2et-2+...+θqet-q (4);
然后使用数值算法最小化Sc(φ,θ)的值,即可得到所有参数的条件最小二乘值,Sc(φ,θ)的表达式如下:
其中:Sc(φ,θ)表示et的方差,Y表示一阶差分处理后随机序列Yt的均值;
最后使用统计学软件求解公式(5)中最小的φ和θ值,得到随机时间序列Wt的预测模型的一阶差分最终表达式,表示式如下:
进一步地,将公式(3)中π权重的初始值π1=-1,通过不断迭代计算可以得出预测公式 (3)逆转形式中π权重,所述ARIMA(4,1,6)模型的表达式为:
其中:Yt-1(l)表示t-1瓦斯浓度的实际值。
进一步地,所述步骤(3)对建立的ARIMA瓦斯浓度预测模型进行可靠性检验的具体方法为:
用Ljung-Box方法对建立的ARIMA(p,d,q)模型的拟合残差进行检验,判断拟合残差是否为独立于随机过程的新息项;若断定ARIMA(p,d,q)模型的拟合残差为独立于随机过程本身的新息项,瓦斯浓度预测模型ARIMA(p,d,q)的检验通过,无需修正,能够直接用于煤矿综采工作面瓦斯浓度的预测;若断定ARIMA(p,d,q)模型的拟合残差不是独立于随机过程本身的新息项,瓦斯浓度预测模型ARIMA(p,d,q)的检验不能通过,需修正,直至断定ARIMA(p, d,q)模型的拟合残差为独立于随机过程本身的新息项。
进一步地,所述步骤(4)采用GARCH模型对ARIMA瓦斯浓度预测模型的残差序列进行拟合的过程包括以下步骤:
首先对ARIMA(p,d,q)模型中残差序列进行GARCH模型识别,确定GARCH模型的阶数;最后确定GARCH模型的参数;所述GARCH模型的表达式为:
其中:u与v分别代表ARCH模型与GARCH模型的阶数;ω、α和β分别为未知参数;代表t时刻的条件方差的估量值;{rt}代表经GARCH模型拟合后的时间序列;εt代表 GARCH模型的标准残差。
进一步地,所述GARCH模型识别采用EACF方法对ARIMA(p,d,q)模型中残差序列进行GARCH模型识别,求ARIMA(p,d,q)模型拟合的残差序列平方值的样本EACF,确定GARCH过程的阶数u和v分别为3和4,ARIMA(p,d,q)模型拟合的残差随机过程最终识别为GARCH(3,4);
GARCH模型的参数的确定采用极大似然法进行估算,最终得到GARCH模型的表达式为:
有益效果:与现有技术相比,本发明所述煤矿综采工作面瓦斯涌出量的预测方法首先建立了煤矿综采工作面瓦斯浓度预测模型ARIMA(p,d,q),采用GARCH模型对ARIMA瓦斯浓度预测模型的残差序列进行拟合,并将拟合的结果作为ARIMA瓦斯浓度预测模型中预测的噪声项,采用ARIMA瓦斯浓度预测模型结合GARCH模型对煤矿综采工作面的瓦斯浓度进行预测,能够GARCH模型能够解决ARIMA模型预测过程中误差项无法得到的问题,应用 ARIMA+GARCH组合模型对瓦斯浓度预测的MAPE仅为5.56%,偏差较小,表明该组合模型可以反映综采工作面瓦斯浓度真实值的变化趋势。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种煤矿综采工作面瓦斯涌出量的预测方法的流程示意图;
图2为本发明实施例煤矿综采工作面瓦斯一阶差分时间序列图;
图3为本发明实施例瓦斯浓度实际值与拟合值对比图;
图4为本发明实施例ARIMA模型拟合残差序列Ljung-Box检验结果示意图;
图5为本发明实施例GARCH模型模拟结果示意图;
图6为本发明实施例瓦斯浓度的预测值与实际值对比图。
具体实施方式
在本发明的描述中,需要理解的是,术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
下面结合附图和实施例对本发明做进一步阐述。
实施例
参考图1,一种煤矿综采工作面瓦斯涌出量的预测方法,包括以下步骤:
(1)获取煤矿综采工作面瓦斯浓度检测数据;
(2)根据获得的瓦斯浓度监测数据建立ARIMA瓦斯浓度预测模型;
(3)对建立的ARIMA瓦斯浓度预测模型进行可靠性检验;
(4)采用GARCH模型对ARIMA瓦斯浓度预测模型的残差序列进行拟合,并将拟合的结果作为ARIMA瓦斯浓度预测模型中预测的噪声项;
(5)采用ARIMA瓦斯浓度预测模型结合GARCH模型对煤矿综采工作面的瓦斯浓度进行预测。
进一步地,所述步骤(2)中ARIMA瓦斯浓度预测模型的建立具体包括以下步骤:
首先对获得的瓦斯浓度监测数据进行平稳化检验与处理;然后在平稳化处理检验与处理后的瓦斯浓度检测数据的基础上建立ARIMA(p,d,q)模型;最后确定ARIMA(p,d,q)模型的阶数和参数。
进一步地,在ARIMA瓦斯浓度预测模型的建立之前首先将煤矿综采工作面瓦斯浓度监测数据看作一个非平稳的随机时间序列,然后再采用一阶差分法对获得的瓦斯浓度监测数据进行平稳化检验与处理,瓦斯浓度监测数据经一阶差分法平稳化检验与处理后为一阶差分平稳随机过程。
进一步地,煤矿综采工作面瓦斯浓度监测数据的随机时间序列Wt的预测模型的表达式为:
Wt=φ1Wt-1+φ2Wt-2+…+φpWt-p+et-θ1et-1-θ2et-2-…-θqet-q (1)
其中:Wt表示随机过程Wt第t时刻瓦斯浓度的数值,et表示独立于随机过程Wt的新息项或拟合残差,p、d和q均为ARIMA(p,d,q)模型的阶数;
随机时间序列Wt的预测模型经一阶差分处理后的表达式为:
Yt=(1+φ1)Yt-1+(φ1-φ2)Yt-2+(φ3-φ2)Yt-3+… +(φp-φp-1)Yt-p-φpYt-p-1+et-θ1et-1-θ2et-2-…-θqet-q (2)
其中:Yt表示t时刻瓦斯浓度原序列值,即t时刻瓦斯浓度的实际值,φ和θ分别为差分后随机时间序列中自回归过程和滑动平均过程权数;
所述ARIMA(p,d,q)模型的表达式为:
其中:d=1,表示t+1时刻瓦斯浓度的预测值。
进一步地,所述ARIMA(p,d,q)模型的阶数的确定方法为使用拓展的自相关函数来确定 ARIMA(p,d,q)模型的阶数。
进一步地,所述公式(2)中φ1、φ2、…、φp以及θ1、θ2、…、θq的值,采用最小二乘法进行估计;
采用最小二乘法进行估计φ1、φ2、…、φp以及θ1、θ2、…、θq的值具体包括以下步骤:
首先将预测模型公式(1)转化为et=et(φ,θ)的形式,具体表示如下:
et=Wt-φ1Wt-1-φ2Wt-2-...-φiWt-i+θ1et-1+θ2et-2+...+θqet-q (4);
然后使用数值算法最小化Sc(φ,θ)的值,即可得到所有参数的条件最小二乘值,Sc(φ,θ)的表达式如下:
其中:Sc(φ,θ)表示et的方差,表示一阶差分处理后随机序列Yt的均值;
最后使用统计学软件R语言求解公式(5)中最小的φ和θ值,得到随机时间序列Wt的预测模型的一阶差分最终表达式。
进一步地,所述步骤(3)对建立的ARIMA瓦斯浓度预测模型进行可靠性检验的具体方法为:
用Ljung-Box方法对建立的ARIMA(p,d,q)模型的拟合残差进行检验,判断拟合残差是否为独立于随机过程的新息项;若断定ARIMA(p,d,q)模型的拟合残差为独立于随机过程本身的新息项,瓦斯浓度预测模型ARIMA(p,d,q)的检验通过,无需修正,能够直接用于煤矿综采工作面瓦斯浓度的预测;若断定ARIMA(p,d,q)模型的拟合残差不是独立于随机过程本身的新息项,瓦斯浓度预测模型ARIMA(p,d,q)的检验不能通过,需修正,直至断定ARIMA(p, d,q)模型的拟合残差为独立于随机过程本身的新息项。
进一步地,所述步骤(4)采用GARCH模型对ARIMA瓦斯浓度预测模型的残差序列进行拟合的过程包括以下步骤:
首先对ARIMA(p,d,q)模型中残差序列进行GARCH模型识别,确定GARCH模型的阶数;最后确定GARCH模型的参数;所述GARCH模型的表达式为:
其中:u与v分别代表ARCH模型与GARCH模型的阶数;ω、α和β分别为未知参数;代表t时刻的条件方差的估量值;{rt}代表经GARCH模型拟合后的时间序列;εt代表 GARCH模型的标准残差。
进一步地,所述GARCH模型识别采用EACF方法对ARIMA(p,d,q)模型中残差序列进行GARCH模型识别,求ARIMA(p,d,q)模型拟合的残差序列平方值的样本EACF,确定 GARCH过程的阶数u和v。
ARIMA(p,d,q)+GARCH(u,v)组合预测模型的判断
判断指标一般有四个:平均绝对误差(MAD)、平均绝对百分误差值(MAPE)、均方误差(MSE)和标准差(SDE),分别表示如下:
最后通过以上4个判断指标对ARIMA(p,d,q)+GARCH(u,v)组合预测模型的预测结果进行判断。
实例分析
1、ARIMA模型的搭建过程
(1)数据来源及处理
本实施例所述数据样本来自陕西黄陵一号矿井1001综采工作面,选取2018年4月11、 12、13、14日4天每小时4个时点的瓦斯浓度监测数据作为样本数据。在上述样本数据中选取4月11日0时0分至4月13日23时50分瓦斯浓度监测数据对时间序列预测模型进行拟合,选取4月14日0时0分至4月14日11时50分作为预测区间,使用该区间的数据对瓦斯浓度预测模型预测的可行性进行验证。
首先利用R语言对瓦斯浓度历史监测数据进行一阶差分,差分后的瓦斯浓度随机过程如图2所示:
结果发现该瓦斯浓度随机过程大致平稳,序列Wt的数值均匀分布在0值附近,且随着时间的滞后序列的数值上下波动,且不存在任何增长或减少的趋势,因此认定经过一次差分以后的随机过程Wt是平稳的,符合ARIMA模型建模预测的基本要求。
(2)瓦斯浓度预测模型的阶数的确定
使用扩展的自相关函数(EACF)来确定ARIMA(p,d,q)模型的的阶数。随机时间序列Wt的样本扩展EACF函数值如表1所示。
表1一阶差分时间序列Wt的扩展ACF(EACF)
表1中零三角(右下角)的左上角处于第p=4行第q=6列,由此确定瓦斯浓度的预测模型为ARIMA(4,1,6)。
(3)ARIMA模型的参数估计
使用R语言求解公式(5)中最小的φ和θ值,该值为ARMA模型中AR项和MA项的权重预估值,计算结果见表2。
表2 ARMA(4,6)模型的参数估计结果
其中,σ2的估值为0.0002958;AIC=-1490.52;对数似然值为756.26。
随机时间序列Wt的预测模型的表达式表示为:
将一阶差分时间序列的预测模型中的Wt替换为差分Wt=▽Yt=Yt-Yt-1的形式,并进行简单的移项运算,可得到随机过程Yt的表达式,表示如下
Yt=1.3242Yt-1+0.0730Yt-2-0.5466Yt-3+0.1216Yt-4-0.1210Yt-5+et+0.4298et-1 -0.0484et-2-0.1080et-3+0.0475et-4-0.2568et-5-0.0324et-6 (6)
(4)ARIMA模型的确定及可靠性检验
将公式(3)中π权重的初始值π1=-1,通过不断迭代计算可以得出预测公式(3)逆转形式中π权重,所述ARIMA(4,1,6)模型的表达式为:
利用以上公式(7)对综采工作面瓦斯浓度历史监测数据进行拟合,拟合效果如图3所示 (实际值用实线表示,拟合值用表示虚线):
拟合结果表明:ARIMA(4,1,6)模型在拟合瓦斯浓度历史监测数据时预测值(模拟值) 与实际值拟合程度较高。
用Ljung-Box方法对ARIMA(4,1,6)的拟合残差进行检验,判断拟合残差是否为独立于随机过程的新息项,结果如图4所示:图4中虚线为5%水平线,明显可以看出,检验结果的p值都远远大于0.05,因此可以断定ARIMA(4,1,6)模型的拟合残差为独立于随机过程本身的新息项,瓦斯浓度预测模型ARIMAARIMA(4,1,6)的检验通过,无需修正,可直接用于预测。
但是,ARIMA(4,1,6)模型在对未来瓦斯浓度预测时存在一定的缺陷,最小均方误差预测则将误差视为0值进行计算,即预测瓦斯浓度未来值时的误差项(即残差项)无法得到,预测方程(3.13)的运算结果必然会出现均值回归,即预测结果会在某条水平线上下波动,导致ARIMA模型预测值与瓦斯浓度实际值偏离较大,为避免ARIMA模型预测出现均值回归,因此需要对ARIMA(4,1,6)模型的残差序列建立GARCH模型,以GARCH模型模拟出的随机过程作为未来ARIMA(4,1,6)模型模型拟合的残差序列可以解决ARIMA模型预测过程中误差项无法得到的问题,公式(7)中未来t+1期的值的噪声项(et)能够通过GARCH模型模拟得到,瓦斯浓度预测的初始值以实际值代替,然后通过公式(7)不断迭代运算便可得到综采工作面瓦斯浓度未来t+1期的预测值序列,其中ARIMA(4,1,6)模型的残差et为实
际值Yt与预测值(模拟值)的差值。
2、残差序列的GARCH模型处理
(1)GARCH模型的识别
利用EACF方法对ARIMA(4,1,6)模型残差序列进行GARCH模型识别,求ARIMA (4,1,6)模型拟合的残差随机过程平方值的样本EACF,结果如表3所示:
表3 ARIMA模型残差序列平方值的样本EACF
表3中零三角(左下角)的左上角处于第AR=4行第MA=3行,由此得出残差序列的平方值的ARMA过程识别为ARMA(4,3),因此,可以确定GARCH过程的阶数u和v分别3 和4,所以ARIMA(4,1,6)模型拟合的残差随机过程最终识别为GARCH(3,4)。
(2)GARCH模型参数的确定
GARCH(3,4)模型的参数需要使用极大似然法进行估算,估算结果如表4所示:
表4 GARCH(3,4)模型参数的估计值
最终得到GARCH(3,4)模型的表达式为:
3、瓦斯浓度预测及效果评价
应用ARIMA+GARCH模型对4月14日0时0分至4月14日11时50分综采工作面瓦斯浓度(样本容量为96)进行预测。
使用R语言模拟GARCH模型的随机过程,结果如图5所示。
将表3中的模拟结果导出,导出数列即为中向前1至96期的噪声项,迭代运算后可得到综采工作面瓦斯浓度预测值,预测结果如图6所示(虚线表示预测值,实线表示瓦斯浓度实际值):
分析图6可知:ARIMA与GARCH的组合模型预测值变化趋势与瓦斯浓度实际值变化趋势基本保持一致。
通过计算可得:ARIMA与GARCH的组合模型的MAD(绝对误差)为0.0268,MAPE
(相对误差)为5.56%,MSE(方差)为0.0019,SDE(标准差)为0.0436,以上四项误差指标计算结果均较小,说明ARIMA+GARCH模型对综采工作面瓦斯浓度预测精度较高,应用组合的模型的算法对瓦斯浓度未来值进行递推计算,能够真实的反映煤矿综采工作面瓦斯浓度真实值的变化趋势。
本发明使用R语言对时序分析方法中ARIMA模型和GARCH模型在瓦斯浓度预测中的可行性开展了实证研究。首先建立了综采工作面瓦斯浓度预测模型ARIMA(4,1,6),然后对ARIMA模型的拟合残差序列建立了GARCH(3,4)模型,最后组合两种模型对瓦斯浓度进行了预测,具体如何使用R语言对瓦斯浓度历史监测数据进行一阶差分,如何模拟GARCH模型的随机过程以及如何求解公式(5)中最小的φ和θ值,对于本领域技术人员来说是公知常识,在本实施例中不再加以赘述。
以上是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种煤矿综采工作面瓦斯涌出量的预测方法,其特征在于:包括以下步骤:
(1)获取煤矿综采工作面瓦斯浓度检测数据;
(2)根据获得的瓦斯浓度监测数据建立ARIMA瓦斯浓度预测模型;
(3)对建立的ARIMA瓦斯浓度预测模型进行可靠性检验;
(4)采用GARCH模型对ARIMA瓦斯浓度预测模型的残差序列进行拟合,并将拟合的结果作为ARIMA瓦斯浓度预测模型中预测的噪声项;
(5)采用ARIMA瓦斯浓度预测模型结合GARCH模型对煤矿综采工作面的瓦斯浓度进行预测。
2.根据权利要求1所述的一种煤矿综采工作面瓦斯涌出量的预测方法,其特征在于:所述步骤(2)中ARIMA瓦斯浓度预测模型的建立具体包括以下步骤:
首先对获得的瓦斯浓度监测数据进行平稳化检验与处理;然后在平稳化处理检验与处理后的瓦斯浓度检测数据的基础上建立ARIMA(p,d,q)模型;最后确定ARIMA(p,d,q)模型的阶数和参数。
3.根据权利要求2所述的一种煤矿综采工作面瓦斯涌出量的预测方法,其特征在于:在ARIMA瓦斯浓度预测模型的建立之前首先将煤矿综采工作面瓦斯浓度监测数据看作一个非平稳的随机时间序列,然后再采用一阶差分法对获得的瓦斯浓度监测数据进行平稳化检验与处理,瓦斯浓度监测数据经一阶差分法平稳化检验与处理后为一阶差分平稳随机过程。
4.根据权利要求3所述的一种煤矿综采工作面瓦斯涌出量的预测方法,其特征在于:煤矿综采工作面瓦斯浓度监测数据的随机时间序列Wt的预测模型的表达式为:
Wt=φ1Wt-1+φ2Wt-2+…+φpWt-p+et-θ1et-1-θ2et-2-…-θqet-q (1)
其中:Wt表示随机过程Wt第t时刻瓦斯浓度的数值,et表示独立于随机过程Wt的新息项,p、d和q均为ARIMA(p,d,q)模型的阶数;
随机时间序列Wt的预测模型经一阶差分处理后的表达式为:
Yt=(1+φ1)Yt-1+(φ1-φ2)Yt-2+(φ3-φ2)Yt-3+…+(φp-φp-1)Yt-p-φpYt-p-1+et-θ1et-1-θ2et-2-…-θqet-q (2)
其中:Yt表示t时刻瓦斯浓度原序列值,即t时刻瓦斯浓度的实际值,φ和θ分别为差分后随机时间序列中自回归过程和滑动平均过程权数;
所述ARIMA(p,d,q)模型的表达式为:
其中: 表示t+1时刻瓦斯浓度的预测值。
5.根据权利要求2或4所述的一种煤矿综采工作面瓦斯涌出量的预测方法,其特征在于:所述ARIMA(p,d,q)模型的阶数的确定方法为使用拓展的自相关函数来确定ARIMA(p,d,q)模型的阶数,确定的瓦斯浓度的预测模型为ARIMA(4,1,6)。
6.根据权利要求5所述的一种煤矿综采工作面瓦斯涌出量的预测方法,其特征在于:所述公式(2)中φ1、φ2、...、φp以及θ1、θ2、...、θq的值,采用最小二乘法进行估计;
采用最小二乘法进行估计φ1、φ2、...、φp以及θ1、θ2、...、θq的值具体包括以下步骤:
首先将预测模型公式(1)转化为et=et(φ,θ)的形式,具体表示如下:
et=Wt-φ1Wt-1-φ2Wt-2-...-φiWt-i+θ1et-1+θ2et-2+...+θqet-q (4);
然后使用数值算法最小化Sc(φ,θ)的值,即可得到所有参数的条件最小二乘值,Sc(φ,θ)的表达式如下:
其中:Sc(φ,θ)表示et的方差,表示一阶差分处理后随机序列Yt的均值;
最后使用统计学软件求解公式(5)中最小的φ和θ值,得到随机时间序列Wt的预测模型的一阶差分最终表达式,表示式如下:
Yt=1.3242Yt-1+0.0730Yt-2-0.5466Yt-3+0.1216Yt-4-0.1210Yt-5+et+0.4298et-1 (6)。
7.根据权利要求6所述的一种煤矿综采工作面瓦斯涌出量的预测方法,其特征在于:
将公式(3)中π权重的初始值π1=-1,通过不断迭代计算可以得出预测公式(3)逆转形式中π权重,所述ARIMA(4,1,6)模型的表达式为:
其中:Yt-1(l)表示t-1瓦斯浓度的实际值。
8.根据权利要求1所述的一种煤矿综采工作面瓦斯涌出量的预测方法,其特征在于:所述步骤(3)对建立的ARIMA瓦斯浓度预测模型进行可靠性检验的具体方法为:
用Ljung-Box方法对建立的ARIMA(p,d,q)模型的拟合残差进行检验,判断拟合残差是否为独立于随机过程的新息项;若断定ARIMA(p,d,q)模型的拟合残差为独立于随机过程本身的新息项,瓦斯浓度预测模型ARIMA(p,d,q)的检验通过,无需修正,能够直接用于煤矿综采工作面瓦斯浓度的预测;若断定ARIMA(p,d,q)模型的拟合残差不是独立于随机过程本身的新息项,瓦斯浓度预测模型ARIMA(p,d,q)的检验不能通过,需修正,直至断定ARIMA(p,d,q)模型的拟合残差为独立于随机过程本身的新息项。
9.根据权利要求1或7所述的一种煤矿综采工作面瓦斯涌出量的预测方法,其特征在于:所述步骤(4)采用GARCH模型对ARIMA瓦斯浓度预测模型的残差序列进行拟合的过程包括以下步骤:
首先对ARIMA(p,d,q)模型中残差序列进行GARCH模型识别,确定GARCH模型的阶数;最后确定GARCH模型的参数;所述GARCH模型的表达式为:
其中:u与v分别代表ARCH模型与GARCH模型的阶数;ω、α和β分别为未知参数;代表t时刻的条件方差的估量值;{rt}代表经GARCH模型拟合后的时间序列;εt代表GARCH模型的标准残差。
10.根据权利要求9所述的一种煤矿综采工作面瓦斯涌出量的预测方法,其特征在于:所述GARCH模型识别采用EACF方法对ARIMA(p,d,q)模型中残差序列进行GARCH模型识别,求ARIMA(p,d,q)模型拟合的残差序列平方值的样本EACF,确定GARCH过程的阶数u和v分别为3和4,ARIMA(p,d,q)模型拟合的残差随机过程最终识别为GARCH(3,4);
GARCH模型的参数的确定采用极大似然法进行估算,最终得到GARCH模型的表达式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811189039.7A CN109376919B (zh) | 2018-10-12 | 2018-10-12 | 一种煤矿综采工作面瓦斯涌出量的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811189039.7A CN109376919B (zh) | 2018-10-12 | 2018-10-12 | 一种煤矿综采工作面瓦斯涌出量的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109376919A true CN109376919A (zh) | 2019-02-22 |
CN109376919B CN109376919B (zh) | 2022-04-26 |
Family
ID=65397955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811189039.7A Active CN109376919B (zh) | 2018-10-12 | 2018-10-12 | 一种煤矿综采工作面瓦斯涌出量的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376919B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766233A (zh) * | 2019-10-30 | 2020-02-07 | 神华神东煤炭集团有限责任公司 | 综采工作面安全指数预测方法 |
CN112360399A (zh) * | 2020-11-30 | 2021-02-12 | 中国石油大学(北京) | 煤层气产量预测方法、装置及设备 |
CN112364802A (zh) * | 2020-11-19 | 2021-02-12 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
CN113011648A (zh) * | 2021-03-15 | 2021-06-22 | 重庆交通大学 | 隧道瓦斯涌出浓度预测方法及系统 |
CN116187111A (zh) * | 2023-04-28 | 2023-05-30 | 中北大学 | 基于气体传感器的瓦斯浓度预测方法、系统、终端及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9660666B1 (en) * | 2014-12-22 | 2017-05-23 | EMC IP Holding Company LLC | Content-aware lossless compression and decompression of floating point data |
CN107146004A (zh) * | 2017-04-20 | 2017-09-08 | 浙江大学 | 一种基于数据挖掘的矿渣粉磨系统健康状态识别系统及方法 |
-
2018
- 2018-10-12 CN CN201811189039.7A patent/CN109376919B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9660666B1 (en) * | 2014-12-22 | 2017-05-23 | EMC IP Holding Company LLC | Content-aware lossless compression and decompression of floating point data |
CN107146004A (zh) * | 2017-04-20 | 2017-09-08 | 浙江大学 | 一种基于数据挖掘的矿渣粉磨系统健康状态识别系统及方法 |
Non-Patent Citations (2)
Title |
---|
C. NARENDRA BABU 等: "Selected Indian stock predictions using a hybrid ARIMA-GARCH model", 《2014 INTERNATIONAL CONFERENCE ON ADVANCES IN ELECTRONICS, COMPUTERS AND COMMUNICATIONS (ICAECC)》 * |
朱宇: "构造性神经网络在瓦斯时间序列预测中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766233A (zh) * | 2019-10-30 | 2020-02-07 | 神华神东煤炭集团有限责任公司 | 综采工作面安全指数预测方法 |
CN110766233B (zh) * | 2019-10-30 | 2022-08-12 | 神华神东煤炭集团有限责任公司 | 综采工作面安全指数预测方法 |
CN112364802A (zh) * | 2020-11-19 | 2021-02-12 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
CN112364802B (zh) * | 2020-11-19 | 2021-08-03 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
CN112360399A (zh) * | 2020-11-30 | 2021-02-12 | 中国石油大学(北京) | 煤层气产量预测方法、装置及设备 |
CN113011648A (zh) * | 2021-03-15 | 2021-06-22 | 重庆交通大学 | 隧道瓦斯涌出浓度预测方法及系统 |
CN113011648B (zh) * | 2021-03-15 | 2023-09-08 | 重庆交通大学 | 隧道瓦斯涌出浓度预测方法及系统 |
CN116187111A (zh) * | 2023-04-28 | 2023-05-30 | 中北大学 | 基于气体传感器的瓦斯浓度预测方法、系统、终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109376919B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376919A (zh) | 一种煤矿综采工作面瓦斯涌出量的预测方法 | |
CN108416695A (zh) | 基于深度学习的电力负荷概率密度预测方法和系统、介质 | |
CN107992968B (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
Wan et al. | Optimal prediction intervals of wind power generation | |
CN106201849B (zh) | 一种有限数据驱动的长寿命部件余寿预测方法 | |
CN111199270A (zh) | 一种基于深度学习的区域波高预报方法及终端 | |
CN107290965A (zh) | 基于局部加权贝叶斯网络的自适应软测量预测方法 | |
CN107609289A (zh) | 基于bim模型的结构加固工程的建材成本管控方法以及系统 | |
CN106663142A (zh) | 用于检测建筑信息的方法和设备 | |
Yuan et al. | Calibration of stochastic computer models using stochastic approximation methods | |
CN111310981A (zh) | 一种基于时间序列的水库水位趋势预测方法 | |
CN103514488B (zh) | 基于组合预测模型的电力系统短期负荷预测装置及方法 | |
CN114548475A (zh) | 一种基于大数据预测的碳排放强度分级评价方法和可视化系统 | |
Tricahya et al. | Forecasting the amount of pneumonia patients in Jakarta with weighted high order fuzzy time series | |
CN116576544A (zh) | 基于物联智能体减碳优化模型的暖通空调系统节能方法 | |
JPH0713611A (ja) | プロセスモデル評価装置およびプロセスモデル評価方法 | |
CN110009939A (zh) | 基于asm的航班延误预测及波及分析方法 | |
CN117371622A (zh) | 一种区域中长期动态碳排放因子的预测方法、系统及设备 | |
CN117037479A (zh) | 应用路网传感器对交通状态进行测量的信号传输系统 | |
CN115883016B (zh) | 基于联邦生成对抗网络的流量数据增强方法与装置 | |
CN107205255A (zh) | 面向基于图像传感器的无线传感器网络的目标跟踪方法 | |
CN111160594B (zh) | 一种到达时间的预估方法、装置及存储介质 | |
CN114648178B (zh) | 一种基于ddpg算法的电能计量装置运维策略优化方法 | |
JP7508353B2 (ja) | 海底地形推定方法、学習済モデル生成方法、海底地形推定装置およびプログラム | |
US20220397306A1 (en) | Monitoring and controlling domestic hot water production and distribution |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |