CN110598914B - 一种多因素影响下矿井灾害气体浓度区间预测方法及系统 - Google Patents

一种多因素影响下矿井灾害气体浓度区间预测方法及系统 Download PDF

Info

Publication number
CN110598914B
CN110598914B CN201910774764.9A CN201910774764A CN110598914B CN 110598914 B CN110598914 B CN 110598914B CN 201910774764 A CN201910774764 A CN 201910774764A CN 110598914 B CN110598914 B CN 110598914B
Authority
CN
China
Prior art keywords
disaster gas
gas concentration
interval
disaster
granulation
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.)
Active
Application number
CN201910774764.9A
Other languages
English (en)
Other versions
CN110598914A (zh
Inventor
李宁
王李管
池秀文
任高峰
王其洲
叶海旺
陈东方
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201910774764.9A priority Critical patent/CN110598914B/zh
Publication of CN110598914A publication Critical patent/CN110598914A/zh
Application granted granted Critical
Publication of CN110598914B publication Critical patent/CN110598914B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (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

本发明公开了一种多因素影响下矿井灾害气体浓度区间预测方法，属于灾害气体浓度预测技术领域，解决了现有矿井灾害气体浓度预测准确性、合理性较差的问题。一种一种多因素影响下矿井灾害气体浓度区间预测方法，包括以下步骤：采集矿井的灾害气体浓度，并获取与所述灾害气体相应的各影响因素的实时监测数据；确定与所述灾害气体相应的所有主要影响因素；得到所述灾害气体浓度和所有主要影响因素的模糊信息粒化区间值；构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型，获取下一个粒化窗口的灾害气体浓度预测区间。实现了更加准确、合理的预测出灾害气体的浓度区间。

Description

一种多因素影响下矿井灾害气体浓度区间预测方法及系统
技术领域
本发明涉及灾害气体浓度预测技术领域，尤其是涉及一种多因素影响下矿井灾害气体浓度区间预测方法及系统。
背景技术
地下矿开采环境复杂多变，影响地下矿灾害气体浓度变化的各类因素很多，灾害气体浓度的准确预测是实现矿井安全高效开采的关键，矿井灾害气体传感器监测值是受多因素影响下的外在表现，所以，仅仅依据单个测点灾害气体浓度值对矿井中灾害气体浓度的变化情况进行预测，结果不一定与实际情况相符，不能真正实现对地下矿灾害气体浓度的准确预测；据分析，矿井通风情况、温度以及氧气浓度等都对同一时刻的灾害气体浓度产生一定影响，因此，对矿井灾害气体浓度预测，需综合考虑上述各类关联因素，充分利用地下矿监测监控系统中的其他有效监测信息，采用多因素信息融合技术，将更加适用于矿井灾害气体浓度的预测。
地下矿灾害气体浓度变化具有随机性、模糊性以及高度非线性等特点，使得基于单个测点灾害气体浓度值的预测方法对灾害气体浓度的预测存在一定的局限性，不能全面、有效的反映时间序列所蕴含的内部特性。目前，大多数研究多基于灾害气体浓度监测本身或单影响因素对地下矿灾害气体浓度的变化趋势进行预测，忽略了其他关联因素的对灾害气体浓度变化的影响，预测结果与实际情况存在较大差距。
发明内容
本发明的目的在于至少克服上述一种技术不足，提出一种多因素影响下矿井灾害气体浓度区间预测方法及系统。
一方面，本发明提供了一种多因素影响下矿井灾害气体浓度区间预测方法，包括以下步骤：
步骤S1、采集矿井的灾害气体浓度，并获取与所述灾害气体相应的各影响因素的实时监测数据；
步骤S2、根据所述灾害气体浓度与各影响因素的实时监测数据的互信息量，确定与所述灾害气体相应的所有主要影响因素；
步骤S3、将所述灾害气体浓度和所有所述主要影响因素的实时监测数据进行归一化处理，得到混沌时间序列，由所述混沌时间序列，得到所述灾害气体浓度和所有主要影响因素的模糊信息粒化区间值；
步骤S4、构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型；将所述模糊信息粒化区间值作为训练样本，训练所述矿井灾害气体浓度区间预测模型，利用训练后的矿井灾害气体浓度区间预测模型对下一个粒化窗口的灾害气体浓度的模糊信息粒化区间进行预测，由预测得到的灾害气体浓度的模糊信息粒化区间，获取下一个粒化窗口的灾害气体浓度预测区间。
进一步地，所述步骤S2具体包括：求取所述灾害气体浓度和各影响因素的实时监测数据的互信息量，若某单个影响因素的实时监测数据与灾害气体浓度的互信息量I(Xi,Y)>ξ1I(Y,Y)，则该影响因素为主要影响因素，从而确定与所述灾害气体浓度相应的所有主要影响因素，其中，Xi为某单一影响因素的实时监测数据，Y为灾害气体浓度，I(Y,Y)为灾害气体浓度自身的互信息量，ξ1∈[0，1]为阈值参数。
进一步地，所述将所述灾害气体浓度和所述所有主要影响因素的实时监测数据进行归一化处理，得到混沌时间序列，具体包括：利用离差标准化方法，将所述灾害气体浓度和所有所述主要影响因素的实时监测数据映射到(0,1)之间，得到混沌时间序列。
进一步地，由所述混沌时间序列，得到所述灾害气体浓度和所有主要影响因素的模糊信息粒化区间值，具体包括：
获取所述混沌时间序列的嵌入维度，由所述混沌时间序列的原始长度除以所述嵌入维度，得到所述混沌时间序列的模糊信息粒化窗口数，根据模糊信息粒化窗口的大小，构建模糊信息粒子，利用隶属函数
Figure BDA0002174689410000021
对所述混沌时间序列进行相空间重构，其中，x为灾害气体浓度值或主要影响因素的实时监测数据值，a，m，b分别为每个模糊信息粒化窗口模糊粒化后原始时间序列变化的最小值、平均值和最大值，取所述最小值和所述最大值即为，所述灾害气体浓度和所有主要影响因素的混沌时间序列的模糊粒化区间值。
进一步地，所述构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型，具体包括：
设置粒子群规模l，随机产生一组(c,g)作为粒子的初始位置，寻找群体最佳位置gbest；
利用公式
Figure BDA0002174689410000031
计算惯性权重系数μ，其中，μmax为初始权重，μmin为最终权重，k为当前迭代次数，kmax为最大迭代次数；
根据惯性权重系数更新粒子速度和位置，当迭代次数达到最大迭代次数后，停止更新，此时的惩罚参数和核函数参数即为优化后的惩罚参数和核函数参数；
利用所述优化后的惩罚参数和核函数参数，构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型。
另一方面，本发明还提供了一种多因素影响下矿井灾害气体浓度区间预测系统，包括数据采集模块、主要影响因素确定模块、模糊信息粒化区间值获取模块和灾害气体浓度区间预测模块；
所述数据采集模块，用于采集矿井的灾害气体浓度，并获取与所述灾害气体相应的各影响因素的实时监测数据；
所述主要影响因素确定模块，用于根据所述灾害气体浓度与各影响因素的实时监测数据的互信息量，确定与所述灾害气体相应的所有主要影响因素；
所述模糊信息粒化区间值获取模块，用于将所述灾害气体浓度和所有所述主要影响因素的实时监测数据进行归一化处理，得到混沌时间序列，根据所述混沌时间序列，得到所述灾害气体浓度和所有主要影响因素的模糊信息粒化区间值；
所述灾害气体浓度区间预测模块，用于构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型；将所述模糊信息粒化区间值作为训练样本，训练所述矿井灾害气体浓度区间预测模型，利用训练后的矿井灾害气体浓度区间预测模型对下一个粒化窗口的灾害气体浓度的模糊信息粒化区间进行预测，由预测得到的灾害气体浓度的模糊信息粒化区间，获取下一个粒化窗口的灾害气体浓度预测区间。
进一步地，所述主要影响因素确定模块，根据所述灾害气体浓度与各影响因素的实时监测数据的互信息量，确定与所述灾害气体相应的所有主要影响因素，具体包括：所述主要影响因素确定模块求取所述灾害气体浓度和各影响因素的实时监测数据的互信息量，若某单个影响因素的实时监测数据与灾害气体浓度的互信息量I(Xi,Y)>ξ1I(Y,Y)，则该影响因素为主要影响因素，从而确定与所述灾害气体浓度相应的所有主要影响因素，其中，Xi为某单一影响因素的实时监测数据，Y为灾害气体浓度，I(Y,Y)为灾害气体浓度自身的互信息量，ξ1∈[0，1]为阈值参数。
进一步地，所述模糊信息粒化区间值获取模块还包括归一化处理模块，所述归一化处理模块用于利用离差标准化方法，将所述灾害气体浓度和所有所述主要影响因素的实时监测数据映射到(0,1)之间，得到混沌时间序列。
进一步地，所述模糊信息粒化区间值获取模块，根据所述混沌时间序列，得到所述灾害气体浓度和所有主要影响因素的模糊信息粒化区间值，具体包括：
所述模糊信息粒化区间值获取模块，获取所述混沌时间序列的嵌入维度，由所述混沌时间序列的原始长度除以所述嵌入维度，得到所述混沌时间序列的模糊信息粒化窗口数，根据模糊信息粒化窗口的大小，构建模糊信息粒子，利用隶属函数
Figure BDA0002174689410000041
对所述混沌时间序列进行相空间重构，其中，x为灾害气体浓度值或主要影响因素的实时监测数据值，a，m，b分别为每个模糊信息粒化窗口模糊粒化后原始时间序列变化的最小值、平均值和最大值，取所述最小值和所述最大值即为，所述灾害气体浓度和所有主要影响因素的混沌时间序列的模糊粒化区间值。
进一步地，所述灾害气体浓度区间预测模块，构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型，具体包括：
所述灾害气体浓度区间预测模块，设置粒子群规模l，随机产生一组(c,g)作为粒子的初始位置，寻找群体最佳位置gbest；
利用公式
Figure BDA0002174689410000042
计算惯性权重系数μ，其中，μmax为初始权重，μmin为最终权重，k为当前迭代次数，kmax为最大迭代次数；
根据惯性权重系数更新粒子速度和位置，当迭代次数达到最大迭代次数后，停止更新，此时的惩罚参数和核函数参数即为优化后的惩罚参数和核函数参数；
利用所述优化后的惩罚参数和核函数参数，构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型。
与现有技术相比，本发明的有益效果包括：通过采集矿井的灾害气体浓度，并获取与所述灾害气体相应的各影响因素的实时监测数据，并根据所述灾害气体浓度与各影响因素的实时监测数据的互信息量，确定与所述灾害气体相应的所有主要影响因素，将所述灾害气体浓度和所有所述主要影响因素的实时监测数据进行归一化处理，得到混沌时间序列，由所述混沌时间序列，得到所述灾害气体浓度和所有主要影响因素的模糊信息粒化区间值；构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型，最终得到下一个粒化窗口的灾害气体浓度预测区间；考虑了多个与灾害气体浓度相关的其他影响因素，能更加准确、合理的预测出灾害气体的浓度区间。
附图说明
图1是本发明实施例1所述的多因素影响下矿井灾害气体浓度区间预测方法的流程示意图。
图2是本发明实施例2所述的CO的混沌时间序列曲线图；
图3是本发明实施例2所述的O2的混沌时间序列曲线图；
图4是本发明实施例2所述的风速的混沌时间序列曲线图；
图5是本发明实施例2所述的CO模糊信息粒化结果的示意图；
图6是本发明实施例2所述的O2模糊信息粒化结果的示意图；
图7是本发明实施例2所述的风速模糊信息粒化结果的示意图；
图8是本发明实施例2所述的CO信息粒化下边界预测模型参数初始优化等高线图；
图9是本发明实施例2所述的CO信息粒化下边界预测模型参数最终优化等高线图；
图10是本发明实施例2所述的CO信息粒化下边界预测值与初始值对比图；
图11是本发明实施例2所述的CO信息粒化下边界预测误差图；
图12是本发明实施例2所述的CO信息粒化上边界预测模型参数初始优化等高线图；
图13是本发明实施例2所述的CO信息粒化上边界预测模型参数初始优化等高线图；
图14是本发明实施例2所述的CO信息粒化上边界预测值与初始值对比图；
图15是本发明实施例2所述的CO信息粒化上边界预测误差图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
本发明的实施例提供了一种多因素影响下矿井灾害气体浓度区间预测方法，所述方法的流程示意图，如图1所示，所述方法包括以下步骤：
步骤S1、采集矿井的灾害气体浓度，并获取与所述灾害气体相应的各影响因素的实时监测数据；具体实施时，采集并云存储矿井灾害气体(如CO或SO2等)浓度和与所述灾害气体相应的各影响因素(如O2、温度、风速等)的实时监测数据；
步骤S2、根据所述灾害气体浓度与各影响因素的实时监测数据的互信息量，确定与所述灾害气体相应的所有主要影响因素；
步骤S3、将所述灾害气体浓度和所有所述主要影响因素的实时监测数据进行归一化处理，得到混沌时间序列，由所述混沌时间序列，得到所述灾害气体浓度和所有主要影响因素的模糊信息粒化区间值；
步骤S4、构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型；将所述模糊信息粒化区间值作为训练样本，训练所述矿井灾害气体浓度区间预测模型，利用训练后的矿井灾害气体浓度区间预测模型对下一个粒化窗口的灾害气体浓度的模糊信息粒化区间进行预测，由预测得到的灾害气体浓度的模糊信息粒化区间，获取下一个粒化窗口的灾害气体浓度预测区间。
优选的，所述步骤S2具体包括：求取所述灾害气体浓度和各影响因素的实时监测数据的互信息量，若某单个影响因素的实时监测数据与灾害气体浓度的互信息量I(Xi,Y)>ξ1I(Y,Y)，则该影响因素为主要影响因素，从而确定与所述灾害气体浓度相应的所有主要影响因素，其中，Xi为某单一影响因素的实时监测数据，Y为灾害气体浓度，I(Y,Y)为灾害气体浓度自身的互信息量，ξ1∈[0，1]为阈值参数。具体实施时，可将将所述灾害气体浓度和影响因素监测数据组合成多维样本空间，Z＝(Xi,Y)，所述样本空间共有n个样本点，zj＝((xi)j,yj)，其中，i＝1,2,Λ,m表示所述影响因素的个数；j＝1,2Λn表示样本点的个数。
需要说明的是，I(Xi,Y)>ξ1I(Y,Y)，表明该影响因素与所述灾害气体浓度变化的相关性较强，否则，表明该影响因素与所述灾害气体浓度变化的相关性较弱，可将该因素从所述影响因素中剔除，从而确定所述灾害气体浓度变化的主要影响因素；阈值参数的值可以根据实际情况调整。
优选的，将所述灾害气体浓度和所述所有主要影响因素的实时监测数据进行归一化处理，得到混沌时间序列，具体包括：利用离差标准化方法，将所述灾害气体浓度和所有所述主要影响因素的实时监测数据映射到(0,1)之间，得到混沌时间序列。
优选的，由所述混沌时间序列，得到所述灾害气体浓度和所有主要影响因素的模糊信息粒化区间值，具体包括：
由G-P方法获取所述混沌时间序列的嵌入维度，由所述混沌时间序列的原始长度除以所述嵌入维度，得到所述混沌时间序列的模糊信息粒化窗口数w，根据模糊信息粒化窗口的大小，构建模糊信息粒子，利用隶属函数
Figure BDA0002174689410000071
对所述混沌时间序列进行相空间重构，其中，x为灾害气体浓度值或主要影响因素的实时监测值，a，m，b分别为每个模糊信息粒化窗口模糊粒化后原始时间序列变化的最小值、平均值和最大值，取所述最小值和所述最大值即为，所述灾害气体浓度和所有主要影响因素的混沌时间序列的模糊粒化区间值。
优选的，所述构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型，具体包括：
采用粒子群优化算法，对惩罚参数和核函数参数进行寻优，即，
设置粒子群规模l，随机产生一组(c,g)作为粒子的初始位置，寻找群体最佳位置gbest；
利用公式
Figure BDA0002174689410000072
计算惯性权重系数μ，其中，μmax为初始权重，μmin为最终权重，k为当前迭代次数，kmax为最大迭代次数；
根据惯性权重系数，更新粒子速度和位置，当迭代次数达到最大迭代次数后，停止更新，此时的惩罚参数和核函数参数即为优化后的惩罚参数和核函数参数；
利用所述优化后的惩罚参数和核函数参数，构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型。
需要说明的是，寻找群体最佳位置gbest，即是寻找最佳适应度值最小对应的粒子位置，具体包括：
首先设置一个初始的最佳适应度值，计算每个粒子的适应度值F(xi)，并将其与第i个粒子在运动过程中所经历过的最佳适应度值F(pbesti)进行比较，若F(xi)<F(pbesti)，则用xi代替上一次迭代中的pbesti；
将每个粒子的最佳适应度值F(xi)与所有粒子的最佳适应度值F(gbest)进行比较，若F(xi)<F(gbest)，则用xi代替群体最佳位置gbest，其中，i＝1,2,3Λl；
适应度值的函数表达式为
Figure BDA0002174689410000081
其中，j＝1,2,Λw，yj为所述相空间重构后混沌时间序列模糊信息粒化后第j个信息粒的真实边界值，
Figure BDA0002174689410000082
为所述相空间重构后混沌时间序列模糊信息粒化后第j个信息粒的预测边界值。
具体实施时，按照下式更新粒子速度和位置，
Figure BDA0002174689410000083
Figure BDA0002174689410000084
其中，D＝1，2，Λd为解向量的维数，μ为惯性权重系数，k为当前迭代次数，c1和c2为加速度因子，取非负常数，r1和r2分布于(0,1)间的随机数，
Figure BDA0002174689410000085
为第k次迭代粒子i速度向量的第D维分量，
Figure BDA0002174689410000086
为第k次迭代粒子i位置的第D维分量，
Figure BDA0002174689410000087
为第k次迭代粒子i最优(最佳)位置向量的第D维分量；
Figure BDA0002174689410000088
为第k次迭代所有粒子最优位置向量的第D维分量。
需要说明的是，将所述模糊信息粒化区间值作为训练样本，训练所述矿井灾害气体浓度区间预测模型，使得该预测模型具有自学习能力；
以下一个粒化窗口数w+1作为矿井灾害气体浓度区间预测模型的输入变量，从而实现对该粒化窗口灾害气体浓度区间值进行预测，具体的，以主要影响因素的粒化值作为预测模型的输入，以对应灾害气体浓度粒化值为预测模型的输出，得到灾害气体浓度粒化值区间，在根据隶属函数，从而得到灾害气体浓度的区间的预测结果。
实施例2
本发明实施例提供了一种多因素影响下矿井灾害气体浓度区间预测方法，以某一地下矿山为例，为了实现对该矿灾害气体CO浓度区间进行预测，采集2015年5月1日到2015年5月31日共31天CO气体浓度以及O2浓度、温度、风速的实时监测数据2861组，采样间隔为15min；
所述灾害气体浓度与各影响因素的实时监测数据的互信息量，可以确定O2浓度变化和风速变化是影响CO浓度变化的强关联因素，且不存在冗余因素，因此，CO气体浓度变化的主要影响因素是O2和风速；
将所述灾害气体浓度和所有所述主要影响因素的实时监测数据进行归一化处理，得到混沌时间序列，图2～4分别为CO的混沌时间序列、O2的混沌时间序列、风速的混沌时间序列的曲线图。
根据混沌时间序列理论，运用G-P方法计算同时根据矿井实际情况，将一个工作班的时间(8个小时)作为一个窗口的大小较为合理，即各监测对象的嵌入维数为32，则信息粒化窗口数为原始时间序列长度(2861组监测数据)除以嵌入维数后的结果取整，即89，再对三个监测对象(CO、O2、风速)进行模糊粒化，CO、O2、风速模糊信息粒化结果的示意图，分别如图5～7所示。
为分析矿井灾害气体浓度区间预测模型的应用效果和预测精度，具体实施例时，根据三个监测对象模糊信息粒化结果，将影响因素O2和风速的粒化值进行合并，形成参数优化前的预测模型的输入，对应的CO气体粒化值作为优化前(惩罚参数和核函数参数优化前)的预测模型输出；然后惩罚参数和核函数参数进行优化，完成了预测模型的训练，得到优化后的预测模型(即所述矿井灾害气体浓度区间预测模型)，再根据优化后的预测模型分别对粒化后监测指标CO的下边界和上边界进行回归，并对下一个粒化窗口的CO上下边界进行预测；
获取优化前的预测模型的预测输出与实际输出的误差值，以误差的均方根最小为目标，为了得到最优的模型参数(惩罚参数和核函数参数)，采用对预测模型的惩罚参数、核函数参数进行分步优化，粒子群优化算法的迭代次数设为200，种群数量设为20，CO信息粒化下边界预测模型参数初始优化等高线图、CO信息粒化下边界预测模型参数最终优化等高线图，分别如图8、图9所示；
经过优化，得到对灾害气体CO下边界进行预测的模型惩罚参数为c＝0.707，核函数参数为g＝0.036；经灾害气体浓度区间预测模型计算，CO信息粒化下边界预测值与初始值对比图，如图10所示，CO信息粒化下边界预测误差图，图11所示；
由图10～11可知，灾害气体CO信息粒化下边界的预测值与初始值拟合程度较好，拟合最大误差为0.04，且拟合的均方误差为0.0075，表明本发明的灾害气体区间预测模型的预测效果明显，精度较高，
与灾害气体CO的下边界回归预测方法相同，首先对模型参数进行优选，粒子群优化算法的迭代次数设为200，种群数量设为20；CO信息粒化上边界预测模型参数初始优化等高线图、CO信息粒化上边界预测模型参数初始优化等高线图，分别如图12、图13所示；
经过优化，得到得到对灾害气体CO上边界进行预测的模型惩罚参数为c＝0.177，核函数参数为g＝0.088；经灾害气体浓度区间预测模型计算，得到CO信息粒化上边界预测值与初始值对比图、CO信息粒化上边界预测误差图，分别如图14、图15所示；
由图14～15可知，CO气体信息粒化下边界的预测值与初始值拟合的最大误差也在0.04以内，经过计算得知CO气体信息粒化下、上边界预测值与初始值的决定系数，分别为：0.9327和0.9647，拟合的均方误差为0.0143，表明本发明建所述矿井灾害气体浓度区间预测模型的性能较高，预测区间是合理的；同时，通过对下一个粒化窗口的预测得知，CO气体的粒化值预测范围为[0.2612,0.5193]，根据隶属函数H可求得对应的CO气体浓度的预测范围为[0.1684,0.7642]，对下一个班次同一地点的CO气体浓度实际监测的范围是[0.1679,0.7022]，此可知，表明本发明的灾害气体区间预测模型对下一个班次的CO气体浓度预测与实际情况基本相符。
实施例3
本发明实施例提供了一种多因素影响下矿井灾害气体浓度区间预测系统，包括数据采集模块、主要影响因素确定模块、模糊信息粒化区间值获取模块和灾害气体浓度区间预测模块；
所述数据采集模块，用于采集矿井的灾害气体浓度，并获取与所述灾害气体相应的各影响因素的实时监测数据；
所述主要影响因素确定模块，用于根据所述灾害气体浓度与各影响因素的实时监测数据的互信息量，确定与所述灾害气体相应的所有主要影响因素；
所述模糊信息粒化区间值获取模块，用于将所述灾害气体浓度和所有所述主要影响因素的实时监测数据进行归一化处理，得到混沌时间序列，根据所述混沌时间序列，得到所述灾害气体浓度和所有主要影响因素的模糊信息粒化区间值；
所述灾害气体浓度区间预测模块，用于构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型；将所述模糊信息粒化区间值作为训练样本，训练所述矿井灾害气体浓度区间预测模型，利用训练后的矿井灾害气体浓度区间预测模型对下一个粒化窗口的灾害气体浓度的模糊信息粒化区间进行预测，由预测得到的灾害气体浓度的模糊信息粒化区间，获取下一个粒化窗口的灾害气体浓度预测区间。
优选的，所述主要影响因素确定模块，根据所述灾害气体浓度与各影响因素的实时监测数据的互信息量，确定与所述灾害气体相应的所有主要影响因素，具体包括：所述主要影响因素确定模块求取所述灾害气体浓度和各影响因素的实时监测数据的互信息量，若某单个影响因素的实时监测数据与灾害气体浓度的互信息量I(Xi,Y)>ξ1I(Y,Y)，则该影响因素为主要影响因素，从而确定与所述灾害气体浓度相应的所有主要影响因素，其中，Xi为某单一影响因素的实时监测数据，Y为灾害气体浓度，I(Y,Y)为灾害气体浓度自身的互信息量，ξ1∈[0，1]为阈值参数。
优选的，所述模糊信息粒化区间值获取模块还包括归一化处理模块，所述归一化处理模块用于利用离差标准化方法，将所述灾害气体浓度和所有所述主要影响因素的实时监测数据映射到(0,1)之间，得到混沌时间序列。
优选的，模糊信息粒化区间值获取模块，根据所述混沌时间序列，得到所述灾害气体浓度和所有主要影响因素的模糊信息粒化区间值，具体包括：
模糊信息粒化区间值获取模块，获取所述混沌时间序列的嵌入维度，由所述混沌时间序列的原始长度除以所述嵌入维度，得到所述混沌时间序列的模糊信息粒化窗口数，根据模糊信息粒化窗口的大小，构建模糊信息粒子，利用隶属函数
Figure BDA0002174689410000111
对所述混沌时间序列进行相空间重构，其中，x为灾害气体浓度值或主要影响因素的实时监测数据值，a，m，b分别为每个模糊信息粒化窗口模糊粒化后原始时间序列变化的最小值、平均值和最大值，取所述最小值和所述最大值即为，所述灾害气体浓度和所有主要影响因素的混沌时间序列的模糊粒化区间值。
优选的，所述灾害气体浓度区间预测模块，构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型，具体包括：
所述灾害气体浓度区间预测模块，设置粒子群规模l，随机产生一组(c,g)作为粒子的初始位置，寻找群体最佳位置gbest；
利用公式
Figure BDA0002174689410000112
计算惯性权重系数μ，其中，μmax为初始权重，μmin为最终权重，k为当前迭代次数，kmax为最大迭代次数；
根据惯性权重系数更新粒子速度和位置，当迭代次数达到最大迭代次数后，停止更新，此时的惩罚参数和核函数参数即为优化后的惩罚参数和核函数参数；
利用所述优化后的惩罚参数和核函数参数，构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型。
本发明公开了一种多因素影响下矿井灾害气体浓度区间预测方法及系统，通过采集矿井的灾害气体浓度，并获取与所述灾害气体相应的各影响因素的实时监测数据，并根据所述灾害气体浓度与各影响因素的实时监测数据的互信息量，确定与所述灾害气体相应的所有主要影响因素，将所述灾害气体浓度和所有所述主要影响因素的实时监测数据进行归一化处理，得到混沌时间序列，由所述混沌时间序列，得到所述灾害气体浓度和所有主要影响因素的模糊信息粒化区间值；构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型，最终得到下一个粒化窗口的灾害气体浓度预测区间；考虑了多个与灾害气体浓度相关的其他影响因素，能更加准确、合理的预测出灾害气体的浓度区间；
而在优化预测模型参数时，通过采用随迭代次数的增加而线性减小的方法计算惯性权重系数，使得基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型，具有更好的预测性能，进一步增强了本发明技术方案预测灾害气体的浓度区间的准确性。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (10)

1.一种多因素影响下矿井灾害气体浓度区间预测方法，其特征在于，包括以下步骤：
步骤S1、采集矿井的灾害气体浓度，并获取与所述灾害气体相应的各影响因素的实时监测数据；
步骤S2、根据所述灾害气体浓度与各影响因素的实时监测数据的互信息量，确定与所述灾害气体相应的所有主要影响因素；
步骤S3、将所述灾害气体浓度和所有所述主要影响因素的实时监测数据进行归一化处理，得到混沌时间序列，由所述混沌时间序列，得到所述灾害气体浓度和所有主要影响因素的模糊信息粒化区间值；
步骤S4、构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型；将所述模糊信息粒化区间值作为训练样本，训练所述矿井灾害气体浓度区间预测模型，利用训练后的矿井灾害气体浓度区间预测模型对下一个粒化窗口的灾害气体浓度的模糊信息粒化区间进行预测，由预测得到的灾害气体浓度的模糊信息粒化区间，获取下一个粒化窗口的灾害气体浓度预测区间。
2.根据权利要求1所述的多因素影响下矿井灾害气体浓度区间预测方法，其特征在于，所述步骤S2具体包括：求取所述灾害气体浓度和各影响因素的实时监测数据的互信息量，若某单个影响因素的实时监测数据与灾害气体浓度的互信息量I(Xi,Y)>ξ1I(Y,Y)，则该影响因素为主要影响因素，从而确定与所述灾害气体浓度相应的所有主要影响因素，其中，Xi为某单一影响因素的实时监测数据，Y为灾害气体浓度，I(Y,Y)为灾害气体浓度自身的互信息量，ξ1∈[0，1]为阈值参数。
3.根据权利要求1所述的多因素影响下矿井灾害气体浓度区间预测方法，其特征在于，所述将所述灾害气体浓度和所述所有主要影响因素的实时监测数据进行归一化处理，得到混沌时间序列，具体包括：利用离差标准化方法，将所述灾害气体浓度和所有所述主要影响因素的实时监测数据映射到(0,1)之间，得到混沌时间序列。
4.根据权利要求1所述的多因素影响下矿井灾害气体浓度区间预测方法，其特征在于，由所述混沌时间序列，得到所述灾害气体浓度和所有主要影响因素的模糊信息粒化区间值，具体包括：
获取所述混沌时间序列的嵌入维度，由所述混沌时间序列的原始长度除以所述嵌入维度，得到所述混沌时间序列的模糊信息粒化窗口数，根据模糊信息粒化窗口的大小，构建模糊信息粒子，利用隶属函数
Figure FDA0002174689400000021
对所述混沌时间序列进行相空间重构，其中，x为灾害气体浓度值或主要影响因素的实时监测数据值，a，m，b分别为每个模糊信息粒化窗口模糊粒化后原始时间序列变化的最小值、平均值和最大值，取所述最小值和所述最大值即为，所述灾害气体浓度和所有主要影响因素的混沌时间序列的模糊粒化区间值。
5.根据权利要求1所述的多因素影响下矿井灾害气体浓度区间预测方法，其特征在于，所述构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型，具体包括：
设置粒子群规模l，随机产生一组(c,g)作为粒子的初始位置，寻找群体最佳位置gbest；
利用公式
Figure FDA0002174689400000022
计算惯性权重系数μ，其中，μmax为初始权重，μmin为最终权重，k为当前迭代次数，kmax为最大迭代次数；
根据惯性权重系数更新粒子速度和位置，当迭代次数达到最大迭代次数后，停止更新，此时的惩罚参数和核函数参数即为优化后的惩罚参数和核函数参数；
利用所述优化后的惩罚参数和核函数参数，构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型。
6.一种多因素影响下矿井灾害气体浓度区间预测系统，其特征在于，包括数据采集模块、主要影响因素确定模块、模糊信息粒化区间值获取模块和灾害气体浓度区间预测模块；
所述数据采集模块，用于采集矿井的灾害气体浓度，并获取与所述灾害气体相应的各影响因素的实时监测数据；
所述主要影响因素确定模块，用于根据所述灾害气体浓度与各影响因素的实时监测数据的互信息量，确定与所述灾害气体相应的所有主要影响因素；
所述模糊信息粒化区间值获取模块，用于将所述灾害气体浓度和所有所述主要影响因素的实时监测数据进行归一化处理，得到混沌时间序列，根据所述混沌时间序列，得到所述灾害气体浓度和所有主要影响因素的模糊信息粒化区间值；
所述灾害气体浓度区间预测模块，用于构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型；将所述模糊信息粒化区间值作为训练样本，训练所述矿井灾害气体浓度区间预测模型，利用训练后的矿井灾害气体浓度区间预测模型对下一个粒化窗口的灾害气体浓度的模糊信息粒化区间进行预测，由预测得到的灾害气体浓度的模糊信息粒化区间，获取下一个粒化窗口的灾害气体浓度预测区间。
7.根据权利要求6所述的多因素影响下矿井灾害气体浓度区间预测系统，其特征在于，所述主要影响因素确定模块，根据所述灾害气体浓度与各影响因素的实时监测数据的互信息量，确定与所述灾害气体相应的所有主要影响因素，具体包括：所述主要影响因素确定模块求取所述灾害气体浓度和各影响因素的实时监测数据的互信息量，若某单个影响因素的实时监测数据与灾害气体浓度的互信息量I(Xi,Y)>ξ1I(Y,Y)，则该影响因素为主要影响因素，从而确定与所述灾害气体浓度相应的所有主要影响因素，其中，Xi为某单一影响因素的实时监测数据，Y为灾害气体浓度，I(Y,Y)为灾害气体浓度自身的互信息量，ξ1∈[0，1]为阈值参数。
8.根据权利要求7所述的多因素影响下矿井灾害气体浓度区间预测系统，其特征在于，所述模糊信息粒化区间值获取模块还包括归一化处理模块，所述归一化处理模块，用于利用离差标准化方法，将所述灾害气体浓度和所有所述主要影响因素的实时监测数据映射到(0,1)之间，得到混沌时间序列。
9.根据权利要求8所述的多因素影响下矿井灾害气体浓度区间预测系统，其特征在于，所述模糊信息粒化区间值获取模块，根据所述混沌时间序列，得到所述灾害气体浓度和所有主要影响因素的模糊信息粒化区间值，具体包括：
所述模糊信息粒化区间值获取模块，获取所述混沌时间序列的嵌入维度，由所述混沌时间序列的原始长度除以所述嵌入维度，得到所述混沌时间序列的模糊信息粒化窗口数，根据模糊信息粒化窗口的大小，构建模糊信息粒子，利用隶属函数
Figure FDA0002174689400000031
对所述混沌时间序列进行相空间重构，其中，x为灾害气体浓度值或主要影响因素的实时监测数据值，a，m，b分别为每个模糊信息粒化窗口模糊粒化后原始时间序列变化的最小值、平均值和最大值，取所述最小值和所述最大值即为，所述灾害气体浓度和所有主要影响因素的混沌时间序列的模糊粒化区间值。
10.根据权利要求6所述的多因素影响下矿井灾害气体浓度区间预测系统，其特征在于，所述灾害气体浓度区间预测模块，构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型，具体包括：
所述灾害气体浓度区间预测模块，设置粒子群规模l，随机产生一组(c,g)作为粒子的初始位置，寻找群体最佳位置gbest；
利用公式
Figure FDA0002174689400000041
计算惯性权重系数μ，其中，μmax为初始权重，μmin为最终权重，k为当前迭代次数，kmax为最大迭代次数；
根据惯性权重系数更新粒子速度和位置，当迭代次数达到最大迭代次数后，停止更新，此时的惩罚参数和核函数参数即为优化后的惩罚参数和核函数参数；
利用所述优化后的惩罚参数和核函数参数，构建基于最小二乘支持向量回归机的矿井灾害气体浓度区间预测模型。
CN201910774764.9A 2019-08-21 2019-08-21 一种多因素影响下矿井灾害气体浓度区间预测方法及系统 Active CN110598914B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910774764.9A CN110598914B (zh) 2019-08-21 2019-08-21 一种多因素影响下矿井灾害气体浓度区间预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910774764.9A CN110598914B (zh) 2019-08-21 2019-08-21 一种多因素影响下矿井灾害气体浓度区间预测方法及系统

Publications (2)

Publication Number Publication Date
CN110598914A CN110598914A (zh) 2019-12-20
CN110598914B true CN110598914B (zh) 2021-12-10

Family

ID=68854911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910774764.9A Active CN110598914B (zh) 2019-08-21 2019-08-21 一种多因素影响下矿井灾害气体浓度区间预测方法及系统

Country Status (1)

Country Link
CN (1) CN110598914B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364560B (zh) * 2020-10-19 2022-07-05 武汉理工大学 矿山凿岩装备作业工时智能预测方法
CN112288308A (zh) * 2020-11-11 2021-01-29 华能澜沧江水电股份有限公司 基于多重变异系数赋权的ds证据理论滑坡评价方法
CN118275626B (zh) * 2024-06-03 2024-08-16 浙江大维高新技术股份有限公司 一种基于云运算的气体质量监测调控的方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102183621A (zh) * 2011-02-28 2011-09-14 中国农业大学 水产养殖溶解氧浓度在线预测方法及系统
CN103544548A (zh) * 2013-10-31 2014-01-29 辽宁工程技术大学 一种矿井导水裂隙带高度预测方法
CN104850901A (zh) * 2015-04-27 2015-08-19 辽宁工程技术大学 一种基于多模型预测瓦斯浓度的软测量方法及系统
CN107506857A (zh) * 2017-08-14 2017-12-22 北京工商大学 基于模糊支持向量机的城市湖库蓝藻水华多变量预测方法
CN109034223A (zh) * 2018-07-16 2018-12-18 湖南城市学院 一种混沌时间序列预测方法及系统
CN109272721A (zh) * 2018-11-01 2019-01-25 西安工程大学 基于kpca-foa-lssvm的滑坡灾害预报方法
CN109410502A (zh) * 2018-10-09 2019-03-01 北京建筑大学 火灾预警方法及装置
CN109583621A (zh) * 2018-10-12 2019-04-05 中国农业大学 一种基于改进变分模态分解的pso-lssvm短期负荷预测方法
CN109886456A (zh) * 2019-01-14 2019-06-14 西安工程大学 基于pca与混合核函数lssvr的泥石流预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102183621A (zh) * 2011-02-28 2011-09-14 中国农业大学 水产养殖溶解氧浓度在线预测方法及系统
CN103544548A (zh) * 2013-10-31 2014-01-29 辽宁工程技术大学 一种矿井导水裂隙带高度预测方法
CN104850901A (zh) * 2015-04-27 2015-08-19 辽宁工程技术大学 一种基于多模型预测瓦斯浓度的软测量方法及系统
CN107506857A (zh) * 2017-08-14 2017-12-22 北京工商大学 基于模糊支持向量机的城市湖库蓝藻水华多变量预测方法
CN109034223A (zh) * 2018-07-16 2018-12-18 湖南城市学院 一种混沌时间序列预测方法及系统
CN109410502A (zh) * 2018-10-09 2019-03-01 北京建筑大学 火灾预警方法及装置
CN109583621A (zh) * 2018-10-12 2019-04-05 中国农业大学 一种基于改进变分模态分解的pso-lssvm短期负荷预测方法
CN109272721A (zh) * 2018-11-01 2019-01-25 西安工程大学 基于kpca-foa-lssvm的滑坡灾害预报方法
CN109886456A (zh) * 2019-01-14 2019-06-14 西安工程大学 基于pca与混合核函数lssvr的泥石流预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
一种EKF-WLS-SVR与混沌时间序列分析的瓦斯动态预测新方法;付华 等;《传感技术学报》;20150115;第28卷(第1期);125-131 *
基于PSO-SVR的瓦斯浓度预测方法研究;邱春荣;《中国优秀硕士学位论文全文数据库工程科技I辑》;20180215(第02期);B021-228 *
基于支持向量机数据融合的矿井瓦斯预警;黄为勇;《中国博士学位论文全文数据库工程科技I辑》;20110515(第05期);B021-35 *
煤矿瓦斯涌出量实时预报系统的开发及应用;杨晓帆;《中国优秀硕士学位论文全文数据库工程科技I辑》;20150315(第03期);B021-482 *

Also Published As

Publication number Publication date
CN110598914A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN110598914B (zh) 一种多因素影响下矿井灾害气体浓度区间预测方法及系统
CN108509935B (zh) 一种基于随机森林算法的雷达工作模式识别方法
CN103400152A (zh) 基于分层聚类的滑动窗口多数据流异常检测方法
CN110264006B (zh) 基于混沌萤火虫算法和贝叶斯网络的风电功率概率性预测方法
CN107403188A (zh) 一种水质评价方法及装置
CN103577676A (zh) 污水处理工艺综合评价的灰色加权法
CN111680870A (zh) 目标运动轨迹质量综合评估方法
CN106599927B (zh) 基于模糊art划分的目标分群方法
CN113625697A (zh) 考虑任务能力变化的无人机集群可靠性评估方法和系统
CN115877483A (zh) 一种基于随机森林和gru的台风路径预报方法
CN114819344B (zh) 一种基于关键影响因子的全局时空气象农灾预测方法
Balti et al. Big data based architecture for drought forecasting using LSTM, ARIMA, and Prophet: Case study of the Jiangsu Province, China
CN114217025B (zh) 评估空气质量浓度预测中气象数据对其影响的分析方法
CN117688313A (zh) 一种网络协同处理测绘数据的方法
CN111597399A (zh) 基于数据融合的计算机数据处理系统及方法
Pegion et al. Understanding predictability of daily southeast US precipitation using explainable machine learning
CN117407781B (zh) 基于联邦学习的设备故障诊断方法及装置
CN116881676B (zh) 一种露天坑涌水量的预测方法
CN102788955B (zh) 基于Kalman滤波的ESN的涡轮发电机的分类子模型的剩余寿命预测方法
Fux et al. Short-term thermal and electric load forecasting in buildings
Bani-Hani et al. Prediction of energy gains from Jordanian wind stations using artificial neural network
CN115510767A (zh) 基于深度时空网络的区域气温预测方法
CN115296298A (zh) 一种风电场功率预测方法
Qing-Dao-Er-Ji et al. Research on data mining algorithm of meteorological observation based on data quality control algorithm
Bertoni et al. A non-deterministic approach to forecasting the trophic evolution of lakes

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