CN110674989A - 一种煤层气抽采量预测方法、系统、设备及可读存储介质 - Google Patents
一种煤层气抽采量预测方法、系统、设备及可读存储介质 Download PDFInfo
- Publication number
- CN110674989A CN110674989A CN201910901328.3A CN201910901328A CN110674989A CN 110674989 A CN110674989 A CN 110674989A CN 201910901328 A CN201910901328 A CN 201910901328A CN 110674989 A CN110674989 A CN 110674989A
- Authority
- CN
- China
- Prior art keywords
- coal bed
- bed gas
- data
- gray
- model
- 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.)
- Pending
Links
- 239000003245 coal Substances 0.000 title claims abstract description 201
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000000605 extraction Methods 0.000 title claims abstract description 101
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 126
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 62
- 238000013507 mapping Methods 0.000 claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000005065 mining Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003032 molecular docking Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 4
- 125000000734 D-serino group Chemical group [H]N([H])[C@@]([H])(C(=O)[*])C(O[H])([H])[H] 0.000 claims description 3
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- MYWUZJCMWCOHBA-VIFPVBQESA-N methamphetamine Chemical compound CN[C@@H](C)CC1=CC=CC=C1 MYWUZJCMWCOHBA-VIFPVBQESA-N 0.000 claims description 3
- 238000006386 neutralization reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 230000005477 standard model Effects 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 9
- 238000009826 distribution Methods 0.000 abstract description 5
- 238000007619 statistical method Methods 0.000 abstract description 5
- 238000009412 basement excavation Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000005086 pumping Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明公开了一种基于灰色‑时序模型组合的煤层气抽采量预测方法,包括以下步骤:创建并部署煤层气数据采集前端程序,形成采集程序集合;通过采集程序集合获取各企业的煤层气历史、准实时和影响数据集;建立分布式数据库与煤层气采集数据区的逻辑映射文件;基于灰色模型法和时序模型法建立煤层气抽采量的趋势预测分析平台;将逻辑映射文件输入趋势预测分析平台获得指定区域内煤层气抽采量预测数列;还公开了对应的基于灰色‑时序模型组合的煤层气抽采量预测系统、设备和可读存储介质;可以实现针对不同范围煤矿区煤层气抽采量预测的功能,减少了因系统分布或过程中数据遗漏带来的统计分析错误,提高了对煤层气开发宏观决策的数据辅助能力。
Description
技术领域
本发明涉及煤矿安全技术领域,尤其涉及一种煤层气抽采量预测方法、系统、设备及可读存储介质。
背景技术
目前我国煤层气仍主要以井下抽采为主,煤矿区煤层气抽采数据信息采集多依据现场“抽建掘采”系统进行获取,而在数据信息统计过程中存在采集数据统计不全或遗漏等的问题,需要建立基于数学模型的煤层气抽采利用优化决策、模拟仿真、效果评价、现实应用等手段,为国家宏观决策应用提供科学手段。
场景1:抽采数据来源矿井的“抽建掘采”系统失调、布局不合理,缺乏统一采集依据,导致煤与煤层气开发的数据库信息资源短缺,煤层气开发利用缺乏综合评价指导。矿井“抽建掘采”系统是指煤矿建井、巷道掘进、工作面回采过程中的煤层气抽采时空关系。煤层气数据统计有效性基础首先是要矿井“抽建掘采”系统优化和有序衔接,在现实情况“抽建掘采”系统的失衡仍然制约着煤层气资源数据采集的合理性,如煤炭企业煤层气数据来源不稳定,部分企业变更煤层气数据缺失,企业或地方部门数据汇总口径不一致等,进而影响了煤层气开发利用各项工作的科学优化,以及基于统计数据的优化评价技术和智能化分析系统改进。现有已建成的煤层气利用工程能效、环境测试平台及能效环境监测系统,可以完成煤层气利用工程评估。但为煤层气开发利用宏观布局提供信息保障和决策支撑,构建煤矿区煤层气抽采-集输-利用的全生命周期综合评价方法和模型,通过煤矿区煤层气原始数据采集和在线网络数据抓取等技术,建立有效可靠的大数据分析平台,还不能结合对瓦斯抽采量的历史数据、年度数据、地区域构建数据互联机制,缺少基于数据挖掘技术构建大数据平台的煤层气开发利用发展趋势预测机制。
场景2:现有煤层气的协调开发模式尚未形成系统的方法,已经建立煤层气开发的优化决策模型与决策指标体系,在数据分析方面针对常见的采集数据质量分析、数据特征处理、规约变换等还缺乏快捷、直观的数据处理方法。在辅助角色方面数学模型展示没有可视化实时编辑技术,缺少在分析结果基础上的反馈优化决策机制。
发明内容
鉴于目前存在的上述不足,本发明提供一种基于灰色-时序模型组合的煤层气抽采量预测方法,可以实现针对不同范围煤矿区煤层气抽采量预测的功能,减少了因系统分布或过程中数据遗漏带来的统计分析错误,形成了多特征因素下煤层气抽采量预测的数据关联,提高了对煤层气开发宏观决策的数据辅助能力。
为达到上述目的,本发明的实施例采用如下技术方案:
一种基于灰色-时序模型组合的煤层气抽采量预测方法,所述基于灰色-时序模型组合的煤层气抽采量预测方法包括以下步骤:
创建并部署煤层气数据采集前端程序,形成采集程序集合;
通过采集程序集合获取各企业的煤层气历史、准实时和影响数据集;
建立分布式数据库与煤层气采集数据区的逻辑映射文件;
基于灰色模型法和时序模型法建立煤层气抽采量的趋势预测分析平台;
将逻辑映射文件输入趋势预测分析平台获得指定区域内煤层气抽采量预测数列。
依照本发明的一个方面,所述基于灰色-时序模型组合的煤层气抽采量预测方法包括以下步骤:
针对不同区域中煤矿抽建掘采系统的煤层气抽采量数值位置对接程序系统数据库,部署不同方式数据采集任务形成采集前端程序集合;
根据采集数据来源系统和预置编号项编写建立相应的分布式数据库,提供规范化煤层气数据保存接口;
获取各来源的煤层气现场数值文件形成煤层气数值集文件;
对煤层气数值集文件进行数据处理后存入建立的分布式数据库中并形成逻辑映射文件。
依照本发明的一个方面,所述采集前端程序内容必须与对接系统数据库程序对应。
依照本发明的一个方面,所述对煤层气数值集文件进行数据处理括:数据清洗、数据转换和数据过滤。
依照本发明的一个方面,所述逻辑映射文件保存为分布式HDFS数据文件。
依照本发明的一个方面,所述将逻辑映射文件输入趋势预测分析平台获得指定区域内煤层气抽采量预测数列包括:第一阶段基于灰色模型预测、第二阶段时序模型法分析和最终趋势分析结果。
依照本发明的一个方面,所述第一阶段基于灰色模型预测包括以下步骤:
趋势预测分析平台读取逻辑映射文件,在内存中执行对文件的规范化处理,建立不同来源的煤层气数据多维度信息和趋势分析计算范式的映射关系集合,再转存到分析计算数据库中;
呈现可执行的规范化分析数据情况;
设置灰色模型预测分析程序参数,基于时间段信息的初始-结束时间范围,以形成原始数值序列的分析范围,预置原始数列K的个数,设置执行动作参数;
趋势预测分析平台根据程序参数设定进行灰色趋势分析计算,并记录显示不同参数的趋势分析结果;
使用中断线程,中断提醒人工判断当前模型分析结果数据集合是否作为下一阶段时序分析模型原始样本。
依照本发明的一个方面,所述第二阶段时序模型法分析和最终趋势分析结果包括以下步骤:
读取第一阶段灰色模型预测使用的原始样本及预置特征集合值,设置时序模型分析程序,将映射的原始数列进行残差计算,中间赋值给自回归项q,残差次数d,移动平稳项p;
基于原始数据样本进行残差数据计算执行,形成附加在灰色趋势分析模型结果的原始样本数值的对应残差映射集合E(0);
时序模型法趋势分析完成拟合残差序列的计算,并还原原始残差序列,与第一阶段灰色模型预测分析结果进行就和,存入分析结果;
对比,将预置特征集合范围内的实际原始数值序列、灰色模型法预测趋势获得的数值序列、增加时序模型法组合获得的数值序列进行误差比对,保留更贴近实际数值序列的趋势分析结果。
依照本发明的一个方面,所述在内存中执行对文件的规范化处理包括以下步骤:
提取煤层气数值范式的个体征变量:系统来源、归属矿、时间段、累计数值、地理信息、气体采集手段、过程因素共7个数据位,汇总形成不同范围的趋势分析原始样本库;煤层气数据特征集合GasDatai:
GasDatai={[DSer],[DCoal],[DTlen],[DSum],[DGpos],[DMeth],[DOth]} i=1,2,3...
其中D代表7类不同类型的煤层气原始数据集合,i是每一类数据源标记,ser代表数值的系统源,Coal代表来矿区源,Tlen代表数值采集时长,Sum代表同源的煤层气数值累计和,Gpos代表数值来源的地理位置,Meth代表数值来源的技术手段,Oth代表分析因素;
每一个分析因素Oth数据集合中具有[m,n,λ,p,d,q,w]共7个计算过程参数数据位,分别代表[微分方程阶数,变量个数,级比序列,自回归项,残差次数,移动平稳项,验证对比表]。
依照本发明的一个方面,所述基于灰色-时序模型组合的煤层气抽采量预测方法包括:保存每次的组合模型趋势分析数列的结果,形成不同区域的煤矿区煤层气抽采量预测分析数据集合。
一种基于灰色-时序模型组合的煤层气抽采量预测系统,所述基于灰色-时序模型组合的煤层气抽采量预测系统包括:
采集程序集,用于创建并部署煤层气数据采集前端程序,形成采集程序集合,以及通过采集程序集合获取各企业的煤层气历史、准实时和影响数据集;
分布式数据库,用于保存数据及逻辑映射文件;
逻辑映射模块,用于建立分布式数据库与煤层气采集数据区的逻辑映射文件;
趋势预测分析平台,用于基于灰色模型法和时序模型法建立煤层气抽采量的趋势预测分析平台及根据输入的逻辑映射文件进行趋势预测分析获得指定区域内煤层气抽采量预测数列。
一种基于灰色-时序模型组合的煤层气抽采量预测设备,所述设备包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上所述的基于灰色-时序模型组合的煤层气抽采量预测方法的步骤。
一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被执行时实现如上所述的基于灰色-时序模型组合的煤层气抽采量预测方法的步骤。
本发明实施的优点:本发明所述的基于灰色-时序模型组合的煤层气抽采量预测方法,包括以下步骤:创建并部署煤层气数据采集前端程序,形成采集程序集合;通过采集程序集合获取各企业的煤层气历史、准实时和影响数据集;建立分布式数据库与煤层气采集数据区的逻辑映射文件;基于灰色模型法和时序模型法建立煤层气抽采量的趋势预测分析平台;将逻辑映射文件输入趋势预测分析平台获得指定区域内煤层气抽采量预测数列;可以通过执行对接实际来源系统的采集前端程序集合,获取对应矿区的多特征的煤层气相关数据信息,并据此进行多条件的趋势分析,最终实现基于地域划分的宏观煤层气抽采量趋势分析结果。采用本发明可以实现针对不同范围煤矿区煤层气抽采量预测的功能,减少了因系统分布或过程中数据遗漏带来的统计分析错误,形成了多特征因素下煤层气抽采量预测的数据关联,提高了对煤层气开发宏观决策的数据辅助能力。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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例,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为本发明所述的一种基于灰色-时序模型组合的煤层气抽采量预测方法示意图;
图2为本发明所述的基于多类型数据对接方法获取煤矿区煤层气准实时、历史、相关因素数据的配置流程示意图;
图3为本发明所述的趋势分析平台参数准备和第一阶段基于灰色模型预测的配置流程示意图;
图4为本发明所述的趋势分析模型第二阶段时序模型法分析及最终趋势分析结果流程示意图;
图5为本发明所述的基于灰色-时序模型组合的煤层气抽采量预测系统示意图;
图6为本发明所述的基于灰色-时序模型组合的煤层气抽采量预测设备示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
如图1、图2、图3和图4所示,一种基于灰色-时序模型组合的煤层气抽采量预测方法,所述基于灰色-时序模型组合的煤层气抽采量预测方法包括以下步骤:
步骤S1:创建并部署煤层气数据采集前端程序,形成采集程序集合;
所述步骤S1创建并部署煤层气数据采集前端程序,形成采集程序集合具体可包括:针对煤矿现场煤层气“抽建掘采”系统组成架构和数据传输汇集策略等特征,开发可直接对接数据库读取或人工填报采集的煤层气数据采集前端程序,形成采集程序集合;将不同实现方式的前端程序部署在煤矿企业“抽建掘采”系统旁路,或开放给煤矿企业管理节点人员等不同采集位置。
步骤S2:通过采集程序集合获取各企业的煤层气历史、准实时和影响数据集;
通过上述步骤S1部署的采集程序集合获取获取各企业的煤层气历史、准实时和影响数据集;将采集程序集布置在煤矿区内煤层气信息相关系统中的旁路位置或者管理人员统计填报等位置运行,根据数据不同来源的参数特点通过配置采集任务参数,如采集数据系统或地理位置、采集程序对接认证信息、数据来源行政区域指标等,配置方式可采用最简单的命令行配置方式,或者定制相应的图形化界面配置方式。形成煤层气数值集文件。
步骤S3:建立分布式数据库与煤层气采集数据区的逻辑映射文件;
根据采集数据来源系统和预置编号项编写建立相应的分布式数据库,提供规范化煤层气数据保存接口,确保来自前端不同类型数值可被结构化存储;根据步骤S2采集的煤层气数值集文件,将其放置于数据清洗转换可访问到的位置,例如放置方式可以涉及网络传输方式进行放置。通过执行数据转换脚本进一步过滤掉无用数据,最后将来源数据存入建立的分布式数据库中并形成逻辑映射文件。
在实际应用中,采集前端程序内容必须与对接系统数据库程序对应,包含可执行的SQL语句若干,同时可使用注释等方式对SQL语句进行特征描述,表明其执行目的。例如,某SQL语句的类型(如int、float、str等),可描述其插入字段意图以及用途做相应注释,为后面的执行结果保存及查看提供便利。
步骤S4:基于灰色模型法和时序模型法建立煤层气抽采量的趋势预测分析平台;
所述步骤S4基于灰色模型法和时序模型法建立煤层气抽采量的趋势预测分析平台包括:
读取步骤S3获得的逻辑映射文件;
对文件内数据进行基于煤层气数据系统源、矿区源、采集时间段、累计数值、地质条件、气体采集手段等数据位进行规范化处理形成样本库;
依据样本库特征情况,选择参与分析原始数列数据个数K,推导灰色模型常微分方程的介数M、灰色模型变量个数N,导入灰色精度模型检验对照表W等参数;用灰色模型法级比数列判断和时序模型法残差数列修正反复验证分析,最终形成的可进行基于不同地域范围煤层气抽采量的趋势预测分析平台。
步骤S5:将逻辑映射文件输入趋势预测分析平台获得指定区域内煤层气抽采量预测数列。
所述步骤S5将逻辑映射文件输入趋势预测分析平台获得指定区域内煤层气抽采量预测数列包括:
脚本准实时获取现场采集的煤层气信息数据集,转存为逻辑映射文件,输入趋势分析平台,输入数据经过灰色模型分析形成K个样本数列再通过样本数列获取残差序列,进行时间模型序列法(自回归项p、转平稳序列的残差次数d、移动平均项q)计算获得修正数列E(0),通过样本数列+修正数列E(0)相加计算后,实现指定区域内煤层气抽采量预测数列
对矿区、集团、省(市)、全国不同级别预测,通过基于不同范围采集数据值求和后进行反复预测。
其中,逻辑映射文件保存为分布式HDFS数据文件;
在采取灰色模型预测法中,K个样本库计算的级比序列不完全落入级比区域时,可以增加k的微分方程阶数M的数值,并多次执行级比对照最终实现n阶的级比数列完全落入到级比区间,达到灰色模型分析要求。
在实际应用中,所述基于灰色-时序模型组合的煤层气抽采量预测方法还包括以下步骤:
保存每次的组合模型趋势分析数列的结果,形成不同区域的煤矿区煤层气抽采量预测分析数据集合。
在实际应用中,所述基于灰色-时序模型组合的煤层气抽采量预测方法可分为3个过程:(1)基于多类型数据对接方法获取煤矿区煤层气准实时、历史、相关因素数据;(2)抽采量趋势分析平台参数准备和第一阶段基于灰色模型预测;(3)趋势分析模型第二阶段时序模型法分析及最终趋势分析结果
(1)如图2所示,为基于多类型数据对接方法获取煤矿区煤层气准实时、历史、相关因素数据的配置流程,具体如下:
步骤101,针对不同区域中煤矿“抽建掘采”系统的煤层气抽采量数值位置对接程序系统数据库,部署不同方式数据采集任务形成采集前端程序集合。
步骤102,根据采集数据来源系统和预置编号项编写建立相应的分布式数据库,提供规范化煤层气数据保存接口,确保来自前端不同类型数值可被结构化存储。
其中,采集前端程序内容必须与对接系统数据库程序对应,包含可执行的SQL语句若干,同时可使用注释等方式对SQL语句进行特征描述,表明其执行目的。例如,某SQL语句的类型(如int、float、str等),可描述其插入字段意图以及用途做相应注释,为后面的执行结果保存及查看提供便利。
步骤103获取各来源的煤层气现场数值文件。将采集程序集布置在煤矿区内煤层气信息相关系统中的旁路位置或者管理人员统计填报等位置运行,根据数据不同来源的参数特点通过配置采集任务参数,如采集数据系统或地理位置、采集程序对接认证信息、数据来源行政区域指标等,配置方式可采用最简单的命令行配置方式,或者定制相应的图形化界面配置方式。形成煤层气数值集文件。
步骤104根据103输出的煤层气数值集文件,将其放置于数据清洗转换可访问到的位置,例如放置方式可以涉及网络传输方式进行放置。通过执行数据转换脚本进一步过滤掉无用数据,最后将来源数据存入102步骤中建立的分布式数据库中并形成逻辑映射文件。
(2)如图3所示,为趋势分析平台参数准备和第一阶段基于灰色模型预测的配置流程,具体如下:
步骤201,趋势分析平台读取逻辑映射文件,在内存中执行对文件的规范化处理,建立不同来源的煤层气数据多维度信息和趋势分析计算范式的映射关系集合,再转存到分析计算数据库中。例如下面表一和表二:
表一 获取到原始数据形式
表二 逻辑映射文件数据形式
其中规范化工作包括:
提取煤层气数值范式的个体征变量:系统来源、归属矿、时间段、累计数值、地理信息、气体采集手段、过程因素等数据位,汇总形成不同范围的趋势分析原始样本库。煤层气数据特征集合GasDatai:
GasDatai={[DSer],[DCoal],[DTlen],[DSum],[DGpos],[DMeth],[DOth]} i=1,2,3...
其中D代表7类不同类型的煤层气原始数据集合,i是每一类数据源标记,ser代表数值的系统源,Coal代表来矿区源,Tlen代表数值采集时长,Sum代表同源的煤层气数值累计和,Gpos代表数值来源的地理位置,Meth代表数值来源的技术手段,Oth代表分析因素。
每一个分析因素Oth数据集合中具有[m,n,λ,p,d,q,w]共7个计算过程参数数据位,分别代表[微分方程阶数,变量个数,级比序列,自回归项,残差次数,移动平稳项,验证对比表]。
步骤202,通过人机交互方式,呈现可执行的规范化分析数据情况。
步骤203,通过人机交互方式,设置基于python开发的灰色模型预测分析程序,对特征集合GasData中系统源,矿区源,地理位置,气体采集手段进行预置条件设置,及基于时间段信息的初始-结束时间范围,以形成原始数值序列的分析范围,预置原始数列K的个数(整数);执行动作参数包括计算过程的需要级比范围判断的方程函数,执行趋势分析次数,最终的阶段趋势分析结果集合等。
步骤204,趋势分析平台根据程序参数设定进行灰色趋势分析计算,并记录显示不同参数的趋势分析结果。提示符合满足灰色模型的情况,如级比序列数值、级比序列范围、执行n阶灰色分析方程a,b参数数值,及完成对第一阶段灰色模型数值数列的形成,并自动保存到灰色模型数据库集合中。
步骤205,使用中断线程,中断提醒人工判断当前模型分析结果数据集合是否作为下一阶段时序分析模型原始样本。
(3)如图4所示,为趋势分析模型第二阶段时序模型法分析及最终趋势分析结果具体如下:
步骤301,读取第一阶段灰色模型分析使用的原始样本及预置特征集合值,设置基于python开发的时序模型分析程序,将映射的原始数列进行残差计算,中间赋值给自回归项q,残差次数d,移动平稳项p。
步骤302,基于原始数据样本进行残差数据计算执行,形成附加在灰色趋势分析模型结果的原始样本数值的对应残差映射集合E(0)。
步骤303,时序模型法趋势分析完成拟合残差序列的计算,并还原原始残差序列,与第一阶段灰色法趋势分析结果进行就和,存入分析结果。
步骤304,对比,将预置特征集合范围内的实际原始数值序列、灰色模型法预测趋势获得的数值序列、增加时序模型法组合获得的数值序列进行误差比对,保留更贴近实际数值序列的趋势分析结果。完成趋势分析结果及关联的系统源、矿区源、地理位置、气体采集手段等组合数据进行信息汇总。
趋势分析平台可视化信息汇总数据,例如基于关联数值的区域趋势分析信息、时间阶段的区域趋势分析信息等情况。
本发明的目的在于利用组合法的大数据分析思想,提供一种基于灰色-时序模型的趋势分析的煤矿区煤层气抽采量预测方法。其可以通过执行对接实际来源系统的采集前端程序集合,获取对应矿区的多特征的煤层气相关数据信息,并据此进行多条件的趋势分析,最终实现基于地域划分的宏观煤层气抽采量趋势分析结果。采用本发明可以实现针对不同范围煤矿区煤层气抽采量预测的功能,减少了因系统分布或过程中数据遗漏带来的统计分析错误,形成了多特征因素下煤层气抽采量预测的数据关联,提高了对煤层气开发宏观决策的数据辅助能力。
实施例二
如图5所示,一种基于灰色-时序模型组合的煤层气抽采量预测系统,所述基于灰色-时序模型组合的煤层气抽采量预测系统包括:
采集程序集1,用于创建并部署煤层气数据采集前端程序,形成采集程序集合,以及通过采集程序集合获取各企业的煤层气历史、准实时和影响数据集;
分布式数据库2,用于保存数据及逻辑映射文件;
逻辑映射模块3,用于建立分布式数据库与煤层气采集数据区的逻辑映射文件;
趋势预测分析平台4,用于基于灰色模型法和时序模型法建立煤层气抽采量的趋势预测分析平台及根据输入的逻辑映射文件进行趋势预测分析获得指定区域内煤层气抽采量预测数列。
所述基于灰色-时序模型组合的煤层气抽采量预测系统的工作过程如下:
创建并部署煤层气数据采集前端程序,形成采集程序集合;
通过采集程序集合获取各企业的煤层气历史、准实时和影响数据集;
建立分布式数据库与煤层气采集数据区的逻辑映射文件;
基于灰色模型法和时序模型法建立煤层气抽采量的趋势预测分析平台;
将逻辑映射文件输入趋势预测分析平台获得指定区域内煤层气抽采量预测数列。
实施例三
如图6所示,一种基于灰色-时序模型组合的煤层气抽采量预测设备,所述设备包括:
存储器100,用于存储计算机程序;
处理器200,用于执行所述计算机程序时实现如实施例一所述的基于灰色-时序模型组合的煤层气抽采量预测方法的步骤。
实施例四
一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被执行时实现如实施例一所述的基于灰色-时序模型组合的煤层气抽采量预测方法的步骤。
本发明实施的优点:本发明所述的基于灰色-时序模型组合的煤层气抽采量预测方法,包括以下步骤:创建并部署煤层气数据采集前端程序,形成采集程序集合;通过采集程序集合获取各企业的煤层气历史、准实时和影响数据集;建立分布式数据库与煤层气采集数据区的逻辑映射文件;基于灰色模型法和时序模型法建立煤层气抽采量的趋势预测分析平台;将逻辑映射文件输入趋势预测分析平台获得指定区域内煤层气抽采量预测数列;可以通过执行对接实际来源系统的采集前端程序集合,获取对应矿区的多特征的煤层气相关数据信息,并据此进行多条件的趋势分析,最终实现基于地域划分的宏观煤层气抽采量趋势分析结果。采用本发明可以实现针对不同范围煤矿区煤层气抽采量预测的功能,减少了因系统分布或过程中数据遗漏带来的统计分析错误,形成了多特征因素下煤层气抽采量预测的数据关联,提高了对煤层气开发宏观决策的数据辅助能力。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本领域技术的技术人员在本发明公开的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (13)
1.一种基于灰色-时序模型组合的煤层气抽采量预测方法,其特征在于,所述基于灰色-时序模型组合的煤层气抽采量预测方法包括以下步骤:
创建并部署煤层气数据采集前端程序,形成采集程序集合;
通过采集程序集合获取各企业的煤层气历史、准实时和影响数据集;
建立分布式数据库与煤层气采集数据区的逻辑映射文件;
基于灰色模型法和时序模型法建立煤层气抽采量的趋势预测分析平台;
将逻辑映射文件输入趋势预测分析平台获得指定区域内煤层气抽采量预测数列。
2.根据权利要求1所述的基于灰色-时序模型组合的煤层气抽采量预测方法,其特征在于,所述基于灰色-时序模型组合的煤层气抽采量预测方法包括以下步骤:
针对不同区域中煤矿抽建掘采系统的煤层气抽采量数值位置对接程序系统数据库,部署不同方式数据采集任务形成采集前端程序集合;
根据采集数据来源系统和预置编号项编写建立相应的分布式数据库,提供规范化煤层气数据保存接口;
获取各来源的煤层气现场数值文件形成煤层气数值集文件;
对煤层气数值集文件进行数据处理后存入建立的分布式数据库中并形成逻辑映射文件。
3.根据权利要求2所述的基于灰色-时序模型组合的煤层气抽采量预测方法,其特征在于,所述采集前端程序内容必须与对接系统数据库程序对应。
4.根据权利要求2所述的基于灰色-时序模型组合的煤层气抽采量预测方法,其特征在于,所述对煤层气数值集文件进行数据处理括:数据清洗、数据转换和数据过滤。
5.根据权利要求1所述的基于灰色-时序模型组合的煤层气抽采量预测方法,其特征在于,所述逻辑映射文件保存为分布式HDFS数据文件。
6.根据权利要求1所述的基于灰色-时序模型组合的煤层气抽采量预测方法,其特征在于,所述将逻辑映射文件输入趋势预测分析平台获得指定区域内煤层气抽采量预测数列包括:第一阶段基于灰色模型预测、第二阶段时序模型法分析和最终趋势分析结果。
7.根据权利要求6所述的基于灰色-时序模型组合的煤层气抽采量预测方法,其特征在于,所述第一阶段基于灰色模型预测包括以下步骤:
趋势预测分析平台读取逻辑映射文件,在内存中执行对文件的规范化处理,建立不同来源的煤层气数据多维度信息和趋势分析计算范式的映射关系集合,再转存到分析计算数据库中;
呈现可执行的规范化分析数据情况;
设置灰色模型预测分析程序参数,基于时间段信息的初始-结束时间范围,以形成原始数值序列的分析范围,预置原始数列K的个数,设置执行动作参数;
趋势预测分析平台根据程序参数设定进行灰色趋势分析计算,并记录显示不同参数的趋势分析结果;
使用中断线程,中断提醒人工判断当前模型分析结果数据集合是否作为下一阶段时序分析模型原始样本。
8.根据权利要求6所述的基于灰色-时序模型组合的煤层气抽采量预测方法,其特征在于,所述第二阶段时序模型法分析和最终趋势分析结果包括以下步骤:
读取第一阶段灰色模型预测使用的原始样本及预置特征集合值,设置时序模型分析程序,将映射的原始数列进行残差计算,中间赋值给自回归项q,残差次数d,移动平稳项p;
基于原始数据样本进行残差数据计算执行,形成附加在灰色趋势分析模型结果的原始样本数值的对应残差映射集合E(0);
时序模型法趋势分析完成拟合残差序列的计算,并还原原始残差序列,与第一阶段灰色模型预测分析结果进行就和,存入分析结果;
对比,将预置特征集合范围内的实际原始数值序列、灰色模型法预测趋势获得的数值序列、增加时序模型法组合获得的数值序列进行误差比对,保留更贴近实际数值序列的趋势分析结果。
9.根据权利要求7所述的基于灰色-时序模型组合的煤层气抽采量预测方法,其特征在于,所述在内存中执行对文件的规范化处理包括以下步骤:
提取煤层气数值范式的个体征变量:系统来源、归属矿、时间段、累计数值、地理信息、气体采集手段、过程因素共7个数据位,汇总形成不同范围的趋势分析原始样本库;煤层气数据特征集合GasDatai:
GasDatai={[DSer],[DCoal],[DTlen],[DSum],[DGpos],[DMeth],[DOth]}i=1,2,3...
其中D代表7类不同类型的煤层气原始数据集合,i是每一类数据源标记,ser代表数值的系统源,Coal代表来矿区源,Tlen代表数值采集时长,Sum代表同源的煤层气数值累计和,Gpos代表数值来源的地理位置,Meth代表数值来源的技术手段,Oth代表分析因素;
每一个分析因素Oth数据集合中具有[m,n,λ,p,d,q,w]共7个计算过程参数数据位,分别代表[微分方程阶数,变量个数,级比序列,自回归项,残差次数,移动平稳项,验证对比表]。
10.根据权利要求1至9之一所述的基于灰色-时序模型组合的煤层气抽采量预测方法,其特征在于,所述基于灰色-时序模型组合的煤层气抽采量预测方法包括:保存每次的组合模型趋势分析数列的结果,形成不同区域的煤矿区煤层气抽采量预测分析数据集合。
11.一种基于灰色-时序模型组合的煤层气抽采量预测系统,其特征在于,所述基于灰色-时序模型组合的煤层气抽采量预测系统包括:
采集程序集,用于创建并部署煤层气数据采集前端程序,形成采集程序集合,以及通过采集程序集合获取各企业的煤层气历史、准实时和影响数据集;
分布式数据库,用于保存数据及逻辑映射文件;
逻辑映射模块,用于建立分布式数据库与煤层气采集数据区的逻辑映射文件;
趋势预测分析平台,用于基于灰色模型法和时序模型法建立煤层气抽采量的趋势预测分析平台及根据输入的逻辑映射文件进行趋势预测分析获得指定区域内煤层气抽采量预测数列。
12.一种基于灰色-时序模型组合的煤层气抽采量预测设备,其特征在于,所述设备包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至10任一项所述的基于灰色-时序模型组合的煤层气抽采量预测方法的步骤。
13.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被执行时实现如权利要求1至10任一项所述的基于灰色-时序模型组合的煤层气抽采量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910901328.3A CN110674989A (zh) | 2019-09-23 | 2019-09-23 | 一种煤层气抽采量预测方法、系统、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910901328.3A CN110674989A (zh) | 2019-09-23 | 2019-09-23 | 一种煤层气抽采量预测方法、系统、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110674989A true CN110674989A (zh) | 2020-01-10 |
Family
ID=69077247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910901328.3A Pending CN110674989A (zh) | 2019-09-23 | 2019-09-23 | 一种煤层气抽采量预测方法、系统、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674989A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112650739A (zh) * | 2020-12-22 | 2021-04-13 | 煤炭科学研究总院 | 煤矿数据中台的数据存储处理方法和装置 |
CN113392567A (zh) * | 2021-08-16 | 2021-09-14 | 中国矿业大学(北京) | 一种双重孔隙煤体的煤层气预测方法和系统 |
CN116882639A (zh) * | 2023-09-08 | 2023-10-13 | 山东立鑫石油机械制造有限公司 | 基于大数据分析的石油钻采设备管理方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019511783A (ja) * | 2016-06-30 | 2019-04-25 | 上海海洋大学Shanghai Ocean University | 灰色システムに基づく遠洋イカ類資源の存在度の予測方法 |
-
2019
- 2019-09-23 CN CN201910901328.3A patent/CN110674989A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019511783A (ja) * | 2016-06-30 | 2019-04-25 | 上海海洋大学Shanghai Ocean University | 灰色システムに基づく遠洋イカ類資源の存在度の予測方法 |
Non-Patent Citations (3)
Title |
---|
杨永国等: "煤层气产能预测随机动态模型及应用研究", 《煤炭学报》 * |
焦思红等: "一种新的煤层气产出动态预测模型", 《煤田地质与勘探》 * |
陈茜: "基于Hadoop的煤矿区煤层气开发利用大数据平台设计", 《煤炭经济研究》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112650739A (zh) * | 2020-12-22 | 2021-04-13 | 煤炭科学研究总院 | 煤矿数据中台的数据存储处理方法和装置 |
CN113392567A (zh) * | 2021-08-16 | 2021-09-14 | 中国矿业大学(北京) | 一种双重孔隙煤体的煤层气预测方法和系统 |
CN116882639A (zh) * | 2023-09-08 | 2023-10-13 | 山东立鑫石油机械制造有限公司 | 基于大数据分析的石油钻采设备管理方法及系统 |
CN116882639B (zh) * | 2023-09-08 | 2023-12-08 | 山东立鑫石油机械制造有限公司 | 基于大数据分析的石油钻采设备管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144836A (zh) | 一种智慧建造一体化协同大数据平台 | |
CN110674989A (zh) | 一种煤层气抽采量预测方法、系统、设备及可读存储介质 | |
CN111767247A (zh) | 一种工程资料实时监管的档案规范与同步形成控制平台 | |
KR101106220B1 (ko) | 목적지향형 건축물 전생애 환경부하 평가시스템 | |
CN105069542A (zh) | 一种责任成本预算编制方法及系统 | |
Xie et al. | Integrating realtime project progress input into a construction simulation model | |
CN110659342A (zh) | 基于信息提取特征的规则库自动制图综合处理方法及系统 | |
CN110084473A (zh) | 项目监管方法、装置、计算机设备及存储介质 | |
CN113722564A (zh) | 基于空间图卷积能源物资供应链的可视化方法及装置 | |
Mitelman et al. | Implementing BIM for conventional tunnels-a proposed methodology and case study. | |
Shelake et al. | An integrated approach for identification and prioritization of risk factors in tunnel construction | |
CN111810144A (zh) | 一种页岩气井工程智能调度方法及系统 | |
CN103279555B (zh) | 基于业务系统的pi点自动维护方法及装置 | |
CN111852466B (zh) | 一种用于页岩气井规模配产与管网运行优化的方法 | |
CN105373880A (zh) | 电网工程项目方案反馈评价和方案决策系统 | |
CN113807573A (zh) | 一种基于数据管理和三维搜索的施工预测分析方法及系统 | |
Xiao et al. | Study on Construction Engineering Management Based on BIM from the perspective of big data | |
Kewo et al. | Data Pre-processing Techniques in the Regional Emission's Load Profiles Case | |
Crawford et al. | Establishing a comprehensive database of construction material environmental flow coefficients for Australia | |
CN111105140A (zh) | 一种配电网运行状态风险综合评估方法 | |
Okolnishnikov et al. | Monitoring system development using simulation | |
CN116630095B (zh) | 一种自动化工程建设总任务计划统筹方法及系统 | |
Abdoli | A two-stage stochastic programming model for the CCS-EOR planning problem | |
Winkler et al. | Digitalization of data management and quality assurance in ground and tunneling works | |
Airlie et al. | Intelligent asset management: Successful integration of modelling tools and workflow processes |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200110 |
|
RJ01 | Rejection of invention patent application after publication |