CN117010280A - 一种煤矿井下涌水量预测方法 - Google Patents

一种煤矿井下涌水量预测方法 Download PDF

Info

Publication number
CN117010280A
CN117010280A CN202310992184.3A CN202310992184A CN117010280A CN 117010280 A CN117010280 A CN 117010280A CN 202310992184 A CN202310992184 A CN 202310992184A CN 117010280 A CN117010280 A CN 117010280A
Authority
CN
China
Prior art keywords
water inflow
pump
pump room
predicted value
daily
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
Application number
CN202310992184.3A
Other languages
English (en)
Inventor
冯建民
秦科
王安兵
冉鹏程
庞策
马歇尔
乔小龙
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.)
Xi'an Leadi Electric Automation Co ltd
Original Assignee
Xi'an Leadi Electric Automation Co ltd
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 Xi'an Leadi Electric Automation Co ltd filed Critical Xi'an Leadi Electric Automation Co ltd
Priority to CN202310992184.3A priority Critical patent/CN117010280A/zh
Publication of CN117010280A publication Critical patent/CN117010280A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Animal Husbandry (AREA)
  • General Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Agronomy & Crop Science (AREA)
  • Computational Mathematics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Mathematical Optimization (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种煤矿井下涌水量预测方法，通过计算的每日的井下各个泵房的涌水量，获得第一次明日涌水量预测值，对得到的第一次明日涌水量预测值进行矫正，作为第二次明日涌水量预测值；分别确定自变量因子和因变量因子，使用梯度提升树回归算法进行两次涌水量预测，获得井下各个泵房的最终涌水量预测值；根据获得的井下各个泵房的最终涌水量预测值与各个泵房的各水泵性能参数，分析计算获得每个泵房的水泵开泵时长预测值及开泵耗能预测值。该方法通过对明日涌水量的精准预测，结合水泵性能参数，对各个泵房水泵的开泵时长与能耗进行预测，进而能够实现对每日水泵的开泵计划进行准确评估。

Description

一种煤矿井下涌水量预测方法
技术领域
本发明涉及煤炭开采水害防治技术领域，更具体的涉及一种基于水泵性能的煤矿井下每日涌水量预测方法。
背景技术
随着东部区煤炭资源的逐渐枯竭，煤炭资源的开发利用逐步向西部转移，西部深部煤矿工作面高强度回采过程中，面临工作面顶板大量涌水的威胁。为了消除井下大量涌水对生产工作的干扰及可能产生的水害威胁，需要提前预测工作面回采过程中的涌水量，然后依据预测的涌水量设计、建设工作面排水系统。
现有针对煤矿井下涌水量预测的常规方法，需要大量人工测量采集数据，不仅消耗大量的财力、人力及物力，还会受到短期天气等原因的影响。例如针对于煤矿井下涌水量预测，使用的方法普遍为依据每月/每季/每年人工测量煤矿井下含水层厚、引用半径、影响半径、渗透系数、采掘深度等参数统计计算出的涌水量，使用灰色模型预测、BP网络模型等预测模型进行月/季/年维度下的涌水量预测，无法依据预测出来的涌水量与水泵性能进行联系，导致涌水量预测的精度差，进而不能准确对每日水泵的开泵计划进行评估。
发明内容
针对上述领域中存在的问题，本发明一种煤矿井下涌水量预测方法，能够解无法依据预测出来的涌水量与水泵性能进行联系，导致涌水量预测的精度差，进而不能准确对每日水泵的开泵计划进行评估的技术问题。
为解决上述技术问题，本发明公开了一种煤矿井下涌水量预测方法，包括以下步骤：
根据待预测的井下各个泵房的每日排水量、水仓液位、以及涌水速率，计算每日的井下各个泵房的涌水量、日水仓液位变化、涌水速率变化及各个泵房的涌水量与总涌水量的占比；
依据每日的井下各个泵房的涌水量，使用一次指数平滑算法进行第一次明日涌水量预测，获得第一次明日涌水量预测值；根据每日的涌水速率变化、日水仓液位变化及各个泵房的涌水量与总涌水量的占比，对获得的第一次明日涌水量预测值进行矫正，作为第二次明日涌水量预测值；
根据井下各个泵房的每日排水量、日水仓液位变化、涌水速率、前一日涌水量、第一次明日涌水量预测值、第二次明日涌水量预测值，对选取的泵房的涌水量进行单独分析，确定自变量因子和因变量因子，使用梯度提升树回归算法进行涌水量预测，对应获得选取的各个泵房涌水量预测值；
根据井下各个泵房的每日排水量、涌水速率、日水仓液位变化、前一日涌水量、第一次明日涌水量预测值、第二次明日涌水量预测值以及获得的选取的各个泵房涌水量预测值，使用梯度提升树回归算法，对井下各个泵房的涌水量进行二次涌水量预测，获得井下各个泵房的最终涌水量预测值；
根据获得的井下各个泵房的最终涌水量预测值与各个泵房的各水泵性能参数，分析计算获得每个泵房的水泵开泵时长预测值及开泵耗能预测值。
优选地，所述计算每日的井下各个泵房的涌水量、日水仓液位变化、涌水速率变化及各个泵房的涌水量与总涌水量的占比包括通过自动化系统采集井下各个泵房的每日排水量、水仓液位、以及涌水速率数据并存入sqlserver数据库中，利用python对采集的数据按照时间序列的顺序进行排序，根据采集来的数据计算出每日的井下各个泵房的涌水量及总涌水量。
优选地，所述获得第一次明日涌水量预测值的计算公式为：
Ft+1＝α*Xt+(1-α)*Ft
其中，Ft+1为第一次明日的涌水量预测值，α为平滑常数，Xt为数据积累下的实际涌水量，Ft为每日的涌水量预测值。
优选地，所述平滑常数α的取值范围为0.01～0.25。
优选地，所述对应获得选取的各个泵房涌水量预测值包括以下步骤：
分别对井下中央泵房、井下一号采区清水泵房、井下一号采区污水泵房、井下二号采区污水泵房的涌水量预测进行单独分析；
以井下中央泵房、井下一号采区清水泵房、井下一号采区污水泵房、井下二号采区污水泵房每个泵房的每日排水量、涌水速率、日水仓液位变化、前一日涌水量、第一次明日涌水量预测值、第二次明日涌水量预测值为自变量因子；
各个泵房的涌水量预测为因变量因子；
使用梯度提升树回归算法分别预测每个泵房的涌水量预测值，分别作为井下中央泵房涌水量预测值、井下一号采区清水泵房涌水量预测值、井下一号采区污水泵房涌水量预测值、井下二号采区泵房污水泵涌水量预测值。
优选地，所述获得井下各个泵房的最终涌水量预测值包括以下步骤：
以井下各个泵房的每日排水量、涌水速率、日水仓液位变化、前一日涌水量、第一次明日涌水量预测值、第二次明日涌水量预测值以及中央泵房涌水量预测值、井下一号采区清水泵涌水量预测值、井下一号采区污水泵涌水量预测值、井下二号采区泵房污水泵涌水量预测值作为自变量因子；
涌水量预测值为因变量因子；
使用梯度提升树回归算法进行二次涌水量预测，获得井下各个泵房的最终涌水量预测值。
优选地，所述梯度提升树回归算法包括以下步骤：
初始化此时g0(x)是一棵只有根节点的树；
迭代建立m棵决策树，以训练数据集x∈RK,y∈R作为输入；计算损失函数的负梯度在当前模型的值/>其中，t＝1,2,...,N，N为迭代次数，并将它作为残差的估计值；
对rmt进行拟合，得到第m棵树的叶节点区域Rmj，j＝1,2,...,J，其中，J为叶子节点个数；对每个叶子节点循环；
利用线性搜索估计叶节点区域的值使损失函数极小化，更新/>其中j＝1,2,...,J，Rmj表示第m棵树的叶节点区域；
Gm(x)即为最终的模型；
以各个泵房的每日的涌水量数据作为训练集训练模型。
优选地，所述梯度提升树回归算法中的决策树个数m为20。
优选地，所述使用梯度提升树回归算法进行二次涌水量预测的训练集为井下各个泵房的每日排水量、涌水速率、日水仓液位变化、第一次明日涌水量预测值、第二次明日涌水量预测值、前一日涌水量以及获得的选取的各个泵房涌水量预测值。
与现有技术相比，本发明具有如下有益效果：
本发明根据计算的每日的井下各个泵房的涌水量，使用一次指数平滑法预测涌水量，得到明日涌水量预测值，并对其进行矫正，可以对明日涌水量精准预测；根据明日涌水量预测值、矫正后的明日涌水量预测值，以及增加多个自变量参数，两次使用梯度提升树回归算法对井下各个泵房的涌水量进行预测，该方法将一次指数平滑法和两次梯度提升树回归算法相结合，提高了涌水量的预测精准度。该方法通过对明日涌水量的精准预测，并结合水泵性能参数，对各个泵房水泵的开泵时长与能耗进行预测，进而能够对每日水泵的开泵计划进行准确评估。
附图说明
图1为本发明的整体方法流程图；
图2为本发明的明日涌水量预测图；
图3为本发明的中央泵房涌水量预测图；
图4为本发明的最终涌水量预测图。
具体实施方式
下面将结合本发明实施例中的附图1-4，对本发明实施例中的技术方案进行清楚、完整地描述。应理解本发明中所述的术语仅仅是为描述特别的实施方式，并非用于限制本发明。
实施例
如图1所示，本发明实施例提供一种煤矿井下涌水量预测方法，包括以下步骤：
S1：更改涌水量预测的数据源，通过自动化系统采集井下各个泵房的每日排水量、水仓液位、以及涌水速率数据并存入sqlserver数据库中，如表1-2所示。
表1自动化系统采集存储于sqlserver中数据表中的数据
表2采集每个泵房每台泵的日运行数据
利用python对采集的数据按照时间序列的顺序进行排序，并依据各泵房的每日排水量、水仓液位以及涌水速率，计算出每日的井下各个泵房的涌水量及总涌水量，计算结果如表3所示，根据每日的井下各个泵房的涌水量及总涌水量，进一步计算日水仓液位变化、涌水速率变化及各个泵房的涌水量与总涌水量的占比。
表3各个泵房的水仓涌水速率及总涌水量数据
指数平滑法是一种性能优良、适应性强的方法，在各个方面都有广泛的应用。其作用主要体现在两个方面：一是用于预测，二是用于修匀历史数据，以测定时间数列的长期趋势。指数平滑法具有显著的特征，它有效地利用了全部历史数据且操作简单易行。
一次指数平滑法是一种加权预测，权数为α。它既不需要存储全部历史数据，也不需要存储一组数据，从而可以大大减小数据存储问题。甚至有时只需要一个最新观察值、最新预测值和α值，就可以进行预测。它提供的预测值是前一期预测值加上前期预测值中产生的误差的修正值。所以，将此算法应用于井下各个泵房的涌水量预测中，不仅可以解决数据非线性化的问题，同时，可以解决数据的延迟性问题。
S2：依据每日的井下各个泵房的涌水量，使用一次指数平滑算法进行第一次明日涌水量预测，计算公式为：
Ft+1＝α*Xt+(1-α)*Ft
其中，Ft+1为下一步长的涌水量预测值，即明日的涌水量预测值，α为平滑常数，Xt为数据积累下的实际涌水量，Ft为每日的涌水量预测值。通常，平滑常数α的取值范围为0.01～0.25，其中，本申请取α为0.1，输入自变量因子为每日涌水量，周期为4，序列步长为1，预测明日的涌水量情况。
获得第一次明日涌水量预测值，如表4所示。
表4第一次明日涌水量预测数据
如表4所示，为第一次明日涌水量预测值的部分数据，其中，真实值为当天的涌水实际数据，预测值为依据指数平滑预测出来的涌水值，预测上限与预测下限为预测出来的上限值与下限值，通过计算均方根误差、平均绝对误差和平均相对误差，得出均方根误差为129.7512，平均绝对误差为66.436，平均相对误差为0.0083。
通过分析可知，平均相对误差较小，平均绝对误差偏大，所以需进行调整减小平均绝对误差。
如图2所示，平均相对误差为0.0083，平均绝对误差为66.436。
S3：计算出井下各个泵房涌水量与总涌水量的占比情况，各个水仓的日液位变化，因为每日涌水速率的变化率也会影响涌水预测值，所以通过给定一个涌水速率变化率一个系数，对预测的第一次明日涌水量进行矫正，作为第二次明日涌水量预测值，在本发明中系数取值为0.02，获得第二次明日涌水量预测值如表5所示。
表5第二次明日涌水量预测数据
通过考虑涌水速率变化率的影响，对预测出来的第一次明日涌水量进行矫正，根据表5的第二次明日涌水量预测数据显示，由于近三天的涌水速率变化率过小，所以通过矫正得到的第二次明日预测值没有变化，在各阶段的时间中，涌水速率发生变化时，可对涌水量预测进行矫正。
梯度提升树回归算法GBDT(Gradient Boosting Decision Tree)是一种常用的机器学习算法，主要用于回归和分类问题。它通过组合多个决策树模型来建立一个强大的预测模型。GBDT具有很高的预测准确性，在各种机器学习竞赛和实际应用中都表现出色。对于缺失值和异常值具有一定的鲁棒性，不容易被极端值影响，能够处理高维稀疏数据。可以通过特征重要性评估，选择对预测结果影响较大的特征，提高模型的解释能力和泛化能力。GBDT中的每个决策树都是基于可解释的特征进行构建的，因此GBDT具有很好的可解释性，能够帮助我们理解数据和预测结果之间的关系。
本发明使用两次梯度提升树回归算法进行涌水量预测。
使用梯度提升树回归算法进行第一次涌水量预测，包括以下步骤：
分别选取井下中央泵房、井下一号采区清水泵房、井下一号采区污水泵房、井下二号采区污水泵房的涌水量进行单独分析；
以选取的每个泵房的每日排水量、涌水速率、日水仓液位变化、前一日涌水量、第一次明日涌水量预测值、第二次明日涌水量预测值为自变量因子；
以各个泵房的涌水量预测为因变量因子；
使用梯度提升树回归算法分别预测选取的每个泵房的涌水量预测值，分别作为井下中央泵房涌水量预测值、采区一号采区清水泵房涌水量预测值、采区一号采区污水泵房涌水量预测值、采区二号采区泵房污水泵涌水量预测值；
其中，梯度提升树回归算法包括以下计算步骤：
初始化此时g0(x)是一棵只有根节点的树；
迭代建立m棵决策树，以训练数据集x∈RK,y∈R作为输入；计算损失函数的负梯度在当前模型的值/>其中，m＝20，t＝1,2,...,N，N为迭代次数，并将它作为残差的估计值；
对rmt进行拟合，得到第m棵树的叶节点区域Rmj，j＝1,2,...,J，其中，J为叶子节点个数；对每个叶子节点循环；
利用线性搜索估计叶节点区域的值使损失函数极小化，更新/>其中j＝1,2,...,J，Rmj表示第m棵树的叶节点区域；
Gm(x)即为最终的模型。
以各个泵房的每日的涌水量数据作为训练集训练模型，其中，迭代步长为0.1，最大深度为5，最大份数32，决策树个数为20，预测中央泵房示例结果，如表6所示。
表6中央泵房涌水量预测数据
如表6所示，为中央泵房涌水量预测数据的部分数据，通过使用梯度提升树回归算法对中央泵房的涌水量预测，其中，真实值为中央泵房实际涌水量值，预测值为中央泵房预测出来的值，均方根误差为41.6439，平均绝对误差为32.1247，平均相对误差0.0695，通过分析可知，平均相对误差偏大，平均绝对误差较相比单一指数平滑法预测有所减小。
如图3所示，平均相对误差为0.0695，平均绝对误差为32.1247。
S4：使用梯度提升树回归算法进行第二次涌水量预测，包括以下步骤：
以井下各个泵房的每日排水量、涌水速率、日水仓液位变化、前一日涌水量、第一次明日涌水量预测值、第二次明日涌水量预测值以及中央泵房涌水量预测值、井下一号采区清水泵涌水量预测值、井下一号采区污水泵涌水量预测值、井下二号采区泵房污水泵涌水量预测值作为自变量因子；
以涌水量预测值为因变量因子；
使用梯度提升树回归算法对井下各个泵房的涌水量进行二次涌水量预测，获得井下各个泵房的最终涌水量预测值。
以井下各个泵房的每日排水量、涌水速率、日水仓液位变化、第一次明日涌水量预测值、第二次明日涌水量预测值、前一日涌水量以及获得选取的各个泵房涌水量预测值数据作为训练集，使用梯度提升数回归算法预测出最终涌水量，其中迭代步长为0.1，最大深度为5，最大份数32，决策树个数为20，预测示例结果如表7所示。
表7最终的井下涌水量预测数据
如表7所示，为井下各个泵房的最终涌水量预测数据的部分数据，通过叠加使用梯度提升树回归算法，预测出最终的全矿涌水量，其中，最终预测出来的均方根误差为39.2095，平均相对误差为0.0039，平均绝对误差为30.6189。
相比指数平滑预测出来的误差与单一使用梯度提升树回归算法，叠加使用后的算法预测的结果均方根误差、平均相对误差、平均绝对误差都有明显的减小。
如图4所示，平均相对误差为0.0039，平均绝对误差为30.6189。
S5：根据井下各个泵房的最终涌水量预测值与各个泵房的各水泵性能参数，分析计算获得每个泵房的水泵开泵时长预测值及开泵耗能预测值，预测结果如表8-10所示。
表8中央泵房水泵开泵时长预测值及开泵耗能预测值
如表8所示，为中央泵房水泵开泵时长预测值及开泵耗能预测值的部分数据，通过最终预测出来的中央泵房的涌水量预测值、中央泵房的涌水量与总涌水量的占比以及中央泵房各水泵性能，对中央泵房各个水泵的开泵时长预测与耗电情况进行评估。
表9采区一号泵房污水泵开泵时长预测值及开泵耗能预测值
如表9所示，为采区一号泵房污水泵开泵时长预测值及开泵耗能预测值的部分数据，通过最终预测出来的涌水量、采区一号泵房污水泵涌水占比以及采区一号泵房污水泵各水泵性能，对采区一号泵房污水泵各个水泵的开泵时长预测与耗电情况进行评估。
如表10所示，为采区一号泵房清水泵开泵时长预测值及开泵耗能预测值的部分数据，通过最终预测出来的涌水量、采区一号泵房清水泵涌水占比以及采区一号泵房清水泵各水泵性能，对采区一号泵房清水泵各个水泵的开泵时长预测与耗电情况进行评估。
表10采区一号泵房清水泵开泵时长预测值及开泵耗能预测值
根据上述预测数据分析可知，煤矿井下的大部分涌水都汇入到各个井下泵房中，所以通过自动化系统采集的井下泵房的每日排水量、涌水速率以及水仓液位参数能够代替需要专业人员定期手动的测量采集含水层厚、引用半径、影响半径、渗透系数、采掘深度等参数来计算涌水量。
采用一次指数平滑法和两次梯度提升树回归算法，增加多个自变量参数预测涌水量，提高了涌水量的预测精准度，使得R方值为0.9995。通过对明日涌水量的精准预测，结合水泵性能参数，对各个泵房水泵的开泵时长与能耗进行预测，进而能够准确实现对每日水泵的开泵计划进行评估。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
另外，除非另有说明，否则本发明使用的所有技术和科学术语具有本发明所属领域的常规技术人员通常理解的相同含义。本说明书中提到的所有文献通过引用并入，用以公开和描述与所述文献相关的方法。在与任何并入的文献冲突时，以本说明书的内容为准。

Claims (9)

1.一种煤矿井下涌水量预测方法，其特征在于，包括以下步骤：
根据待预测的井下各个泵房的每日排水量、水仓液位、以及涌水速率，计算每日的井下各个泵房的涌水量、日水仓液位变化、涌水速率变化及各个泵房的涌水量与总涌水量的占比；
依据每日的井下各个泵房的涌水量，使用一次指数平滑算法进行第一次明日涌水量预测，获得第一次明日涌水量预测值；根据每日的涌水速率变化、日水仓液位变化及各个泵房的涌水量与总涌水量的占比，对获得的第一次明日涌水量预测值进行矫正，作为第二次明日涌水量预测值；
根据井下各个泵房的每日排水量、日水仓液位变化、涌水速率、前一日涌水量、第一次明日涌水量预测值、第二次明日涌水量预测值，对选取的泵房的涌水量进行单独分析，确定自变量因子和因变量因子，使用梯度提升树回归算法进行涌水量预测，对应获得选取的各个泵房涌水量预测值；
根据井下各个泵房的每日排水量、涌水速率、日水仓液位变化、前一日涌水量、第一次明日涌水量预测值、第二次明日涌水量预测值以及获得的选取的各个泵房涌水量预测值，使用梯度提升树回归算法，对井下各个泵房的涌水量进行二次涌水量预测，获得井下各个泵房的最终涌水量预测值；
根据获得的井下各个泵房的最终涌水量预测值与各个泵房的各水泵性能参数，分析计算获得每个泵房的水泵开泵时长预测值及开泵耗能预测值。
2.根据权利要求1所述的一种煤矿井下涌水量预测方法，其特征在于，所述计算每日的井下各个泵房的涌水量、日水仓液位变化、涌水速率变化及各个泵房的涌水量与总涌水量的占比包括通过自动化系统采集井下各个泵房的每日排水量、水仓液位、以及涌水速率数据并存入sqlserver数据库中，利用python对采集的数据按照时间序列的顺序进行排序，根据采集来的数据计算出每日的井下各个泵房的涌水量及总涌水量。
3.根据权利要求2所述的一种煤矿井下涌水量预测方法，其特征在于，所述获得第一次明日涌水量预测值的计算公式为：
Ft+1＝α*Xt+(1-α)*Ft
其中，Ft+1为第一次明日的涌水量预测值，α为平滑常数，Xt为数据积累下的实际涌水量，Ft为每日的涌水量预测值。
4.根据权利要求3所述的一种煤矿井下涌水量预测方法，其特征在于，所述平滑常数α的取值范围为0.01～0.25。
5.根据权利要求4所述的一种煤矿井下涌水量预测方法，其特征在于，所述对应获得选取的各个泵房涌水量预测值包括以下步骤：
分别对井下中央泵房、井下一号采区清水泵房、井下一号采区污水泵房、井下二号采区污水泵房的涌水量预测进行单独分析；
以井下中央泵房、井下一号采区清水泵房、井下一号采区污水泵房、井下二号采区污水泵房每个泵房的每日排水量、涌水速率、日水仓液位变化、前一日涌水量、第一次明日涌水量预测值、第二次明日涌水量预测值为自变量因子；
各个泵房的涌水量预测为因变量因子；
使用梯度提升树回归算法分别预测每个泵房的涌水量预测值，分别作为井下中央泵房涌水量预测值、井下一号采区清水泵房涌水量预测值、井下一号采区污水泵房涌水量预测值、井下二号采区泵房污水泵涌水量预测值。
6.根据权利要求5所述的一种煤矿井下涌水量预测方法，其特征在于，所述获得井下各个泵房的最终涌水量预测值包括以下步骤：
以井下各个泵房的每日排水量、涌水速率、日水仓液位变化、前一日涌水量、第一次明日涌水量预测值、第二次明日涌水量预测值以及中央泵房涌水量预测值、井下一号采区清水泵涌水量预测值、井下一号采区污水泵涌水量预测值、井下二号采区泵房污水泵涌水量预测值作为自变量因子；
涌水量预测值为因变量因子；
使用梯度提升树回归算法进行二次涌水量预测，获得井下各个泵房的最终涌水量预测值。
7.根据权利要求6所述的一种煤矿井下涌水量预测方法，其特征在于，所述梯度提升树回归算法包括以下步骤：
初始化此时g0(x)是一棵只有根节点的树；
迭代建立m棵决策树，以训练数据集作为输入；计算损失函数的负梯度在当前模型的值/>其中，t＝1,2,...,N，N为迭代次数，并将它作为残差的估计值；
对rmt进行拟合，得到第m棵树的叶节点区域Rmj，j＝1,2,...,J，其中，J为叶子节点个数；对每个叶子节点循环；
利用线性搜索估计叶节点区域的值使损失函数极小化，更新/>其中j＝1,2,...,J，Rmj表示第m棵树的叶节点区域；
Gm(x)即为最终的模型；
以各个泵房的每日的涌水量数据作为训练集训练模型。
8.根据权利要求7所述的一种煤矿井下涌水量预测方法，其特征在于，所述梯度提升树回归算法中的决策树个数m为20。
9.根据权利要求8所述的一种煤矿井下涌水量预测方法，其特征在于，所述使用梯度提升树回归算法进行二次涌水量预测的训练集为井下各个泵房的每日排水量、涌水速率、日水仓液位变化、第一次明日涌水量预测值、第二次明日涌水量预测值、前一日涌水量以及获得的选取的各个泵房涌水量预测值。
CN202310992184.3A 2023-08-08 2023-08-08 一种煤矿井下涌水量预测方法 Pending CN117010280A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310992184.3A CN117010280A (zh) 2023-08-08 2023-08-08 一种煤矿井下涌水量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310992184.3A CN117010280A (zh) 2023-08-08 2023-08-08 一种煤矿井下涌水量预测方法

Publications (1)

Publication Number Publication Date
CN117010280A true CN117010280A (zh) 2023-11-07

Family

ID=88565211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310992184.3A Pending CN117010280A (zh) 2023-08-08 2023-08-08 一种煤矿井下涌水量预测方法

Country Status (1)

Country Link
CN (1) CN117010280A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105352556A (zh) * 2015-11-23 2016-02-24 张金震 利用动态流量数据快速预测最大涌水量的方法
CN113240211A (zh) * 2021-07-09 2021-08-10 深圳市格云宏邦环保科技有限公司 废水排放预测方法、装置、计算机设备和存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105352556A (zh) * 2015-11-23 2016-02-24 张金震 利用动态流量数据快速预测最大涌水量的方法
CN113240211A (zh) * 2021-07-09 2021-08-10 深圳市格云宏邦环保科技有限公司 废水排放预测方法、装置、计算机设备和存储介质

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
吴文臻;: "矿井多水平协同排水控制系统设计", 煤炭技术, no. 06, 10 June 2016 (2016-06-10) *
姚向新;李晓彤;: "基于涌出量预测的矿井自动排水系统设计", 价值工程, no. 01, 8 January 2015 (2015-01-08) *
曹丁涛;: "指数平滑法在矿坑涌水量预测中的应用", 勘察科学技术, no. 04, 30 April 1991 (1991-04-30) *
李建华;窦凤金;: "复杂条件下工作面涌水量预测及排水系统优化研究", 煤矿机械, no. 01, 15 January 2017 (2017-01-15) *
王永庆;冯仲宁;刘意立;梁军平;: "基于地质统计学的岩溶隧道工作面涌水量预测研究", 铁道勘察, no. 05, 15 October 2016 (2016-10-15) *
苏蓉昊;: "KJ402矿井监控系统在煤矿水位监测中的应用", 科技信息, no. 23, 15 August 2013 (2013-08-15) *
郑维;左昌群;吴盼盼;李睿哲;余莉;: "大坪山隧道涌水原因分析及涌水量预测研究", 中外公路, no. 06, 31 December 2014 (2014-12-31) *

Similar Documents

Publication Publication Date Title
Bakker et al. A fully adaptive forecasting model for short-term drinking water demand
CN112418491B (zh) 一种水库剩余拦沙库容动态配置方法
CN102426674A (zh) 一种基于马尔科夫链的电力系统负荷预测方法
CN109086951B (zh) 一种计及城市发展程度的多阶段空间负荷预测方法
CN102509173A (zh) 一种基于马尔科夫链的电力系统负荷准确预测方法
CN113221439B (zh) 一种基于bp神经网络的排水系统实时率定与动态预测方法
CN111598724B (zh) 一种中小水库入库流量日前预测的分时段集成方法
CN115310536A (zh) 基于神经网络和gcn深度学习模型的水库水位预测预警方法
CN115310532A (zh) 一种基于时空关联混合深度学习模型的流域多点预测预警方法
CN109523077B (zh) 一种风电功率预测方法
CN117236673B (zh) 城市水网多尺度防洪排涝联合优化调度方法和系统
CN117010280A (zh) 一种煤矿井下涌水量预测方法
CN111815043B (zh) 一种基于暴雨特征的洪水流量预测方法及系统
CN109214610A (zh) 一种基于长短期记忆神经网络的饱和电力负荷预测方法
CN109345021A (zh) 一种采用lstm建模预测劳动力需求增量的方法
CN108154263B (zh) 自然水资源的监控预测方法
KR100430219B1 (ko) 상수도 시스템의 용수 수요 예측 방법
CN112801388B (zh) 一种基于非线性时间序列算法的电力负荷预测方法及系统
CN115358587A (zh) 区域多部门协同的基础设施规划方法及系统
CN113190535B (zh) 一种基于改进灰色-长短期记忆神经网络组合模型的瓦斯浓度预测方法
CN114462688A (zh) 一种基于lstm模型和动态阈值确定算法的爆管检测方法
CN113887049A (zh) 一种基于机器学习的石油钻井的钻速预测方法及系统
CN112052999A (zh) 一种基于熵权topsis模型的页岩气开发生态承载力评价方法
CN116976146B (zh) 耦合物理驱动和数据驱动的压裂井产量预测方法与系统
CN108776850A (zh) 一种森林蓄积量的精确预估方法

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