基于MPSO-WLS-SVM的礦井瓦斯涌出量預(yù)測模型研究

付華，謝森，徐耀松，等

摘要：目的：煤礦瓦斯涌出是導(dǎo)致瓦斯災(zāi)害的主要來源，對礦井瓦斯涌出量進行精準(zhǔn)預(yù)測，并提前采取必要防治措施是預(yù)防瓦斯災(zāi)害的關(guān)鍵?？紤]瓦斯涌出受地質(zhì)構(gòu)造、煤層厚度等自然因素和開采技術(shù)影響，傳統(tǒng)預(yù)測方法在提高預(yù)測精度上存在一定缺陷。本文利用改進粒子群算法（MPSO）對加權(quán)最小二乘支持向量機（WLSSVM）進行優(yōu)化，研究基于改進粒子群算法的加權(quán)最小二乘支持向量機瓦斯涌出量預(yù)測模型。方法：利用基于改進粒子群算法的加權(quán)最小二乘支持向量機模型對瓦斯涌出量進行預(yù)測。首先，考慮瓦斯涌出量預(yù)測是一個受多因素影響的非線性預(yù)測問題，選取煤層瓦斯含量、煤層埋藏深度、煤層厚度、煤層間距、日工作進度和工作面日產(chǎn)量作為加權(quán)最小二乘支持向量機預(yù)測模型的輸入變量。其次，在訓(xùn)練加權(quán)最小二乘支持向量機模型時，需對其正則化參數(shù)和高斯核參數(shù)進行賦值，參數(shù)選擇是否合理直接關(guān)系到預(yù)測模型的預(yù)測精度。因此，利用粒子群算法對加權(quán)最小二乘支持向量機的正則化參數(shù)和高斯核參數(shù)進行優(yōu)化。為了提高優(yōu)化算法全局收斂性和收斂速度，在標(biāo)準(zhǔn)粒子群算法基礎(chǔ)上，增加慣性權(quán)重、收斂因子和約束因子，避免粒子過早陷入局部最優(yōu)，提出改進粒子群算法優(yōu)化加權(quán)最小二乘支持向量機模型參數(shù)。進而，利用基于改進粒子群算法的加權(quán)最小二乘支持向量機模型預(yù)測瓦斯涌出量。結(jié)果：對某礦區(qū)瓦斯涌出量歷史監(jiān)測數(shù)據(jù)進行建模分析和預(yù)測，利用基于標(biāo)準(zhǔn)粒子群算法的加權(quán)最小二乘支持向量機預(yù)測模型進行比較。通過瓦斯涌出量實際值與預(yù)測值對比分析，發(fā)現(xiàn)基于改進粒子群算法的加權(quán)最小二乘支持向量機預(yù)測模型的預(yù)測值更加接近實際值。另外，從優(yōu)化算法的收斂速度曲線可以看出，改進粒子群算法具有較強的收斂能力。其次，利用基于改進粒子群算法的加權(quán)最小二乘支持向量機預(yù)測瓦斯涌出量，其預(yù)測結(jié)果的最大相對誤差為5.99%，最小相對誤差為0.43%，平均相對誤差為2.95%。然而，從基于標(biāo)準(zhǔn)粒子群算法的加權(quán)最小二乘支持向量機的瓦斯涌出量預(yù)測誤差看出，最大相對誤差為8.99%，最小相對誤差為0.41%，平均相對誤差為3.97%。預(yù)測結(jié)果表明，基于改進粒子群算法的加權(quán)最小二乘支持向量機預(yù)測模型具有較高的預(yù)測精度和較好的泛化能力，能夠準(zhǔn)確預(yù)測瓦斯涌出量。結(jié)論：考慮煤礦瓦斯涌出量預(yù)測需求，提出了加權(quán)最小二乘支持向量機預(yù)測模型，對瓦斯涌出量與其影響因素之間的非線性關(guān)系進行逼近。由于加權(quán)最小二乘支持向量機預(yù)測模型的參數(shù)容易影響瓦斯涌出量預(yù)測精度，采用改進粒子群算法優(yōu)化加權(quán)最小二乘支持向量機的正則化參數(shù)和高斯核參數(shù)。所提的瓦斯涌出量預(yù)測模型較其他預(yù)測模型具有較高的預(yù)測精度，能有效實現(xiàn)瓦斯涌出量預(yù)測。

來源出版物：中國安全科學(xué)學(xué)報,2013,23(5)：56-61

入選年份：2017