基于wt-kpca-svr耦合模型的瓦斯涌出量预测方法
【技术领域】
[0001] 本发明涉及煤矿井下瓦斯涌出量的预测方法，特别是一种基于小波变换（WT)-核 主成分分析（KPCA)-支持向量机回归（SVR)耦合模型的瓦斯涌出量预测方法。
【背景技术】
[0002] 瓦斯灾害是煤矿安全生产的重大隐患之一，随着我国矿井采掘深度和强度的不断 加大，瓦斯问题日益严重，瓦斯灾害的治理也越来越成为煤矿灾害防治的重点之一，准确可 靠地预测回采工作面瓦斯涌出量，对于保证矿井安全高效生产和经济效益具有重要意义。
[0003]目前，国内外许多学者在瓦斯涌出量预测的研宄过程中，提出了许多方法，大致可 分为两类：一类是线性模型，如分源预测法、主成分回归分析法、统计法等；另一类是基于 非线性组合的预测模型，如人工神经网络法、混沌预测法、支持向量机法、模糊数学以及极 速学习机法等；这些方法各有优点且对瓦斯涌出量预测起到了一定的促进作用。但是瓦斯 涌出量主要受地质条件、开采条件、煤层条件等因素的影响，是一个影响因素繁多的非线性 复杂系统，而且各因素之间的界限并不明确，也会相互制约、相互作用。然而在采掘过程中， 影响瓦斯涌出量的影响因素处于不断变化之中，使得工作面瓦斯涌出量存在非常大的不确 定性，因此有必要提出一种新的预测方法，既能预测瓦斯涌出量的长期发展趋势和变化波 动强度，又能提高预测精度和泛化能力。
【发明内容】
[0004] 本发明的目的是为克服上述现有技术的不足，提供一种基于WT-KPCA-SVR耦合模 型的瓦斯涌出量预测方法，提高瓦斯涌出量预测精度，弥补原有瓦斯涌出量预测缺陷，为煤 矿安全生产提供依据。
[0005] 为实现上述目的，本发明采用下述技术方案：
[0006] 一种基于WT-KPCA-SVR耦合模型的瓦斯涌出量预测方法，包括以下步骤：
[0007] (1)数据准备：采集瓦斯涌出量监测数据及相应的因素；其中，瓦斯涌出量相应的 因素包括煤层厚度、开采层原始瓦斯含量、邻近煤层厚度、煤层倾角、煤层埋深、层间岩性、 煤层与邻近煤层的层间距、工作面长度、采高、日推进进度、邻近煤层原始瓦斯含量、开采强 度和工作面采出率共13个因素；
[0008] (2)利用小波变换提取瓦斯涌出量子序列：利用Mallat算法对瓦斯涌出量监 测数据进行小波分解，分离出趋势项子序列和波动项子序列；小波变换的小波基采用 Daubechies2 小波基；
[0009] (3)利用灰色关联分析法确定各子序列的影响因素，步骤如下：
[0010] ①分别选取瓦斯涌出量趋势项子序列和波动项子序列为母序列^w(O)I瓦斯涌 出量相应的因素为子序列(i= 1，2,t= 1，2, ???，]!);其中i为m个因素的标 号，t为n个样本序号；
[0011] ②对子序列进行无量纲化处理，采用公式如下：
【主权项】
1. 一种基于WT-KPCA-SVR禪合模型的瓦斯涌出量预测方法，其特征是，包括W下步骤： (1) 数据准备；采集瓦斯涌出量监测数据及相应的因素； (2) 利用小波变换提取瓦斯涌出量子序列；利用Mallat算法对瓦斯涌出量监测数据进 行小波分解，分离出趋势项子序列和波动项子序列； (3) 利用灰色关联分析法确定各子序列的影响因素； (4) 对各子序列影响因素进行核主成分降维，重构各子序列的主成分； (5) 建立支持向量机回归模型的样本集；W各子序列的重构主成分与瓦斯涌出量各子 序列值组成样本集，并选取30%的样本作为检验样本，其余的样本作为训练样本； (6) 建立支持向量机回归模型；利用训练样本分别建立趋势项子序列和波动项子序列 的支持向量机回归模型，将两个模型进行合成，得到瓦斯涌出量最终预测模型； (7) 模型精度检验：将检验样本输入建立的支持向量机回归模型，即得瓦斯涌出量的 最终预测值，若预测相对误差< 10%，则建立的模型可靠，可用来预测瓦斯涌出量，若预测 相对误差> 10%，则需重新进行核主成分降维； (8) 模型应用：利用建立的瓦斯涌出量预测模型对瓦斯涌出量进行预测。
2. 根据权利要求1所述的一种基于WT-KPCA-SVR禪合模型的瓦斯涌出量预测方法，其 特征是：所述步骤（1)的瓦斯涌出量相应的因素包括煤层厚度、开采层原始瓦斯含量、邻近 煤层厚度、煤层倾角、煤层埋深、层间岩性、煤层与邻近煤层的层间距、工作面长度、采高、日 推进进度、邻近煤层原始瓦斯含量、开采强度和工作面采出率共13个因素。
3. 根据权利要求1所述的一种基于WT-KPCA-SVR禪合模型的瓦斯涌出量预测方法，其 特征是：所述步骤（2)的小波变换的小波基采用Daubechies2小波基。
4. 根据权利要求1所述的一种基于WT-KPCA-SVR禪合模型的瓦斯涌出量预测方法，其 特征是：所述步骤（3)的利用灰色关联分析法确定各子序列的影响因素，步骤如下： ① 分别选取瓦斯涌出量趋势项子序列和波动项子序列为母序列瓦斯涌出量 相应的因素为子序列(i= 1，2,…，m，t= 1，2,…，n);其中i为m个因素的标号，t为n个样本序号； ② 对子序列进行无量纲化处理，采用公式如下：
⑨计算子序列与母序列之间的关联度，计算公式为：
式中： 4.0(0 =护('.)-'x;"(〇)|;A脚、严护(/)-却'脚|};Amin=呼1 知!|坤i(/)-皆i(〇)|};i= 1，2,…，m;t= 1，2,…，n;C为分辨系数，取0. 2 ; ④优选关联度> 0. 5的因素作为瓦斯涌出量趋势项子序列和波动项子序列的影响因 素。
5. 根据权利要求1所述的一种基于WT-KPCA-SVR禪合模型的瓦斯涌出量预测方法，其 特征是：所述步骤（4)的核主成分降维，步骤如下： ① 将灰色关联分析选取的影响因素数据进行标准化，构成原始数据矩阵A; ② 通过非线性映射9将原始数据矩阵A映射到高维特征空间，并计算出核矩阵K，K= (kp。)…，kpq=K(Xp,X。)，（P,q= 1，2, . . .，1)，1是指标个数；其中非映射函数9的核函数为 局斯径向基函数； ⑨根据方程1Aa=Ka，求取核矩阵K的特征值入A《A1和对应的特 征向量a。a2，...，a1，并通过正交化方法单位正交化特征向量，得到规范化的特征向量a1'，a2'，. . .，a1'； ④按照公^^
选取r个最大特征值A。A2,...，入tW及对应的特征 向量曰'。曰'2，...，曰'r;其中，〇<r<l; ⑥计算原始数据经KPCA降维后所得的特征向量Y=Ka'，其中a'= [曰'i，a' 2，...，a'r]，Y即为降维后的样本数据矩阵。
6. 根据权利要求1所述的一种基于WT-KPCA-SVR禪合模型的瓦斯涌出量预测方法，其 特征在于；所述步骤化）的支持向量机回归模型，核函数选择径向基函数；并利用粒子群优 化算法捜索支持向量机回归模型的最优参数核函数参数0和惩罚因子C。
【专利摘要】本发明公开了一种基于WT-KPCA-SVR耦合模型的瓦斯涌出量预测方法，包括：首先进行数据准备，采集瓦斯涌出量监测数据及相应的因素，利用小波变换提取瓦斯涌出量子序列，分离出趋势项子序列和波动项子序列；利用灰色关联分析法确定各子序列的影响因素，对各子序列影响因素进行核主成分降维，重构各子序列的主成分；然后以各子序列的重构主成分与瓦斯涌出量各子序列值组成样本集，利用训练样本分别建立趋势项子序列和波动项子序列的支持向量机回归模型，将两个模型进行合成，得到瓦斯涌出量最终预测模型，利用检验样本进行模型精度检验，检验合格则可应用模型。本发明设计原理可靠，预测方法简单，预测精度高，预测环境友好。
【IPC分类】G06Q10-04, G06Q50-02
【公开号】CN104794550
【申请号】CN201510242965
【发明人】施龙青, 邱梅, 滕超, 韩进
【申请人】山东科技大学
【公开日】2015年7月22日
【申请日】2015年5月13日