矿井瓦斯涌出量的灰色小波神经网络预测模型.doc

矿井瓦斯涌出量的灰色小波神经网络预测模型 谷松1，张振文2，李国军3 1．辽宁地质工程职业学院，辽宁丹东118008；2．辽宁工程技术大学，辽宁阜新123000； 3．宁波工程学院，宁波315016 摘要矿井瓦斯涌出量预测一直是煤矿生产过程中倍受关注的问题。它受众多因素的影响，而各因素之间的非线性关系错综复杂。近年来，许多的学者利用人工神经网络对非线性的对象建模预测，但是存在收敛速度慢，易陷入局部极小等缺点。本文将灰色理论引入小波神经网络模型中，其中灰色模型利用累加生成的新数据建模，突出趋势项影响，小波神经网络通过灰色模型的预测结果进行再预测，使得小波神经网络的非线性激励函数更加易于逼近，减小周期和随机成分，提高了涌出量预测精度，表明了该模型可靠性。 关键词矿井瓦斯；预测模型；灰色理论；小波神经网络 中图分类号TD712 文献标识码A 文章编号10088725200910012303 Forecasting of Grey Theory and Wavelet Neural Network for Mine Gas Gushing GU Song1，ZHANG Zhenwen2，LI Guojun2 1．Liaoning Geology Engineering Vocational College，Dandong 118008，China；2．Liaoning Technical University，Fuxin 123000，China；3．Ningbo University of Technology，Ningbo 315016，China AbstractForecasting for mine gas gushing that has been affected various factors is always a problems in producing process．In recently years，built model that exists slow speed of convergence and easy to fall into local minima has forecasted for nonlinear object based on artificial neural network by many scholars．In this paper a novel predicting model with GM and WNN is established by introducing grey theory into a wavelet neural net．work．The gray model using the new data generated cumulative highlights tendency influence．A wavelet neural network makes nonlinear inspired function easy to approach and reduces the cycle and random components，through forecasting again with the prediction result from grey model．Both of the subsequent training and the examination show that the forecasting model is reliable and improve the precision in the forecasting． Key wordsmine gas；forecasting model；grey theory；wavelet neural network 0 引言 长期以来，对于矿井瓦斯涌出量的检测无法做到提前预测预报。如果能通过采集到的数据信息，提取有关参数的状态特征，在瓦斯突出和瓦斯体积分数超限之前得到预报，就可以适时、合理地采取措施，预防瓦斯事故的发生，为矿井的安全生产提供可靠的保障。因此，准确地预测矿井瓦斯涌出量对预防矿井瓦斯突出、瓦斯积聚超限和发生瓦斯爆炸等煤矿恶性事故，具有重要意义。 瓦斯涌出量受煤层深度、煤层厚度、煤层瓦斯含量、煤层间距、开采方式、开采强度等各种因素的影响，具有高度的非线性。对瓦斯涌出量的预测，通常采用的方法是灰色GM1，1建模，由于灰色预测方法不可避免地存在误差，在某些特定情况下误差还可能比较大。为了更大程度上降低预测误差以及误差带来的影响，经过对监测数据反复的分析试验，将灰色理论引入到收敛速度快、预测精度高的小波神经网络。小波神经网络Wavelet Neural Network是基于小波分析所构造的1种新的神经网络模型，它结合小波变换所具有的良好的高频域时间精度、低频域频率精度的性质和神经网络的自学习功能，因而具有较强的逼近、容错能力，且弥补了传统的数值预测方法中的收敛性及适应性差、和对各种复杂随机因素缺乏内部平衡机制等不足的缺陷。在2者无缝结合的基础上，使得对瓦斯涌出量的预测精度有了很大的提高。 1 灰色预测模型 灰色模型[1-3]引是用时间数据序列建立系统的动态模型；认为一切随机量都是在一定范围内，一定时段上变化的灰色量和灰过程。对于灰色量的处理不是寻求它的统计规律和概率分布，而是将杂乱无章的原始数据列，经过N次累加生成规律性强的累加生成数列建摸，变成比较有规律的时间序列数据，其中GM1，1模型建模方法如下 记原始数据序列有变品为x0 对原始序列作累加生成新序列 灰色建模思想是直接将时间序列转化为微分方程，GM1，1模型的微分方程为 设微分方程系数α和参数u组成的向量为 [α，u]T 按最小二乘法解得 [α，u]T B T B-1 B TYN 其中 通过求解变量分离型微分方程就可求得； 随时间变化的规律预测型，即 原始数据序列的灰色预测模型为 2 灰色小波神经网络组合对瓦斯涌出量的预测 2．1 小波神经网络原理 小波神经网络[4-5]根据离散小波变换原理若φt∈L2R，满足容许性条件 ω为φtFourier变换，φt为基本小波，对φt作伸缩和平移变换，由基本小波生成的离散小波函数为 按照式2得到离散函数族，式中m是伸缩因子，n平移因子。 由小波理论可知，适当选择伸缩平移参数a0，b0，使离散小波函数族{φm,nt}在L2R中满足框架条件1，则对于任意函数f∈L2R，小波函数族φm,n存在小波展开系数Cm,n，可以任意逼近f。 根据以上理论得到以小波基做为隐层的激励函数小波神经网络，其信号表示是通过将所选取的小波基进行线性叠加实现的即3式，其结构如图1所示 2．2组合模型实现方法[6,7] 对原始动态数列建立灰色GM1，1模型，可得到对原始序列数据的预测值，预测值可能会和原始数据有一定的偏差，且多个原始序列之间也将有一定的关联，将这些预测值与实际值之间的偏差关系及序列之间的相互关系综合到小波神经网络模型中考虑，灰色模型形成的预测值作为神经网络的输入样本，把实际值作为目标样本，通过训练使得小波神经网络可模拟序列数据之问与序列之间的关系，并利用小波神经网络的函数逼近特性，实现预测值和实际值的最佳拟合。灰色小波神经网络组合模型工作过程如图2所示 3实例应用 以晓南矿4煤层[8]为例，根据晓南矿14煤层的特点和该地区的地质特征得出影响煤层瓦斯涌出量的因素有煤层结构、煤的变质程度、煤的埋藏深度、煤层厚度、煤的挥发分含量、灰分含量、瓦斯含量、构造特征、顶底板泥砂等等。在采取的15组数据中，取3～7、10～14作为训练样本如表1，1、2、8、9、15做为验证数据。小波神经网络的输入层7个节点，隐含层10个节点，输出层1个节点，7个样本特征值作为输入数据，输出为瓦斯涌出量的实测值。网络训练误差下降曲线如图3 通过对1、2、8、9、15号验证样本的煤层瓦斯涌出量实测值和预测值进行比较，如表3，可以看出用该方法对煤层瓦斯涌出量进行预测的相对误差不到0.01，结果表明灰色小波神经网络模型能够对未开采煤层的瓦斯涌出量作出准确判断，说明建立的预测模型是合理、可行的。 4结论 1灰色系统理论方法在小波神经网络中的引入，形成了极强的互补性。得到1种极佳的函数逼近能力的预测模型，该预测模型能够达到最佳的逼近效果，体现出小波变换良好的时频局域变化性质与传统神经网络的自学习功能，从而达到最优拟合，有效提高预测精度。 2利用灰色小波神经网络建立的瓦斯含量预测模型，克服了传统的数学计算方法精确建模和求解2方面的困难，它不受井下条件和时问的限制，模型精度高，从而可实现对瓦斯涌出量的准确和动态预测。 参考文献 [1]刘思峰，党耀国，方志耕，等．灰色系统理论及其应用[M]．3版．北京科学出版社，2005． [2]梁东英．基于灰色模型的不同开采强度矿井瓦斯涌出量的预测[J]．能源技术与管理，2005，3． [3]王学萌，张继忠，王荣．灰色系统分析及实用计算程序[M]．武汉华中科技大学出版社，2001． [4]李银国，张帮礼，营长修．小波神经网络及其结构设计方法模式识别与人工智能[J]．1997，m3197205． [5]Zhang Q，Benveniste A．Wavelet Netwolks[J]．1EEE Trans Neural Networks，1992，36889898． [6]王会青，王婷，谷志红．基于灰色神经网络法的高负荷预测[J]．华东电力，2005，3341113． [7]陈淑燕，王炜．交通量的灰色神经网络预测方法[J]．东南大学学报自然科学版，2004，344541543． [8]张振文，高永利，代风红，等．影响未开采煤层瓦斯含量的地质因素定量分析以铁法盆地晓南矿14煤层为例[J]．现代地质，2007，213950955．