Dynamic prediction of gas concentration based on time series
-
摘要: 现有瓦斯浓度预测方法只能实现瓦斯浓度的静态预测，不能随着瓦斯数据的累积而及时更新，从而导致预测结果不具有及时性。 针对该问题，提出了一种基于时间序列的瓦斯浓度动态预测方法。利用小波分解技术的多分辨率特性，将瓦斯浓度时间序列分解到不同尺度上，使时间序列平稳化；通过实时动态构建的自回归滑动平均（ARMA）模型，利用过去瓦斯浓度变化趋势预测未来一段时间的矿井瓦斯浓度值，得到时间序列预测结果；为提高瓦斯浓度预测精度，将ARMA模型的预测结果与矿井环境参数输入到训练好的BP神经网络模型中，通过BP神经网络模型对预测结果进行修正，从而获得最终的瓦斯浓度预测值。测试结果表明，该方法可对矿井瓦斯浓度进行准确预测，瓦斯体积分数预测平均相对误差从8%降低到了5%。Abstract: Existing gas concentration prediction methods could only achieve static gas concentration prediction, could not update with accumulation of gas data, as a result, the prediction results were not timeliness. In view of the above problem, a dynamic prediction method of gas concentration based on time series was proposed. Firstly, the method uses multi-resolution characteristic of wavelet decomposition technique to decompose the gas concentration time series to different scales to make the time series smooth. Then it adopts auto regressive and moving average(ARMA) model constructed by real-time and dynamic data to predict mine gas concentration in the future time by use of gas concentration change trend in the past time, so as to obtain time series prediction results. Finally, in order to improve the accuracy of the gas concentration prediction, the prediction results of the ARMA model and mine environment parameters are input into the trained BP neural network model, and the prediction results are corrected by the BP neural network model, so as to obtain final gas concentration prediction value. The test results show that the method can accurately predict the mine gas concentration, and the average relative error of gas concentration prediction is reduced from 8% to 5%.
-
-
期刊类型引用(13)
1. 王德忠，朱国宏，王禹，王神虎. 基于GA-LSTM的综采面瓦斯浓度预测模型. 煤炭技术. 2023(01): 219-221 . 
百度学术
2. 张沛泓，李殿维，张喜乐. 基于变分模态分解的瓦斯浓度多尺度组合预测. 辽宁工程技术大学学报(自然科学版). 2023(01): 18-24 . 百度学术
3. 曹梅，杨超宇. 基于小波的CNN-LSTM-Attention瓦斯预测模型研究. 中国安全生产科学技术. 2023(09): 69-75 . 百度学术
4. 曹梅，杨超宇. 基于双向长短期记忆网络的煤矿瓦斯浓度预测. 绥化学院学报. 2023(12): 156-160 . 百度学术
5. 刘超，雷晨，李树刚，薛俊华，张超. 基于CNN-GRU的瓦斯浓度预测模型及应用. 中国安全生产科学技术. 2022(09): 62-68 . 百度学术
6. 谢谦，董立红，吴雪菲. 基于多源数据融合的煤矿工作面瓦斯浓度预测. 中国安全生产科学技术. 2022(11): 71-76 . 百度学术
7. 张震，朱权洁，李青松，刘衍，张尔辉，赵庆民，秦续峰. 基于Keras长短时记忆网络的矿井瓦斯浓度预测研究. 安全与环境工程. 2021(01): 61-67+78 . 百度学术
8. 周云飞，孟秀峰，赵庆珍，王金策，翟志伟，黄少青. 回采工作面瓦斯运移数值模拟及预警模型. 煤炭技术. 2021(12): 126-129 . 百度学术
9. 任晓东. 瓦斯浓度预测预警模型在潞宁矿的应用研究. 煤矿现代化. 2020(02): 47-49 . 百度学术
10. 李栋，孙振明，李梅，侯运炳，毛善君，牛永寿. 基于混沌粒子群的AWLSSVM瓦斯预测研究. 煤矿安全. 2020(08): 193-198+205 . 百度学术
11. 赵美成，贺安民，屈世甲. 综采工作面瓦斯数据时间序列预测方法研究. 工矿自动化. 2019(06): 80-85 . 本站查看
12. 高意义，张磊，王智鹏. 基于PSO-SVR的多因素瓦斯浓度预测. 科学技术创新. 2019(19): 20-21 . 百度学术
13. 吴海波，施式亮，念其锋. 基于Isomap+SVR的瓦斯浓度预测方法. 矿业工程研究. 2019(02): 51-54 . 百度学术
其他类型引用(15)
计量
- 文章访问数: 120
- HTML全文浏览量: 19
- PDF下载量: 21
- 被引次数: 28
下载:
