基于HHT-CS-ELM的瓦斯涌出量时序预测
Prediction of Time Series for Gas Emission Quantity Based on HHT-CS-ELM Characteristics
-
摘要: 为有效挖掘瓦斯涌出量监测数据隐含特征，预防瓦斯动力灾害，基于希尔伯特－黄变换（ＨＨＴ）方法、布谷鸟搜索算法（ＣＳ）和极限学习机（ＥＬＭ）基本理论，构建了瓦斯涌出量的ＨＨＴ－ＣＳ－ＥＬＭ动态预测模型。通过ＥＭD将样本序列分解成多个不同频率的本征模态函数（ＩＭＦ）分量；利用Ｈｉｌｂｅｒｔ变换获取各分量的瞬时频率，并据此将ＩＭＦ分量划分成较高频和低频，采用不同的预测模型进行预测，经叠加各预测值得到最终预测结果。以汾西矿业集团某矿瓦斯涌出量监测数据为例进行仿真实验，结果表明：ＨＨＴ方法能有效降低数据复杂度，其最小相对误差为0．144％，最大相对误差为0．388％，平均相对误差为0．281％，具有较高的预测精度和泛化能力；更好地适用于非平稳时间序列预测。Abstract: To effectively excavate the implicit character of gas emission monitoring data, and to prevent the gas dynamical disaster, based on basic principle of Hilbert-Huang transform （ＨＨＴ） method, the cuckoo search （ＣＳ） and extreme learning machine （ＥＬＭ）, the HHT-CS-ELM dynamic prediction model for gas emission quantity was built. The sample series was decomposed into multiple different frequencies intrinsic mode function （ＩＭＦ） by EMD; the instantaneous frequency of each component was obtained by Hilbert transformation, then divided them into higher frequency and lower frequency; different prediction models were used to predict the IMF; the final prediction results were obtained by superimposing each forecast. This paper took the gas emission monitoring data in a coal of Fenxi Mining Industry as an example to carry out simulation experiment. The results show that: the HHT method can effectively reduce the complexity of the monitoring data, and the minimum relative error is 0.144%, the maximum relative error is 0.388%, the average relative error is 0.281%; this model has higher prediction precision and generalization ability; it can be well applied to non-stationary time series prediction.
-
-
[1] 施式亮，李润求，罗文柯．基于ＥＭD－ＰＳＯ－ＳＶＭ的煤矿瓦斯涌出量预测方法及应用[J]．中国安全科学学报，2014，24（7）：43－49. [2] 樊保龙，白春华，李建平．基于ＬＭD－ＳＶＭ的采煤工作面瓦斯涌出量预测[J]．采矿与安全工程学报，2013，30（6）：946－952. [3] 付华，谢森，徐耀松，等．基于ＭＰＳＯ－ＷＬＳ－ＳＶＭ的矿井瓦斯涌出量预测模型研究[J]．中国安全科学学报，2013，23（5）：56－61. [4] 魏春荣，李艳霞，孙建华，等．灰色－分源预测法对煤矿瓦斯涌出量的应用研究[J]．采矿与安全工程学报，2013，30（4）：628－632. [5] 吕伏，梁冰，孙维吉，等．基于主成分回归分析法的回采工作面瓦斯涌出量预测[J]．煤炭学报，2012，37（1）：113－116. [6] 王晓路，刘健，卢建军．基于虚拟状态变量的卡尔曼滤波瓦斯涌出量预测[J]．煤炭学报，2011，36（1）：80. [7] 付华，姜伟，单欣欣．基于耦合算法的煤矿瓦斯涌出量预测模型研究[J]．煤炭学报，2012，37（4）：654－658. [8] 时培明，丁雪娟，李庚，等．一种ＥＭD改进方法及其在旋转机械故障诊断中的应用[J]．振动与冲击，2013，32（4）：185－190. [9] 张淑清，翟欣沛，董璇，等．ＥＭD及Dｕｆｆｉｎｇ振子在小电流系统故障选线方法中的应用[J]．中国电机工程学报，2013，33（10）：161－167. [10] 董丁稳，李树刚，常心坦，等．基于ＨＨＴ方法的矿井瓦斯体积分数预测[J]．中国安全科学学报，2011，21（9）：100－105. [11] 朱志洁，张宏伟．基于ＧＡ－ＥＬＭ的冲击地压危险性预测研究[J]．中国安全生产科学技术，2014，10（8）：46. [12] 李彬，李贻斌．基于ＥＬＭ学习算法的混沌时间序列预测[J]．天津大学学报，2011，44（8）：701－704. [13] 薛浩然，张珂珩，李斌，等．基于布谷鸟算法和支持向量机的变压器故障诊断[J]．电力系统保护与控制，2015，43（8）：8－13. [14] 张永鞲，汪镭，吴启迪．动态适应布谷鸟搜索算法[J]．控制与决策，2014，29（4）：617－622. [15] 明波，黄强，王义民，等．基于改进布谷鸟算法的梯级水库优化调度研究[J]．水利学报，2015，46（3）：341．
计量
- 文章访问数: 278
- HTML全文浏览量: 0
- PDF下载量: 0
下载:
