回采工作面瓦斯涌出量耦合预测模型研究

发布时间：2018-10-24 06:58

【摘要】：为准确、快速地预测回采工作面瓦斯涌出量,提出一种基于主成分分析法(PCA)和改进的果蝇算法(MFOA)优化支持向量机(SVM)的回采工作面绝对瓦斯涌出量预测模型。模型首先运用PCA方法对原始数据进行降维处理,消除数据冗余,而后采用改进的果蝇算法对SVM参数进行全局寻优,避免SVM参数的选取对模型预测结果的不利影响,最终建立基于PCA-MFOA-SVM的耦合预测模型,并以实际监测数据为例进行仿真预测。结果表明:该模型预测的平均绝对误差为0.077 5 m3/t,平均相对误差为1.323 7%,与其他模型相比,预测精度高,综合性能好,能够实现回采工作面瓦斯涌出量的动态预测。
[Abstract]:In order to accurately and quickly predict the amount of gas emission in mining face, a prediction model of absolute gas emission in mining face based on principal component analysis (PCA) and improved Drosophila algorithm (MFOA) is proposed, which is optimized by support vector machine (SVM). The model first uses PCA method to reduce the dimension of the original data, eliminates the data redundancy, and then uses the improved Drosophila algorithm to optimize the SVM parameters globally to avoid the adverse effect of the selection of SVM parameters on the model prediction results. Finally, the coupling prediction model based on PCA-MFOA-SVM is established, and the actual monitoring data is taken as an example for simulation prediction. The results show that the average absolute error and average relative error of the model are 0.077 m3 / t and 1.323 7 respectively. Compared with other models, the prediction accuracy is high, the comprehensive performance is good, and the dynamic prediction of gas emission in mining face can be realized.
【作者单位】：辽宁工程技术大学矿业学院;
【基金】：国家自然科学基金项目(No.51004063) 辽宁省高等学校优秀人才支持计划(辽宁省教育厅,No.LJQ2011029)
【分类号】：TD712.5;TP18

【参考文献】

相关期刊论文前10条

1 梁晓珍;宋存义;王依;;唐山矿瓦斯涌出量动态预测模型[J];北京科技大学学报;2012年03期

2 周松林;茆美琴;苏建徽;;基于主成分分析与人工神经网络的风电功率预测[J];电网技术;2011年09期

3 戴宏亮;;小波支持向量回归在瓦斯涌出量预测中的应用[J];计算机工程与应用;2010年07期

4 张少帅;杨胜强;鹿存荣;;基于瓦斯涌出量预测的近距离煤层群开采顺序优化选择[J];中国安全生产科学技术;2011年09期

5 姜文忠;霍中刚;秦玉金;;矿井瓦斯涌出量预测技术[J];煤炭科学技术;2008年06期

6 戴广龙;汪有清;张纯如;李庆明;邵广印;;保护层开采工作面瓦斯涌出量预测[J];煤炭学报;2007年04期

7 何利文;施式亮;宋译;刘影;;回采工作面瓦斯涌出的复杂性及其度量[J];煤炭学报;2008年05期

8 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年01期

9 李胜;宁志勇;朱小强;杨永生;;基于灰色理论预测五阳矿未受采动影响煤层瓦斯含量[J];科技导报;2012年32期

10 韩俊英;刘成忠;;自适应混沌果蝇优化算法[J];计算机应用;2013年05期

【共引文献】

相关期刊论文前10条

1 汪义国;;近距离煤层群被保护层开采瓦斯综合治理技术研究[J];安徽建筑工业学院学报(自然科学版);2010年04期

2 郭德勇;郑茂杰;鞠传磊;郝相龙;;采煤工作面瓦斯涌出量预测逐步回归方法[J];北京科技大学学报;2009年09期

3 廖燃;伍颖;;基于新木桶理论的煤矿瓦斯爆炸控制体系研讨[J];矿业安全与环保;2012年01期

4 李蓓;郭剑波;;平抑风电功率的电池储能系统控制策略[J];电网技术;2012年08期

5 马瑞;康仁;罗斌;徐慧明;何进;;基于改进主成分分析法的火电机组能耗特征识别方法[J];电网技术;2013年05期

6 叶徐静;;基于最小二乘支持向量机的风电功率超短期预测[J];电源学报;2013年02期

7 王岩;梁冰;袁欣鹏;;深孔控制预裂爆破在高硫化氢矿井瓦斯强化抽采中的应用[J];重庆大学学报;2013年05期

8 毕建武;贾进章;刘丹;;基于SPSS多元回归分析的回采工作面瓦斯涌出量预测[J];安全与环境学报;2013年05期

9 满蔚仕;张志禹;郗垒;;基于快速S变换的电能质量主成分分析方法[J];大功率变流技术;2013年06期

10 邸新汉;魏海坤;;基于二维SVM的风力发电功率初步预测网络模型[J];日用电器;2013年12期

【二级参考文献】

相关期刊论文前10条

1 郭德勇;李念友;裴大文;郑登锋;;煤与瓦斯突出预测灰色理论-神经网络方法[J];北京科技大学学报;2007年04期

2 李祥春;聂百胜;何学秋;;振动诱发煤与瓦斯突出的机理[J];北京科技大学学报;2011年02期

3 王丽婕;廖晓钟;高爽;冬雷;;并网型大型风电场风力发电功率-时间序列的混沌属性分析[J];北京理工大学学报;2007年12期

4 王涛;王洋洋;郭长娜;张继华;;QGA-RBF神经网络在矿井瓦斯涌出量预测中的应用[J];传感技术学报;2012年01期

5 吴微,陈维强,刘波;用BP神经网络预测股票市场涨跌[J];大连理工大学学报;2001年01期

6 马昕;郭静;孙啸;;蛋白质中RNA-结合残基预测的随机森林模型[J];东南大学学报(自然科学版);2012年01期

7 范高锋;王伟胜;刘纯;;基于人工神经网络的风电功率短期预测系统[J];电网技术;2008年22期

8 罗海洋;刘天琪;李兴源;;风电场短期风速的混沌预测方法[J];电网技术;2009年09期

9 刘纯;范高锋;王伟胜;戴慧珠;;风电场输出功率的组合预测模型[J];电网技术;2009年13期

10 白永祥;房大中;侯佑华;朱长胜;;内蒙古电网区域风电功率预测系统[J];电网技术;2010年10期

【相似文献】

相关期刊论文前10条

1 李若昕;金明杰;彭超;潘晨亮;李霜;黄和;;主成分分析法在花生四烯酸高产菌株代谢组学研究中的应用[J];食品科学;2008年07期

2 邵祥理;;基于主成分分析法的煤炭上市公司经营业绩评价[J];煤炭工程;2010年02期

3 刘湘云;;基于主成分分析法的橙汁特征指标分类[J];绿色科技;2013年01期

4 董慧茹,董吉源,仲积军,张继斌;电位滴定-主成分分析法同时测定戊二酸、丁二酸和已二酸[J];化学世界;1993年12期

5 柴金艳;主成分分析法在工商合作影响因素研究中的应用[J];中原工学院学报;2004年06期

6 李楠;姜力波;车永才;;主成分分析法在产业过度竞争评价中的应用[J];能源技术与管理;2006年05期

7 郭家祯;益心虹;邱俊永;;主成分分析法在太湖流域水环境可持续性评价中的应用[J];安徽农业科学;2009年32期

8 苏键;陈军;何洁;;主成分分析法及其应用[J];轻工科技;2012年09期

9 殷爱贞;赵世彩;;基于主成分分析法的油气勘探项目效益研究[J];价值工程;2010年02期

10 曹阳;杨洁;张旭;;主成分分析法在热轧吨钢电耗回归预测模型中的应用[J];能源技术;2010年01期