小波-极限学习机在瓦斯涌出量时变序列预测中的应用

发布时间：2021-04-27 03:20

　　针对煤矿瓦斯涌出量预测中经常出现变量难以获取等问题,为了提高瓦斯涌出量的预测精度和可靠性,提出将小波包分解方法与极限学习机相结合,构建瓦斯涌出量的小波-极限学习机时变预测模型。首先,通过小波包分解重构将瓦斯涌出量时变序列分解成高、低频率不同的分量,然后采用极限学习机对小波包分解重构后的时间序列进行预测,再叠加预测值,得到最终的预测结果。以山西天池煤矿某工作面瓦斯涌出量监测时序样本为例,为体现模型的优越性,设置2个对照模型,即小波-BP模型和未经小波处理的极限学习机模型。结果表明:该模型预测相对误差为0.42%～10.45%,平均相对误差仅为2.50%,小波-BP模型的预测相对误差为0.33%～7.33%,平均相对误差为3.42%,未经小波处理的极限学习机模型的预测相对误差为1.59%～13.09%,平均相对误差为4.25%,小波-极限学习机模型的预测精度和泛化能力均高于对照模型;小波包分解重构方法的引入能有效降低数据复杂度,大幅度提高预测精度,为瓦斯涌出量时变序列的预测提供了新的思路。 

【文章来源】：西安科技大学学报. 2020,40(05)北大核心

【文章页数】：7 页

【文章目录】：
0 引 言
1 小波-极限学习机预测理论
    1.1 小波包分解重构
    1.2 极限学习机原理
2 小波-极限学习机预测方法及实现
3 应用与分析
4 结 论


【参考文献】：
期刊论文
[1]因子分析法与BP神经网络耦合模型对回采工作面瓦斯涌出量预测[J]. 徐刚,王磊,金洪伟,刘沛东.  西安科技大学学报. 2019(06)
[2]基于小波包分解的BP神经网络的短期风速预测[J]. 王宁,罗汝斌,廖俊,李珺,蒋祎,杨泽川,袁俊杰.  控制与信息技术. 2019(04)
[3]基于IGSA-BP网络的瓦斯涌出量预测模型[J]. 徐耀松,齐翠玉,丰胜成.  电子测量与仪器学报. 2019(05)
[4]2013—2017年全国煤矿事故统计分析及对策[J]. 蒋星星,李春香.  煤炭工程. 2019(01)
[5]新信息优先原则下矿井回采工作面瓦斯涌出量的MUBGM（1,1）-Markov预测[J]. 田水承,杨雪健,赵娜英,王敏.  西安科技大学学报. 2017(06)
[6]瓦斯涌出量的AFSA-ELM预测模型[J]. 温廷新,孙雪.  辽宁工程技术大学学报(自然科学版). 2017(11)
[7]基于因子分析法的瓦斯涌出量预测指标选取[J]. 李树刚,马彦阳,林海飞,潘红宇,赵鹏翔.  西安科技大学学报. 2017(04)
[8]基于小波分析的煤矿瓦斯涌出量灰色预测模型[J]. 郭长娜,王洋洋,吴北平.  计算机系统应用. 2015(03)
[9]基于ACC-ENN算法的煤矿瓦斯涌出量动态预测模型研究[J]. 付华,谢森,徐耀松,陈子春.  煤炭学报. 2014(07)
[10]基于SPSS多元回归分析的回采工作面瓦斯涌出量预测[J]. 毕建武,贾进章,刘丹.  安全与环境学报. 2013(05)

硕士论文
[1]基于小波包分解和希尔伯特黄变换的滚动轴承故障诊断[D]. 熊星.中国科学技术大学 2014



本文编号：3162661