基于PSO-Adam-GRU的煤矿瓦斯浓度预测模型

发布时间：2022-12-08 20:16

　　煤矿瓦斯浓度的精准预测是矿井瓦斯防治的关键。为了准确可靠地预测工作面瓦斯浓度,提出了一种基于门控循环单元方法的工作面瓦斯浓度预测模型。采用邻近均值法对数据缺失值和异常值进行补全,采用MinMaxScaler方法对实验数据进行归一化处理,为了提高模型精度和稳定性,采用粒子群算法和Adam算法对GRU超参数进行优化,从而构建了基于PSO-Adam-GRU的工作面瓦斯浓度预测模型。以崔家沟煤矿生产监测数据为样本数据进行模型训练,采用平均绝对误差、均方根误差、运行时间3种评价指标对预测模型性能进行评估,并将预测结果与BPNN和LSTM进行对比。结果表明:PSO-Adam-GRU较BPNN和LSTM具有更高的精度和稳定性,在预测过程中MAE可降低到0.058,RMSE可降低到0.005.结果表明,基于PSO-Adam-GRU的瓦斯浓度预测模型和参数优选方法可有效预测出瓦斯浓度,该模型在瓦斯浓度时间序列预测方面具有更高的准确性和鲁棒性,可为矿井瓦斯治理提供一定指导意见。 

【文章页数】：6 页

【文章目录】：
0 引 言
1 理论与建模
    1.1 门控循环单元
    1.2 粒子群优化算法
    1.3 工作面瓦斯浓度预测模型构建
2 数据预处理
3 结果与分析
    3.1 评价指标
    3.2 模型对比分析
4 结 论


【参考文献】：
期刊论文
[1]基于双向门控循环单元的3D人体运动预测[J]. 桑海峰,陈紫珍.  电子与信息学报. 2019(09)
[2]基于双向GRU和注意力机制模型的人体动作预测[J]. 桑海峰,陈紫珍,何大阔.  计算机辅助设计与图形学学报. 2019(07)
[3]基于遗传算法和粒子群优化的模糊PID控制器在双星感应电机直接转矩控制中的应用（英文）[J]. BOUKHALFA Ghoulemallah,BELKACEM Sebti,CHIKHI Abdesselem,BENAGGOUNE Said.  Journal of Central South University. 2019(07)
[4]基于GRU-NN模型的短期负荷预测方法[J]. 王增平,赵兵,纪维佳,高欣,李晓兵.  电力系统自动化. 2019(05)
[5]基于深度门控循环单元神经网络的短期风功率预测模型[J]. 牛哲文,余泽远,李波,唐文虎.  电力自动化设备. 2018(05)
[6]深度学习耦合粒子群优化SVM的瓦斯浓度预测[J]. 钱建生,邱春荣,李紫阳,吴响.  煤矿安全. 2016(11)
[7]基于ACPSO的PSR-MK-LSSVM瓦斯浓度动态预测方法[J]. 付华,代巍.  传感技术学报. 2016(06)
[8]基于多元分布滞后模型的瓦斯浓度动态预测[J]. 杨丽,刘晖,毛善君,施超.  中国矿业大学学报. 2016(03)
[9]基于遗传算法优化BP神经网络的瓦斯浓度预测研究[J]. 刘奕君,赵强,郝文利.  矿业安全与环保. 2015(02)
[10]基于插值梯形模糊信息粒化的瓦斯浓度趋势预测[J]. 吴兆法,吴响,钱建生.  工矿自动化. 2014(12)



本文编号：3714066