基于MPSO-CWLS-SVM的瓦斯涌出量预测*

付 华,王馨蕊,杨本臣,王志军,屠乃威,王雨虹,徐耀松

(1.辽宁工程技术大学电气与控制工程学院,辽宁 葫芦岛 125105;2.辽宁工程技术大学创新学院,辽宁 阜新 123000)



基于MPSO-CWLS-SVM的瓦斯涌出量预测*

付 华1*,王馨蕊1,杨本臣1,王志军2,屠乃威1,王雨虹1,徐耀松1

(1.辽宁工程技术大学电气与控制工程学院,辽宁 葫芦岛 125105;2.辽宁工程技术大学创新学院,辽宁 阜新 123000)

针对瓦斯涌出量受多因素影响,传统的预测方法难以建立准确的数学模型,导致预测精度低这一问题。提出一种经改进的粒子群算法(MPSO)优化的基于柯西分布加权的最小二乘支持向量机(CWLS-SVM)算法来预测非线性动态瓦斯涌出量。柯西分布加权的最小二乘支持向量机根据预测误差的统计特性,确定加权规则参数,以达到赋予训练样本不同权值的目的。并用MPSO算法对CWLS-SVM模型的正则化参数λ和高斯核参数σ寻优。利用无线传感器网络采集到的各项历史数据进行实例分析。结果表明,该算法有效的提高了瓦斯涌出量的预测精度,降低了预测误差,为煤矿瓦斯防治提供理论支持。

无线传感网络;瓦斯涌出量预测;加权最小二乘支持向量机(WLS-SVM);柯西分布函数;改进的粒子群算法(MPSO)算法

瓦斯是危害矿井安全生产的重要因素之一[1]。我国煤矿瓦斯灾害严重,由其引起的安全问题占到煤矿生产安全事故的80%以上,其伤亡人数达到特大事故伤亡人数的90%[2]。因此,对矿井瓦斯涌出量进行精确预测,提前采取必要的防治措施是预防煤矿瓦斯灾害的关键[3]。近年来,以无线传感器网络瓦斯监测系统为平台的瓦斯涌出量预测成为当前研究热点,其在对矿井掘进工作面和回采工作面进行相关数据采集,为瓦斯涌出量的预测奠定基础。目前预测瓦斯涌出量有传统的矿山统计法、分源预测法、瓦斯地质数学模型法[4]等线性预测方法,以及灰色系统[5-6]、神经网络预测[7-8]、卡尔曼滤波[9]、主成分回归分析法[10]等非线性预测方法。虽然国内外学者在瓦斯涌出量预测方面做了大量有益的研究,但预测模型的收敛速度,稳定性及预测精度都有待提高。通过大量的研究表明,矿井瓦斯涌出量动态预测在很大程度上取决于所用算法性能的优劣。Suykens等[11]提出了一种最小二乘向量机(LS-SVM)算法是SVM中的一种。与标准SVM相比,其用等式约束代替了不等式约束,其算法可转化为解线性方程组,具有求解速度快的优点[12]。但同时失去了传统SVM的稀疏性和鲁棒性等优点[13]。为了克服LS-SVM丢失鲁棒性的问题,提出了利用柯西分布加权优化LS-SVM,不仅较好地克服了噪声中野点带来的不良影响,而且克服了WLS-SVM在实际过程辨识中建模数据对过程模态的描述不充分和辨识模型的过度拟合等问题。本文将改进的粒子群优化算法与CWLS-SVM结合,建立瓦斯涌出量预测模型,并通过试验来证明模型的有效性。通过优化预测模型中的参数,提高了预测精度,运算速度和稳定性。

1 无线传感器网络井下监测系统

煤矿瓦斯监测系统是集传感器、执行器、控制器和通讯装置于一体,通过无线通信方式形成的一个多跳、自组织网络系统,感知、采集和处理网络覆盖区域中可感知对象的信息。

从图1可以看出,煤矿瓦斯监测系统由通过光纤连接的井上和井下两部分组成。井上为监控系统,由负责接收并存储井下监控系统传输数据信息的服务器和负责访问服务器数据库的监控终端组成。井下数据采集传输系统主要由包括固定节点和移动矿帽节点的无线传感网络节点、串口转以太网交换机、光纤网络构成。无线传感器网络节点通过无线传感网络将采集管辖区域内的瓦斯浓度传输到网关节点。串口转以太网交换机通过光纤网将井下各区域数据传输到井上瓦斯监控平台,经处理后实时显示瓦斯浓度。

在利用无线传感器网络对矿井各采集工作面进行实时监测的同时,本文利用MPSO-CWLS-SVM算法实现对瓦斯涌出量的准确预测,为煤矿瓦斯灾害防治提供理论支持。

2 基于柯西分布加权最小二乘支持向量机

为了克服LS-SVM丢失鲁棒性和稀疏性及WLS-SVM噪声中野点带来不良影响的问题,本文提出用柯西分布加权LS-SVM,转化为WLS-SVM的优化问题。

设给定的输入样本集D={(xi,yi)i=1,2,…,N},输入数据为xi,输出数据为yi,则WLS-SVM的优化问题变为:

(1)

式中:权向量为ω;可调正实数为ωT;权值为vi;偏差量为b;误差变量为ei;非线性映射为φ(x)。对应的拉格朗日函数为:

(2)

其中αi为拉格朗日乘子。

在极值处,分别对ω,b,δ,α求导并令它们等于零,得

(3)

转化为线性系统:

(4)

式中:Z=[φ(x1)T]y1,…,[φ(xN)T]yN,Y=[y1,…,yN]T,L=[1,1,…1]T,δ=[δ1,…δN]T,α=[α1,…,αN],I为单位矩阵。根据优化条件,优化条件转化为:

(5)

(6)

a*=A-1(Y-Ib)

(7)

式中:A=Ω+Vλ。

在统计学中应用较广泛的柯西分布与正态分布相似。设训练样本的预测误差ξi的随机变量概率密度为:

(9)

本文对LS-SVM模型采用高斯核函数K(xi,xj)=exp(‖xi-xj‖2/2σ2),关键参数μ取所有误差的平均值,d则根据所有样本误差的紧密程度来决定。如果预测误差的分布较紧密,则d的取值应偏大;如果预测误差的分布较分散,则d的取值应偏小。μ,d确定以后,可以根据式(8)计算出训练样本的加权值vi,然后由式(6)和式(7)计算出b*,a*的值。因此,确定非线性模型:

(10)

3 MPSO算法原理

设xi=[xi1,…,xiN]为第i个粒子的位置,vi=[vi1,…,viN]为第i个粒子的速度,i=1,2,…,M,M为群体规模。xpi=[xpi1,…,xpiN]为第i个粒子迄今为止搜索到的最优位置。xg=[xg1,…,xgN]为整个粒子群迄今为止搜索到的最优位置。改进的位置与速度更新公式为:

(11)

(12)

ω=ωmax-(ωmax-ωmin)/iiter,maxiiter

(13)

(14)

4 基于MPSO-CWLS-SVM的瓦斯涌出量预测模型

4.1 基于MPSO算法的CWLS-SVM参数优化

由经验给出一组LS-SVM,采用MPSO算法进行优化训练。选择目标值参数进行最优训练,目的得到满意的CWLS-SVM训练模型。

基于MPSO参数优化CWLS-SVM的预测步骤:

第1步:初始化支持向量机的误差惩罚参数和高斯核参数及粒子群算法的种群大小,最大化代数。

第2步:初始化粒子群参数:位置xid,速度vid,加速参数c1和c2,惯性因子ω。

第3步:根据式(15)计算出每个粒子的个体极值(适应度值),即得到该粒子的pid。

(14)

式中:N是训练样本总数;Y1j(t)和Y2j(t)分别为t时刻第i个粒子的目标输出和实际输出;

第4步:对每一粒子的速度和位置进行更新。当当前粒子本身位置适应度值Yfit优于该粒子当前所处的历史最优位置适应度值pid时,则将pid设置为该粒子的位置。当整个粒子群适应度值Yfit优于群体所处的历史最优位置适应度值pgd时,则将pgd设置为该粒子的位置。

第5步:根据MPSO模型更新惯性权重,根据式(10)和式(11)更新粒子当前位置和速度,产生新的粒子群。

第6步:判断是否符合MPSO算法终止条件,通常当pgd达到一定的设定值时终止。

第7步:将最优参数赋值给式(9)所示CWLS-SVM预测模型,得出预测结果。

4.2 基于MPSO-CWLS-SVM的瓦斯涌出量预测

经查阅资料,确定煤层埋藏深度,煤层厚度,煤层瓦斯含量,煤层间距,日进量,日产量为模型输入,瓦斯涌出量为模型输出。采用极差化处理方法,对模型训练的原始数据进行归一化处理,归一化区间为[0.1 0.9]。其数据归一化公式为:

(16)

式中:原始数据为X;原始数据的最小值为Xmin,原始数据的最大值为Xmax;变换后的数据为Y。预测运算完成后,对结果数据进行反归一化处理,反归一化公式为:

(17)

MPSO应用于CWLS-SVM预测模型的具体预测步骤为:第1步:对各个影响模型输入样本的因素按式(16)进行归一化处理;第2步:根据实际值与样本偏差ξi确定加权值vi;第3步:用MPSO算法优化CWLS-SVM的正则化参数λ和高斯核参数σ;第4步:使用训练后的CWLS-SVM模型对测试样本进行预测,将预测结果按式(17)做反归一处理,并计算预测误差。

5 瓦斯涌出量预测实例及分析

选取无线传感器网络采集到的某煤矿回采工作面2014年第1季580组具有代表性的瓦斯涌出量历史监测数据进行建模分析和预测。其中前568组数据用做训练集,后12组用来检验模型的精确程度。用MPSO算法对CWLS-SVM和WLS-SVM两种算法的正则化参数λ和高斯核函数的参数σ进行寻优。对于两种算法λ的寻优范围为[0.01,100],σ的寻优范围为[0.01.500]。CWLS-SVM寻优后的结果λ=23.45,σ=98.57;WLS-SVM寻优后的结果λ=57.56,σ=254.32。通过Matlab用MPSO-CWLS-SVM和MPSO-WLS-SVM两种算法对瓦斯涌出量进行预测,且选定相同的粒子群规模为20,加速因子c1=c2=2.25,最大迭代次数kmax=1 000。

图2为瓦斯涌出量实际值与预测值的对比。从图中可以看出,基于MPSO-CWLS-SVM的瓦斯涌出量预测效果明显优于MPSO-WLS-SVM的预测效果。

图2 瓦斯涌出量预测值与实际值对比

从图3中MPSO-CWLS-SVM的收敛效果图中可以看出,该优化算法具有很强的收敛能力,能将训练误差降至允许误差范围万分之一以下,且两种算法精度在均达到0.000 1时,MPSO-CWLS-SVM和MPSO-WLS-SVM所用时间分别为0.167 s和0.396 s。从图4可以看出,MPSO-CWLS-SVM预测模型最大相对误差为5.85%,最小相对误差为0.43%,平均误差为2.89%而MPSO-WLS-SVM预测模型最大相对误差为8.93%,最小为0.67%,平均相对误差为4.12%。由此可见,基于柯西函数加权的预测模型要比普通函数加权的预测模型预测精度高,泛化能力好,能达到理想的预测效果。

图3 MPSO-CWLS-SVM收敛效果图

图4 预测结果相对误差

6 结论

本文在总结现有的瓦斯涌出量预测算法缺陷的基础上,提出了一种基于柯西分布函数加权的最小二乘支持向量机算法与改进的粒子群算法相结合,形成的MPSO-CWLS-SVM算法,并将该算法应用于时下最流行的无线传感网络井下瓦斯涌出量预测系统中。利用柯西分布加权LS-SVM,即克服了LS-SVM丢失传统SVM稀疏性和鲁棒性的优点,又克服了WLS-SVM在实际辨识中建模数据对过程模态不充分及过拟合的问题。通过对某矿回采工作面的瓦斯涌出量预测的实际结果表明,采用MPSO算法优化的CWLS-SVM,可以提高预测精度,降低预测误差,缩短预测时间,该方法可为煤矿瓦斯的有效防止提供理论依据。

[1] 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,2012,25(1):119-123.

[2]施式亮,宋译,何利文,等. 矿井掘进工作面瓦斯涌出混沌特性判别研究[J]. 煤炭学报,2006,31(6):58-62.

[3]付华,谢森,徐耀松,陈子春. 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]张子戊,袁崇浮. 瓦斯地质数学模型法预测矿井瓦斯涌出量研究[J]. 煤炭学报,1999,24(4):368-372.

[5]刘新喜,赵云胜. 用灰色建模法预测矿井瓦斯涌出量[J]. 中国安全科学学报,2004,104:22-25.

[6]吕贵春,马云东. 矿井瓦斯涌出量预测的灰色建模法[J]. 中国安全科学学报,2004,14(10):22-25.

[7]付华,王福娇,陈子春. 基于分数阶神经网络的瓦斯涌出量预测[J]. 传感器与微系统,2013,32(5):31-34.

[8]朱志杰,张宏伟,韩军,宋卫华,等. 基于PCA-BP神经网络的煤与瓦斯突出预测研究,2013,23(4):45-50.

[9]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):80-85.

[10]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.

[11]付华,邵良杉. 煤矿瓦斯灾害特征挖掘与融合预测[M]. 北京:科学出版社,2011.

[12]Suykens J A K,Van Gestel T,De Brabanter J,et al. Least Squares support vector machines[M]. Singapore:World Scient Hic Publishing Co Pte,2002.

[13]金伟良,袁雪霞. 基于LS-SVM的结构可靠性响应面分析方法[J]. 浙江大学学报,2007,41(1):44-108.

付华(1962-),女,辽宁阜新人,博士(后),教授,博士生导师。主要从事智能检测和数据融合等方面的研究。主持国家自然基金2项、主持及参与国家863和省部级项目30余项,发辫论文50余篇,申请专利24项,fxfuhua@163.com;

王馨蕊(1990-),女,辽宁阜新人,硕士研究生。主要研究方向智能检测与电力系统自动化,wangxrui@126.com。

ThePredictionofMine-GasEmissionBasedonMPSO-CWLS-SVM*

FUHua1*,WANGXinrui1,YANGBenchen1,WANGZhijun2,TUNaiwei1,WANGYuhong1,XUYaosong1

(1.School of Electrical and Control Engineering,Liaoning Technical University,Huludao Liaoning 125105,China;2.School of Innovation,Liaoning Technical University,Fuxin Liaoning 123000,China)

For gas emission influenced by multiple factors,the traditional forecasting methods are difficult to establish accurate mathematical model,leading to the problem of low prediction accuracy. An modified particle swarm optimization(MPSO)algorithm based on cauchy distribution by weighted least squares support vector machine(CWLS-SVM)algorithm to predict the nonlinear dynamic of gas emission. Cauchy distribution weighted least squares support vector machine based on the statistical properties of the prediction error to determine the weighting rule parameters in order to achieve the purpose of giving different weights training samples. MPSO algorithm with regularization parameter CWLS-SVM model and the gaussian kernel parameter optimization. Using wireless sensor networks to collect the historical data to analyze an example. The results show that the algorithm effectively improved the prediction accuracy of gas emission,reducing forecast error,providing theoretical support for coal mine gas prevention and control.

wireless sensor networks;predicting mine gas emission;weighted LS-SVM;cauchy distribution function;modified particle swarm optimization(MPSO)algorithm

项目来源:国家自然科学基金项目(51274118,70971059);辽宁省教育厅基金项目(L2012119);辽宁省科技攻关项目(2011229011)

2014-06-23修改日期:2014-09-22

10.3969/j.issn.1004-1699.2014.11.023

TP212;TP183;TP39

:A

:1004-1699(2014)11-1568-05