改进的EMD-Elman采煤工作面瓦斯涌出预测

2018-05-23张吉林

采矿技术 2018年2期

张吉林

(山西中阳张子山煤业有限公司，山西吕梁市 033000)

0 引言

在我国煤矿六大灾害中，瓦斯事故的灾害影响最大，是严重威胁煤矿安全生产的自然灾害之一，尤其是瓦斯爆炸和煤与瓦斯突出造成的人员伤害和财产损失更是无法估计。地下瓦斯涌出是造成事故发生的主要原因，而采煤工作面的瓦斯涌出量更是占到了矿井瓦斯涌出量的60%～80%，严重威胁煤矿生产[1-2]，而工作面的瓦斯涌出量受煤层瓦斯原始含量、开采方法、开采规模、通风方式和通风量等多种因素的综合影响，非线性是瓦斯涌出的本质特性，瓦斯涌出量构建的时间序列反映了这种非线性特性，因此，研究瓦斯涌出时间预测方法对于煤矿安全生产具有重要意义[3]。

EMD(经验模态分解)是针对不稳定随机性信号的预测方法，基于数据自身的时间尺度特征，无须预先设定任何基函数，能够较准确的反映数据信号的非线性特征，弥补以往非线性非平稳信号的特征，本文采用EMD进行瓦斯涌出量的预测，同时结合Elman神经网络构建具有时变性的模型，对时间尺度构建的模型进行预测，最终得出预测结果[12]。

1 改进的EMD-Elman瓦斯涌出预测

1.1 经验模态分解

由于所有分析的数据都不是本征模函数，在任意时间点上，数据可能包含多个波动模式，因此需要对原数据进行EMD分解来获得本征模函数，分解方法主要基于以下假设条件[13]：

(1) 数据至少有两个极值；

(2) 数据的局部时域特性是由极值点间的时间尺度唯一确定；

(3) 如果数据没有极值点但有拐点，则可以通过对数据微分一次或多次求得极值，然后再通过积分来获得分解结果。

其具体步骤为：

(1) 找出Y(t)所有极大值和所有极小值，采用三次样条函数拟合成原始数据序列的上、下包络线，据此得出平均包络线m(t)：

整个伍迪·艾伦的电影《午夜巴黎》里上演的都是一场场的“穿越剧”，电影的主旨其实是“反穿越”，告诉人们旧时光的好。而在现实世界中，大部分人更乐意活在旧时光里—念想着旧时的名牌、衣装钗钿、玉器、爱人……在介绍巴黎手工坊之前，要先介绍几位设计师，他们让巴黎的手工坊有了“灵魂”，他们也目睹着“旧时光”的潮起潮落。

m(t)=(mmax(t)+mmin(t))/2

(2) 将原始序列Y(t)减去该平均包络后得到一个新数据序列T(t)：

T(t)=Y(x)-m(t)

(3) 若T(t)不是IMF数据序列，则对其进行

重复性处理，当平均包络趋于0时结束，得出新的IMF分量B1(t)：

T(k-1)(t)=mk(t)+Tk(t)

B1(t)=Tk(t)

(4) 将原始数据序列Y(t)减去第一个IMF分量B1(t)，得出差值数据序列，同时对其处理得出第2个分量B2(t)，重复下去直到最后一个差值序列不再分解为止，其Rn(t)公式：

R1(t)-B2(t)=Rn(t)

其停止分解的条件：分量小于预置值，其为单调数列，无法再分解，对于有趋势的信号，它的最终剩余分量即具有该趋势。

1.2 Elman网络基本原理

Elman神经网络通常是一个两层网络，由输入、输出、承接、隐含层4部分组成，如图1所示，它是在神经网络的基础上，通过引入反馈信号，存储内部状态使其具各映射动态功能。

图1 Elman网络结构

1.3 改进的EMD-Elman瓦斯涌出量预测方法

基于采煤工作面瓦斯涌出过程动态特征，建立改进的EMD-Elman瓦斯涌出量预测模型如图2所示。

图2 改进的EMD-Elman预测模型

改进的EMD-Elman预测模型是通过EMD分解将复杂的采煤工作面瓦斯涌出量预测问题，分解成简单的分量预测，使得预测难度大大降低，同时考虑了时间序列多尺度对于预测结果的影响以及Elman动态建模的优势，预测精度得到提高，而权值的引入从微观上对各个分量进行微调，去噪后预测结果更加精准，其基本步骤为：

(1) 将瓦斯涌出量原始数据分解成有限个IMF分量和剩余分量。

(2) 利用PACF(偏自相关函数)确定分量和剩余分量的滞后阶数，进一步确定Elman子模型的输入、输出变量。

(3) 分别建立分量以及剩余分量的Elman的子模型。

(4) 对各个分量模型预测结果进行加权求和，并进行PSO算法，得出采煤工作面瓦斯涌出量预测结果。

2 应用研究

2.1 瓦斯涌出量原始数据

以山西潞安集团某矿1206工作面为试验面，对其2015年6月5日至30日工作面瓦斯涌出情况进行分析，其涌出量情况如图3所示(小时为单元)。

图3 工作面瓦斯绝对涌出量

由图3可知，随着时间的变化，瓦斯呈现出波动性，无明显规律性，是不平稳序列，其精确预测存在一定难度。采用改进的EMD-Elman模型对其进行预测分析。

2.2 瓦斯涌出量的EMD分解

由图3可知，瓦斯涌出量在192～220产生较大波动，若直接建模会产生较大误差，因此对其进行EMD分解，分解结果如图4所示。高频分量主要是受煤层原始瓦斯含量、通风方式等影响，低频分量主要受开采方式、开采强度影响。

采用偏自相关函数确定分量以及剩余分量的滞后阶数，得出输入和输出变量，并根据样本数划分3个部分，训练样本一(400)，用于Elman模型训练，训练样本二(200)，用于权值确定，测试样本(190)，用于模型验证。

图4 EMD分解结果

2.3 瓦斯涌出量预测

对于各分量和剩余分量分别建立Elman子模型，并对样本进行预测，其结果如图5所示。

IMF1仅能跟踪时间序列大致趋势，预测结果较差，而其他预测结果较准确，IMF1主要受煤层原始瓦斯涌出量和通风方式的影响，结果较难预测，而其他分量受此影响较小，预测精度高。

对于图5中的各个子模型预测结果进行加权，并进行PSO计算，得出采煤工作面瓦斯涌出量预测结果，如图6所示，预测结果其吻合度高达95.2%，均方误差为0.0025，能够满足采煤工作面瓦斯涌出量精确度要求。

为了进一步说明改进的EMD-Elman模型的优越性，采用Elman和EMD-Elman模型对其瓦斯涌出量进行预测，并对其吻合度进行分析。两模型结果如图7所示。

图5 分量预测结果

图6 改进的EMD-Elman预测结果

图7 Elman和EMD-Elman预测结果

对比图7可得知，两种预测结果在时间上均存在一定的时延，同时，两种预测结果准确性分别为82.45%和92.16%，均方误差分别为0.0059和0.0026，预测准确性较差， EMD-Elman的准确性较高，表明EMD分解将原始采煤工作面瓦斯涌出量序列中多尺度信息分离出单独建模，增加了预测结果的准确性。

对比EMD-Elman和改进的EMD-Elman预测结果可知，改进的EMD-Elman预测结果吻合度更高，均方误差小，说明加权的引入，能够进一步实现对模型的微调，增加预测结果的吻合度。