[發明專利]一種基于改進灰色-長短期記憶神經網絡組合模型的瓦斯濃度預測方法

有效

• 申請號: 202110067003.7
• 申請日: 2021-01-19
• 公開（公告）號: CN113190535B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 鄭萬波;賴祥威;吳燕清;夏云霓;冉啟華;吳何碧;車群;李蕓珊;武丹丹
• 申請（專利權）人: 云南衛士盾科技有限公司;昆明理工大學
• 主分類號: G06F16/215
• 分類號: G06F16/215;G06F16/2458;G06N3/0442;E21F17/18
• 代理公司: 昆明人從眾知識產權代理有限公司 53204
• 代理人: 何嬌

1.一種基于改進灰色-長短期記憶神經網絡組合模型的瓦斯濃度預測方法，其特征在于：所述方法的具體步驟如下：

步驟1、數據的采集：采集煤礦井下瓦斯濃度傳感器數據；

步驟2、數據預處理和標準化：對于采集的原始瓦斯濃度數據進行預處理——修正異常數據和缺失數據，并對瓦斯濃度數據進行標準化；

步驟3、傳統灰色預測模型的構建：設定原始瓦斯濃度序列,再得到一階累加生成瓦斯濃度序列、一階累減生成瓦斯濃度序列和緊鄰均值生成瓦斯濃度序列，其次利用最小二乘法對灰色預測模型參數估計，進而得到其預測瓦斯濃度序列；

步驟4、改進灰色預測模型的構建：在Step3原始瓦斯濃度序列和預測生成瓦斯濃度序列的基礎上，將傳統灰色預測模型的白化方程中的靜態灰色作用量替換成指數型灰色作用量，其次利用最小二乘法對傳統灰色預測模型參數估計，進而得到其改進灰色預測模型的預測瓦斯濃度序列，實現對傳統灰色預測模型的改進；

步驟5、長短期記憶神經網絡預測模型的構建：該模型由記憶儲存單元構成，經過輸入門、遺忘門和輸出門調控記憶儲存單元的狀態，由門的控制保證新的時間狀態下隱藏層傳輸的疊加輸入序列不會消失，繼續向前傳播，使得具有長短期記憶能力，以適應長瓦斯濃度序列的海量數據處理；

步驟6、改進灰色—長短期記憶神經網絡組合預測模型的構建：利用集成學習的方法將改進灰色預測模型和長短期記憶神經網絡相結合，進而建立改進灰色—長短期記憶神經網絡組合預測模型；

步驟7、組合預測模型的檢驗：采用實際瓦斯濃度數據和平均絕對誤差、均方根誤差、準確率進行考察組合模型的準確性。

2.根據權利要求1所述的基于改進灰色-長短期記憶神經網絡組合模型的瓦斯濃度預測方法，其特征在于：所述步驟2的具體步驟為：

步驟2.1、首先去除具有ID屬性的原始數據；

步驟2.2、將原始瓦斯濃度數據中的缺失數據進行插補，采用的插補方法是以步驟6建立的改進灰色—長短期記憶神經網絡組合預測模型將缺失的數據作為預測目標進行預測，將預測值作為缺失數據；

步驟2.3、將瓦斯濃度序列數據(x(1)，x(2)，...，x(n))，進行如下變換：

得到標準化后的瓦斯濃度序列數據(z⁽⁰⁾(1)，z⁽⁰⁾(2)，...，z⁽⁰⁾(n))。

3.根據權利要求1所述的基于改進灰色-長短期記憶神經網絡組合模型的瓦斯濃度預測方法，其特征在于：所述步驟3的具體步驟為：

步驟3.1、設標準化后的瓦斯濃度序列為z⁽⁰⁾＝(z⁽⁰⁾(1)，z⁽⁰⁾(2)，...，z⁽⁰⁾(n))；

步驟3.2、建立傳統灰色預測模型：其中其中從而求得參數的估計值；

步驟3.3、傳統灰色預測模型相應的白化模型為：隨后解得：為常數，這里k＝1，從而得到其預測瓦斯濃度序列值為：

4.根據權利要求3所述的基于改進灰色-長短期記憶神經網絡組合模型的瓦斯濃度預測方法，其特征在于：所述步驟4的具體步驟為：

步驟4.1、將傳統灰色預測模型相應的白化模型的靜態灰色作用量替換為冪指數性灰色作用量，即將替換為其中α為非線性參數，得到改進灰色預測模型的白化模型：則其改進后的灰色預測模型：

步驟4.2、在步驟4.1基礎，設定其中β＝a^-1(e^α-1)，則參數估計

步驟4.3、假設任意函數μ(k)滿足解此方程：其中h為常數；

步驟4.4、在兩邊同時乘上μ(k)，從而得到即兩邊積分得到：即

步驟4.5、將初始條件z⁽⁰⁾(1)＝z⁽¹⁾(1)和參數估計代入z⁽¹⁾(k)中，即可得到改進灰色預測模型的瓦斯濃度序列：

參數為常數。