基于MPSO-CWLS-SVM的瓦斯涌出量預(yù)測(cè)*

付 華,王馨蕊,楊本臣,王志軍,屠乃威,王雨虹,徐耀松

(1.遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院,遼寧 葫蘆島 125105;2.遼寧工程技術(shù)大學(xué)創(chuàng)新學(xué)院,遼寧 阜新 123000)

?

基于MPSO-CWLS-SVM的瓦斯涌出量預(yù)測(cè)*

付 華1*,王馨蕊1,楊本臣1,王志軍2,屠乃威1,王雨虹1,徐耀松1

(1.遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院,遼寧 葫蘆島 125105;2.遼寧工程技術(shù)大學(xué)創(chuàng)新學(xué)院,遼寧 阜新 123000)

針對(duì)瓦斯涌出量受多因素影響,傳統(tǒng)的預(yù)測(cè)方法難以建立準(zhǔn)確的數(shù)學(xué)模型,導(dǎo)致預(yù)測(cè)精度低這一問(wèn)題。提出一種經(jīng)改進(jìn)的粒子群算法(MPSO)優(yōu)化的基于柯西分布加權(quán)的最小二乘支持向量機(jī)(CWLS-SVM)算法來(lái)預(yù)測(cè)非線性動(dòng)態(tài)瓦斯涌出量。柯西分布加權(quán)的最小二乘支持向量機(jī)根據(jù)預(yù)測(cè)誤差的統(tǒng)計(jì)特性,確定加權(quán)規(guī)則參數(shù),以達(dá)到賦予訓(xùn)練樣本不同權(quán)值的目的。并用MPSO算法對(duì)CWLS-SVM模型的正則化參數(shù)λ和高斯核參數(shù)σ尋優(yōu)。利用無(wú)線傳感器網(wǎng)絡(luò)采集到的各項(xiàng)歷史數(shù)據(jù)進(jìn)行實(shí)例分析。結(jié)果表明,該算法有效的提高了瓦斯涌出量的預(yù)測(cè)精度,降低了預(yù)測(cè)誤差,為煤礦瓦斯防治提供理論支持。

無(wú)線傳感網(wǎng)絡(luò);瓦斯涌出量預(yù)測(cè);加權(quán)最小二乘支持向量機(jī)(WLS-SVM);柯西分布函數(shù);改進(jìn)的粒子群算法(MPSO)算法

瓦斯是危害礦井安全生產(chǎn)的重要因素之一[1]。我國(guó)煤礦瓦斯災(zāi)害嚴(yán)重,由其引起的安全問(wèn)題占到煤礦生產(chǎn)安全事故的80%以上,其傷亡人數(shù)達(dá)到特大事故傷亡人數(shù)的90%[2]。因此,對(duì)礦井瓦斯涌出量進(jìn)行精確預(yù)測(cè),提前采取必要的防治措施是預(yù)防煤礦瓦斯災(zāi)害的關(guān)鍵[3]。近年來(lái),以無(wú)線傳感器網(wǎng)絡(luò)瓦斯監(jiān)測(cè)系統(tǒng)為平臺(tái)的瓦斯涌出量預(yù)測(cè)成為當(dāng)前研究熱點(diǎn),其在對(duì)礦井掘進(jìn)工作面和回采工作面進(jìn)行相關(guān)數(shù)據(jù)采集,為瓦斯涌出量的預(yù)測(cè)奠定基礎(chǔ)。目前預(yù)測(cè)瓦斯涌出量有傳統(tǒng)的礦山統(tǒng)計(jì)法、分源預(yù)測(cè)法、瓦斯地質(zhì)數(shù)學(xué)模型法[4]等線性預(yù)測(cè)方法,以及灰色系統(tǒng)[5-6]、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)[7-8]、卡爾曼濾波[9]、主成分回歸分析法[10]等非線性預(yù)測(cè)方法。雖然國(guó)內(nèi)外學(xué)者在瓦斯涌出量預(yù)測(cè)方面做了大量有益的研究,但預(yù)測(cè)模型的收斂速度,穩(wěn)定性及預(yù)測(cè)精度都有待提高。通過(guò)大量的研究表明,礦井瓦斯涌出量動(dòng)態(tài)預(yù)測(cè)在很大程度上取決于所用算法性能的優(yōu)劣。Suykens等[11]提出了一種最小二乘向量機(jī)(LS-SVM)算法是SVM中的一種。與標(biāo)準(zhǔn)SVM相比,其用等式約束代替了不等式約束,其算法可轉(zhuǎn)化為解線性方程組,具有求解速度快的優(yōu)點(diǎn)[12]。但同時(shí)失去了傳統(tǒng)SVM的稀疏性和魯棒性等優(yōu)點(diǎn)[13]。為了克服LS-SVM丟失魯棒性的問(wèn)題,提出了利用柯西分布加權(quán)優(yōu)化LS-SVM,不僅較好地克服了噪聲中野點(diǎn)帶來(lái)的不良影響,而且克服了WLS-SVM在實(shí)際過(guò)程辨識(shí)中建模數(shù)據(jù)對(duì)過(guò)程模態(tài)的描述不充分和辨識(shí)模型的過(guò)度擬合等問(wèn)題。本文將改進(jìn)的粒子群優(yōu)化算法與CWLS-SVM結(jié)合,建立瓦斯涌出量預(yù)測(cè)模型,并通過(guò)試驗(yàn)來(lái)證明模型的有效性。通過(guò)優(yōu)化預(yù)測(cè)模型中的參數(shù),提高了預(yù)測(cè)精度,運(yùn)算速度和穩(wěn)定性。

1 無(wú)線傳感器網(wǎng)絡(luò)井下監(jiān)測(cè)系統(tǒng)

煤礦瓦斯監(jiān)測(cè)系統(tǒng)是集傳感器、執(zhí)行器、控制器和通訊裝置于一體,通過(guò)無(wú)線通信方式形成的一個(gè)多跳、自組織網(wǎng)絡(luò)系統(tǒng),感知、采集和處理網(wǎng)絡(luò)覆蓋區(qū)域中可感知對(duì)象的信息。

從圖1可以看出,煤礦瓦斯監(jiān)測(cè)系統(tǒng)由通過(guò)光纖連接的井上和井下兩部分組成。井上為監(jiān)控系統(tǒng),由負(fù)責(zé)接收并存儲(chǔ)井下監(jiān)控系統(tǒng)傳輸數(shù)據(jù)信息的服務(wù)器和負(fù)責(zé)訪問(wèn)服務(wù)器數(shù)據(jù)庫(kù)的監(jiān)控終端組成。井下數(shù)據(jù)采集傳輸系統(tǒng)主要由包括固定節(jié)點(diǎn)和移動(dòng)礦帽節(jié)點(diǎn)的無(wú)線傳感網(wǎng)絡(luò)節(jié)點(diǎn)、串口轉(zhuǎn)以太網(wǎng)交換機(jī)、光纖網(wǎng)絡(luò)構(gòu)成。無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)通過(guò)無(wú)線傳感網(wǎng)絡(luò)將采集管轄區(qū)域內(nèi)的瓦斯?jié)舛葌鬏數(shù)骄W(wǎng)關(guān)節(jié)點(diǎn)。串口轉(zhuǎn)以太網(wǎng)交換機(jī)通過(guò)光纖網(wǎng)將井下各區(qū)域數(shù)據(jù)傳輸?shù)骄贤咚贡O(jiān)控平臺(tái),經(jīng)處理后實(shí)時(shí)顯示瓦斯?jié)舛取?/p>

在利用無(wú)線傳感器網(wǎng)絡(luò)對(duì)礦井各采集工作面進(jìn)行實(shí)時(shí)監(jiān)測(cè)的同時(shí),本文利用MPSO-CWLS-SVM算法實(shí)現(xiàn)對(duì)瓦斯涌出量的準(zhǔn)確預(yù)測(cè),為煤礦瓦斯災(zāi)害防治提供理論支持。

2 基于柯西分布加權(quán)最小二乘支持向量機(jī)

為了克服LS-SVM丟失魯棒性和稀疏性及WLS-SVM噪聲中野點(diǎn)帶來(lái)不良影響的問(wèn)題,本文提出用柯西分布加權(quán)LS-SVM,轉(zhuǎn)化為WLS-SVM的優(yōu)化問(wèn)題。

設(shè)給定的輸入樣本集D={(xi,yi)i=1,2,…,N},輸入數(shù)據(jù)為xi,輸出數(shù)據(jù)為yi,則WLS-SVM的優(yōu)化問(wèn)題變?yōu)?

(1)

式中:權(quán)向量為ω;可調(diào)正實(shí)數(shù)為ωT;權(quán)值為vi;偏差量為b;誤差變量為ei;非線性映射為φ(x)。對(duì)應(yīng)的拉格朗日函數(shù)為:

(2)

其中αi為拉格朗日乘子。

在極值處,分別對(duì)ω,b,δ,α求導(dǎo)并令它們等于零,得

(3)

轉(zhuǎn)化為線性系統(tǒng):

(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為單位矩陣。根據(jù)優(yōu)化條件,優(yōu)化條件轉(zhuǎn)化為:

(5)

(6)

a*=A-1(Y-Ib)

(7)

式中:A=Ω+Vλ。

在統(tǒng)計(jì)學(xué)中應(yīng)用較廣泛的柯西分布與正態(tài)分布相似。設(shè)訓(xùn)練樣本的預(yù)測(cè)誤差ξi的隨機(jī)變量概率密度為:

(9)

本文對(duì)LS-SVM模型采用高斯核函數(shù)K(xi,xj)=exp(‖xi-xj‖2/2σ2),關(guān)鍵參數(shù)μ取所有誤差的平均值,d則根據(jù)所有樣本誤差的緊密程度來(lái)決定。如果預(yù)測(cè)誤差的分布較緊密,則d的取值應(yīng)偏大;如果預(yù)測(cè)誤差的分布較分散,則d的取值應(yīng)偏小。μ,d確定以后,可以根據(jù)式(8)計(jì)算出訓(xùn)練樣本的加權(quán)值vi,然后由式(6)和式(7)計(jì)算出b*,a*的值。因此,確定非線性模型:

(10)

3 MPSO算法原理

設(shè)xi=[xi1,…,xiN]為第i個(gè)粒子的位置,vi=[vi1,…,viN]為第i個(gè)粒子的速度,i=1,2,…,M,M為群體規(guī)模。xpi=[xpi1,…,xpiN]為第i個(gè)粒子迄今為止搜索到的最優(yōu)位置。xg=[xg1,…,xgN]為整個(gè)粒子群迄今為止搜索到的最優(yōu)位置。改進(jìn)的位置與速度更新公式為:

(11)

(12)

ω=ωmax-(ωmax-ωmin)/iiter,maxiiter

(13)

(14)

4 基于MPSO-CWLS-SVM的瓦斯涌出量預(yù)測(cè)模型

4.1 基于MPSO算法的CWLS-SVM參數(shù)優(yōu)化

由經(jīng)驗(yàn)給出一組LS-SVM,采用MPSO算法進(jìn)行優(yōu)化訓(xùn)練。選擇目標(biāo)值參數(shù)進(jìn)行最優(yōu)訓(xùn)練,目的得到滿意的CWLS-SVM訓(xùn)練模型。

基于MPSO參數(shù)優(yōu)化CWLS-SVM的預(yù)測(cè)步驟:

第1步:初始化支持向量機(jī)的誤差懲罰參數(shù)和高斯核參數(shù)及粒子群算法的種群大小,最大化代數(shù)。

第2步:初始化粒子群參數(shù):位置xid,速度vid,加速參數(shù)c1和c2,慣性因子ω。

第3步:根據(jù)式(15)計(jì)算出每個(gè)粒子的個(gè)體極值(適應(yīng)度值),即得到該粒子的pid。

(14)

式中:N是訓(xùn)練樣本總數(shù);Y1j(t)和Y2j(t)分別為t時(shí)刻第i個(gè)粒子的目標(biāo)輸出和實(shí)際輸出;

第4步:對(duì)每一粒子的速度和位置進(jìn)行更新。當(dāng)當(dāng)前粒子本身位置適應(yīng)度值Yfit優(yōu)于該粒子當(dāng)前所處的歷史最優(yōu)位置適應(yīng)度值pid時(shí),則將pid設(shè)置為該粒子的位置。當(dāng)整個(gè)粒子群適應(yīng)度值Yfit優(yōu)于群體所處的歷史最優(yōu)位置適應(yīng)度值pgd時(shí),則將pgd設(shè)置為該粒子的位置。

第5步:根據(jù)MPSO模型更新慣性權(quán)重,根據(jù)式(10)和式(11)更新粒子當(dāng)前位置和速度,產(chǎn)生新的粒子群。

第6步:判斷是否符合MPSO算法終止條件,通常當(dāng)pgd達(dá)到一定的設(shè)定值時(shí)終止。

第7步:將最優(yōu)參數(shù)賦值給式(9)所示CWLS-SVM預(yù)測(cè)模型,得出預(yù)測(cè)結(jié)果。

4.2 基于MPSO-CWLS-SVM的瓦斯涌出量預(yù)測(cè)

經(jīng)查閱資料,確定煤層埋藏深度,煤層厚度,煤層瓦斯含量,煤層間距,日進(jìn)量,日產(chǎn)量為模型輸入,瓦斯涌出量為模型輸出。采用極差化處理方法,對(duì)模型訓(xùn)練的原始數(shù)據(jù)進(jìn)行歸一化處理,歸一化區(qū)間為[0.1 0.9]。其數(shù)據(jù)歸一化公式為:

(16)

式中:原始數(shù)據(jù)為X;原始數(shù)據(jù)的最小值為Xmin,原始數(shù)據(jù)的最大值為Xmax;變換后的數(shù)據(jù)為Y。預(yù)測(cè)運(yùn)算完成后,對(duì)結(jié)果數(shù)據(jù)進(jìn)行反歸一化處理,反歸一化公式為:

(17)

MPSO應(yīng)用于CWLS-SVM預(yù)測(cè)模型的具體預(yù)測(cè)步驟為:第1步:對(duì)各個(gè)影響模型輸入樣本的因素按式(16)進(jìn)行歸一化處理;第2步:根據(jù)實(shí)際值與樣本偏差ξi確定加權(quán)值vi;第3步:用MPSO算法優(yōu)化CWLS-SVM的正則化參數(shù)λ和高斯核參數(shù)σ;第4步:使用訓(xùn)練后的CWLS-SVM模型對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè),將預(yù)測(cè)結(jié)果按式(17)做反歸一處理,并計(jì)算預(yù)測(cè)誤差。

5 瓦斯涌出量預(yù)測(cè)實(shí)例及分析

選取無(wú)線傳感器網(wǎng)絡(luò)采集到的某煤礦回采工作面2014年第1季580組具有代表性的瓦斯涌出量歷史監(jiān)測(cè)數(shù)據(jù)進(jìn)行建模分析和預(yù)測(cè)。其中前568組數(shù)據(jù)用做訓(xùn)練集,后12組用來(lái)檢驗(yàn)?zāi)Ｐ偷木_程度。用MPSO算法對(duì)CWLS-SVM和WLS-SVM兩種算法的正則化參數(shù)λ和高斯核函數(shù)的參數(shù)σ進(jìn)行尋優(yōu)。對(duì)于兩種算法λ的尋優(yōu)范圍為[0.01,100],σ的尋優(yōu)范圍為[0.01.500]。CWLS-SVM尋優(yōu)后的結(jié)果λ=23.45,σ=98.57;WLS-SVM尋優(yōu)后的結(jié)果λ=57.56,σ=254.32。通過(guò)Matlab用MPSO-CWLS-SVM和MPSO-WLS-SVM兩種算法對(duì)瓦斯涌出量進(jìn)行預(yù)測(cè),且選定相同的粒子群規(guī)模為20,加速因子c1=c2=2.25,最大迭代次數(shù)kmax=1 000。

圖2為瓦斯涌出量實(shí)際值與預(yù)測(cè)值的對(duì)比。從圖中可以看出,基于MPSO-CWLS-SVM的瓦斯涌出量預(yù)測(cè)效果明顯優(yōu)于MPSO-WLS-SVM的預(yù)測(cè)效果。

圖2 瓦斯涌出量預(yù)測(cè)值與實(shí)際值對(duì)比

從圖3中MPSO-CWLS-SVM的收斂效果圖中可以看出,該優(yōu)化算法具有很強(qiáng)的收斂能力,能將訓(xùn)練誤差降至允許誤差范圍萬(wàn)分之一以下,且兩種算法精度在均達(dá)到0.000 1時(shí),MPSO-CWLS-SVM和MPSO-WLS-SVM所用時(shí)間分別為0.167 s和0.396 s。從圖4可以看出,MPSO-CWLS-SVM預(yù)測(cè)模型最大相對(duì)誤差為5.85%,最小相對(duì)誤差為0.43%,平均誤差為2.89%而MPSO-WLS-SVM預(yù)測(cè)模型最大相對(duì)誤差為8.93%,最小為0.67%,平均相對(duì)誤差為4.12%。由此可見(jiàn),基于柯西函數(shù)加權(quán)的預(yù)測(cè)模型要比普通函數(shù)加權(quán)的預(yù)測(cè)模型預(yù)測(cè)精度高,泛化能力好,能達(dá)到理想的預(yù)測(cè)效果。

圖3 MPSO-CWLS-SVM收斂效果圖

圖4 預(yù)測(cè)結(jié)果相對(duì)誤差

6 結(jié)論

本文在總結(jié)現(xiàn)有的瓦斯涌出量預(yù)測(cè)算法缺陷的基礎(chǔ)上,提出了一種基于柯西分布函數(shù)加權(quán)的最小二乘支持向量機(jī)算法與改進(jìn)的粒子群算法相結(jié)合,形成的MPSO-CWLS-SVM算法,并將該算法應(yīng)用于時(shí)下最流行的無(wú)線傳感網(wǎng)絡(luò)井下瓦斯涌出量預(yù)測(cè)系統(tǒng)中。利用柯西分布加權(quán)LS-SVM,即克服了LS-SVM丟失傳統(tǒng)SVM稀疏性和魯棒性的優(yōu)點(diǎn),又克服了WLS-SVM在實(shí)際辨識(shí)中建模數(shù)據(jù)對(duì)過(guò)程模態(tài)不充分及過(guò)擬合的問(wèn)題。通過(guò)對(duì)某礦回采工作面的瓦斯涌出量預(yù)測(cè)的實(shí)際結(jié)果表明,采用MPSO算法優(yōu)化的CWLS-SVM,可以提高預(yù)測(cè)精度,降低預(yù)測(cè)誤差,縮短預(yù)測(cè)時(shí)間,該方法可為煤礦瓦斯的有效防止提供理論依據(jù)。

[1] 王濤,王洋洋,郭長(zhǎng)娜,張繼華. QGA-RBF神經(jīng)網(wǎng)絡(luò)在礦井瓦斯涌出量預(yù)測(cè)中的應(yīng)用[J]. 傳感技術(shù)學(xué)報(bào),2012,25(1):119-123.

[2]施式亮,宋譯,何利文,等. 礦井掘進(jìn)工作面瓦斯涌出混沌特性判別研究[J]. 煤炭學(xué)報(bào),2006,31(6):58-62.

[3]付華,謝森,徐耀松,陳子春. 基于MPSO-WLS-SVM的礦井瓦斯涌出量預(yù)測(cè)模型研究[J]. 中國(guó)安全科學(xué)學(xué)報(bào),2013,23(5):56-61.

[4]張子戊,袁崇浮. 瓦斯地質(zhì)數(shù)學(xué)模型法預(yù)測(cè)礦井瓦斯涌出量研究[J]. 煤炭學(xué)報(bào),1999,24(4):368-372.

[5]劉新喜,趙云勝. 用灰色建模法預(yù)測(cè)礦井瓦斯涌出量[J]. 中國(guó)安全科學(xué)學(xué)報(bào),2004,104:22-25.

[6]呂貴春,馬云東. 礦井瓦斯涌出量預(yù)測(cè)的灰色建模法[J]. 中國(guó)安全科學(xué)學(xué)報(bào),2004,14(10):22-25.

[7]付華,王福嬌,陳子春. 基于分?jǐn)?shù)階神經(jīng)網(wǎng)絡(luò)的瓦斯涌出量預(yù)測(cè)[J]. 傳感器與微系統(tǒng),2013,32(5):31-34.

[8]朱志杰,張宏偉,韓軍,宋衛(wèi)華,等. 基于PCA-BP神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)研究,2013,23(4):45-50.

[9]王曉路,劉健,盧建軍. 基于虛擬狀態(tài)變量的卡爾曼濾波瓦斯涌出量預(yù)測(cè)[J]. 煤炭學(xué)報(bào),2011,36(1):80-85.

[10]呂伏,梁冰,孫維吉,等. 基于主成分回歸分析法的回采工作面瓦斯涌出量預(yù)測(cè)[J]. 煤炭學(xué)報(bào),2012,37(1):113-116.

[11]付華,邵良杉. 煤礦瓦斯災(zāi)害特征挖掘與融合預(yù)測(cè)[M]. 北京:科學(xué)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]金偉良,袁雪霞. 基于LS-SVM的結(jié)構(gòu)可靠性響應(yīng)面分析方法[J]. 浙江大學(xué)學(xué)報(bào),2007,41(1):44-108.

付華(1962-),女,遼寧阜新人,博士(后),教授,博士生導(dǎo)師。主要從事智能檢測(cè)和數(shù)據(jù)融合等方面的研究。主持國(guó)家自然基金2項(xiàng)、主持及參與國(guó)家863和省部級(jí)項(xiàng)目30余項(xiàng),發(fā)辮論文50余篇,申請(qǐng)專利24項(xiàng),fxfuhua@163.com;

王馨蕊(1990-),女,遼寧阜新人,碩士研究生。主要研究方向智能檢測(cè)與電力系統(tǒng)自動(dòng)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

項(xiàng)目來(lái)源:國(guó)家自然科學(xué)基金項(xiàng)目(51274118,70971059);遼寧省教育廳基金項(xiàng)目(L2012119);遼寧省科技攻關(guān)項(xiàng)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