改進的EMD-Elman采煤工作面瓦斯涌出預測

張吉林

(山西中陽張子山煤業有限公司， 山西 呂梁市 033000)

0 引 言

在我國煤礦六大災害中，瓦斯事故的災害影響最大，是嚴重威脅煤礦安全生產的自然災害之一，尤其是瓦斯爆炸和煤與瓦斯突出造成的人員傷害和財產損失更是無法估計。地下瓦斯涌出是造成事故發生的主要原因，而采煤工作面的瓦斯涌出量更是占到了礦井瓦斯涌出量的60%～80%，嚴重威脅煤礦生產[1-2]，而工作面的瓦斯涌出量受煤層瓦斯原始含量、開采方法、開采規模、通風方式和通風量等多種因素的綜合影響，非線性是瓦斯涌出的本質特性，瓦斯涌出量構建的時間序列反映了這種非線性特性，因此，研究瓦斯涌出時間預測方法對于煤礦安全生產具有重要意義[3]。

EMD(經驗模態分解)是針對不穩定隨機性信號的預測方法，基于數據自身的時間尺度特征，無須預先設定任何基函數，能夠較準確的反映數據信號的非線性特征，彌補以往非線性非平穩信號的特征，本文采用EMD進行瓦斯涌出量的預測，同時結合Elman神經網絡構建具有時變性的模型，對時間尺度構建的模型進行預測，最終得出預測結果[12]。

1 改進的EMD-Elman瓦斯涌出預測

1.1 經驗模態分解

由于所有分析的數據都不是本征模函數，在任意時間點上，數據可能包含多個波動模式，因此需要對原數據進行EMD分解來獲得本征模函數，分解方法主要基于以下假設條件[13]：

(1) 數據至少有兩個極值；

(2) 數據的局部時域特性是由極值點間的時間尺度唯一確定；

(3) 如果數據沒有極值點但有拐點，則可以通過對數據微分一次或多次求得極值，然后再通過積分來獲得分解結果。

其具體步驟為：

(1) 找出Y(t)所有極大值和所有極小值，采用三次樣條函數擬合成原始數據序列的上、下包絡線，據此得出平均包絡線m(t)：

整個伍迪·艾倫的電影《午夜巴黎》里上演的都是一場場的“穿越劇”，電影的主旨其實是“反穿越”，告訴人們舊時光的好。而在現實世界中，大部分人更樂意活在舊時光里—念想著舊時的名牌、衣裝釵鈿、玉器、愛人……在介紹巴黎手工坊之前，要先介紹幾位設計師，他們讓巴黎的手工坊有了“靈魂”，他們也目睹著“舊時光”的潮起潮落。

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

(2) 將原始序列Y(t)減去該平均包絡后得到一個新數據序列T(t)：

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

(3) 若T(t)不是IMF數據序列，則對其進行

重復性處理，當平均包絡趨于0時結束，得出新的IMF分量B1(t)：

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

B1(t)=Tk(t)

(4) 將原始數據序列Y(t)減去第一個IMF分量B1(t)，得出差值數據序列，同時對其處理得出第2個分量B2(t)，重復下去直到最后一個差值序列不再分解為止，其Rn(t)公式：

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

其停止分解的條件：分量小于預置值，其為單調數列，無法再分解，對于有趨勢的信號，它的最終剩余分量即具有該趨勢。

1.2 Elman網絡基本原理

Elman神經網絡通常是一個兩層網絡，由輸入、輸出、承接、隱含層4部分組成，如圖1所示，它是在神經網絡的基礎上，通過引入反饋信號，存儲內部狀態使其具各映射動態功能。

圖1 Elman網絡結構

1.3 改進的EMD-Elman瓦斯涌出量預測方法

基于采煤工作面瓦斯涌出過程動態特征，建立改進的EMD-Elman瓦斯涌出量預測模型如圖2所示。

圖2 改進的EMD-Elman預測模型

改進的EMD-Elman預測模型是通過EMD分解將復雜的采煤工作面瓦斯涌出量預測問題，分解成簡單的分量預測，使得預測難度大大降低，同時考慮了時間序列多尺度對于預測結果的影響以及Elman動態建模的優勢，預測精度得到提高，而權值的引入從微觀上對各個分量進行微調，去噪后預測結果更加精準，其基本步驟為：

(1) 將瓦斯涌出量原始數據分解成有限個IMF分量和剩余分量。

(2) 利用PACF(偏自相關函數)確定分量和剩余分量的滯后階數，進一步確定Elman子模型的輸入、輸出變量。

(3) 分別建立分量以及剩余分量的Elman的子模型。

(4) 對各個分量模型預測結果進行加權求和，并進行PSO算法，得出采煤工作面瓦斯涌出量預測結果。

2 應用研究

2.1 瓦斯涌出量原始數據

以山西潞安集團某礦1206工作面為試驗面，對其2015年6月5日至30日工作面瓦斯涌出情況進行分析，其涌出量情況如圖3所示(小時為單元)。

圖3 工作面瓦斯絕對涌出量

由圖3可知，隨著時間的變化，瓦斯呈現出波動性，無明顯規律性，是不平穩序列，其精確預測存在一定難度。采用改進的EMD-Elman模型對其進行預測分析。

2.2 瓦斯涌出量的EMD分解

由圖3可知，瓦斯涌出量在192～220產生較大波動，若直接建模會產生較大誤差，因此對其進行EMD分解，分解結果如圖4所示。高頻分量主要是受煤層原始瓦斯含量、通風方式等影響，低頻分量主要受開采方式、開采強度影響。

采用偏自相關函數確定分量以及剩余分量的滯后階數，得出輸入和輸出變量，并根據樣本數劃分3個部分，訓練樣本一(400)，用于Elman模型訓練，訓練樣本二(200)，用于權值確定，測試樣本(190)，用于模型驗證。

圖4 EMD分解結果

2.3 瓦斯涌出量預測

對于各分量和剩余分量分別建立Elman子模型，并對樣本進行預測，其結果如圖5所示。

IMF1僅能跟蹤時間序列大致趨勢，預測結果較差，而其他預測結果較準確，IMF1主要受煤層原始瓦斯涌出量和通風方式的影響，結果較難預測，而其他分量受此影響較小，預測精度高。

對于圖5中的各個子模型預測結果進行加權，并進行PSO計算，得出采煤工作面瓦斯涌出量預測結果，如圖6所示，預測結果其吻合度高達95.2%，均方誤差為0.0025，能夠滿足采煤工作面瓦斯涌出量精確度要求。

為了進一步說明改進的EMD-Elman模型的優越性，采用Elman和EMD-Elman模型對其瓦斯涌出量進行預測，并對其吻合度進行分析。兩模型結果如圖7所示。

圖5 分量預測結果

圖6 改進的EMD-Elman預測結果

圖7 Elman和EMD-Elman預測結果

對比圖7可得知，兩種預測結果在時間上均存在一定的時延，同時，兩種預測結果準確性分別為82.45%和92.16%，均方誤差分別為0.0059和0.0026，預測準確性較差， EMD-Elman的準確性較高，表明EMD分解將原始采煤工作面瓦斯涌出量序列中多尺度信息分離出單獨建模，增加了預測結果的準確性。

對比EMD-Elman和改進的EMD-Elman預測結果可知，改進的EMD-Elman預測結果吻合度更高，均方誤差小，說明加權的引入，能夠進一步實現對模型的微調，增加預測結果的吻合度。

3 結 論

針對采煤工作面瓦斯涌出量的非穩定性特點，提出了改進的EMD-Elman預測模型，并進行了應用分析，得出以下結論：

(1) EMD分解提取瓦斯涌出量時間序列不同尺度信息，Elman對子模型進行預測，并通過加權融合，對加權結果進行PSO算法尋優處理，進一步提高了瓦斯涌出量的預測精度。

(2) 改進的EMD-Elman預測結果能夠較準確的預測瓦斯涌出量，吻合度高達95.2%，比單純的Elman預測精度提高了12.75個百分點。

參考文獻：

[1]雷文杰，劉瑞濤，蘇國韶.灰色關聯優化BP神經網絡預測工作面瓦斯涌出量[J].礦業安全與環保，2013，40(5)：34-37.

[2]楊文旺，崔洪慶，張子敏.掘進工作面瓦斯涌出量混沌動力學方法研究[J].礦業安全與環保，2010，37(1)：12-14.

[3]董鋼鋒，胡千庭.工作面瓦斯涌出及采空區瓦斯抽放的COS-FLOW模擬預測[J].礦業安全與環保，2007，34(2)：4-6.

[4]李樹文，王 平，張昌建，等.地下水灰模的交叉取向解法在礦井涌水量預測中的應用研究[J].礦業安全與環保，2013，40(4)：19-22.

[5]施式亮，伍愛友.GM(1,1)模型與線性回歸組合方法在礦井瓦斯涌出量預測中的應用[J].煤炭學報，2008，33(4)：415-418.

[6]王艷暉，李國勇，王炳萱.MFOA-SVM在采煤工作面瓦斯涌出量預測中的應用[J].礦業安全與環保，2016，43(2)：54-58.

[7]程加堂，艾 莉，熊 燕. 基于IQPSO-BP算法的煤礦瓦斯涌出量預測[J].礦業安全與環保，2016，43(4)：38-41.

[8]喬德浩.基于CIPSO-ENN耦合算法的瓦斯涌出量預測[D].沈陽：遼寧工程技術大學，2011.

[9]孫 強，張振文.基于灰色理論的礦井瓦斯涌出量預測模型研究[J].煤炭技術，2009，28(9)：96-97.

[10]龔 安，呂 倩，胡長軍，等.基于混沌萬有引力搜索算法的SVM參數優化及應用[J].計算機科學，2015，42(4)：240-243.

[11]王雨虹，付 華，侯福營，等.基于混沌免疫粒子群優化和廣義回歸神經網絡的回采工作面瓦斯涌出量預測模型[J].計算機應用，2014，34(11)：3348-3352.

[12]李潤求，施式亮，伍愛友，等.采煤工作面瓦斯涌出預測的 EMD-Elman 方法及應用[J].中國安全科學學報，2014，24(6)：51-56.

[13]王 婷.EMD算法研究及其在信號去噪中的應用[D].哈爾濱：哈爾濱工程大學，2010.