一种基于类标加权极限学习机的煤矿瓦斯预警方法技术

本发明专利技术公开了一种基于类标加权极限学习机的煤矿瓦斯预警方法，包括获取其历史瓦斯浓度监测数据，数据预处理与缺失数据填充，样本集生成，设定瓦斯浓度预警阈值，采用预警阈值μ确定样本不平衡比率，并根据不平衡比率的反馈值对样本的类标矩阵进行加权操作，利用五折交叉验证确定极限学习机的最优隐层节点个数，以Sigmoid函数作为激活函数，以加权的类标矩阵作为模型的期望输出矩阵，训练并生成极限学习机模型。本发明专利技术实现了对某个单一监测点未来3小时的瓦斯浓度是否超警戒线进行预测，并对潜在生产安全风险进行预警，考虑了类别不平衡的影响，实现简单，检测率高，虚警率低。虚警率低。虚警率低。

【技术实现步骤摘要】
一种基于类标加权极限学习机的煤矿瓦斯预警方法


[0001]本专利技术涉及一种煤矿瓦斯瓦斯预警方法，属于瓦斯浓度预测


技术介绍

[0002]在我国的能源工业中，煤炭占我国一次性能源生产和消费结构中的70％左右，在未来相 当长的时期内，煤炭仍将是我国的主要能源，但目前来看，煤矿生产安全形势十分严峻，安 全事故仍时有发生，我国很多煤矿的监测系统缺乏灾难预测功能。矿井瓦斯是影响煤矿安全 的主要因素之一，瓦斯浓度过高就会有可能引起一系列的安全事故。因此，准确预测未来几 小时的瓦斯浓度是否会超过预警线，并及时发现安全隐患，对与煤矿的安全生产有着重大意 义。然而，在煤矿瓦斯监控数据中，预警数据往往远远少于非预警数据，这就导致了类别不 平衡问题，会大幅降低传统预测模型的检出率，并增加虚警率，从而影响到实际的使用效果。

技术实现思路

[0003]专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种基于类标加权极限学习机 的煤矿瓦斯预警方法，本方法能够有效解决类别不平衡问题，并根据瓦斯的历史数据准确预 测瓦斯浓度是否会在未来几小时内超过预警线，主要运用到煤矿安全预警，可提升煤矿对于 瓦斯爆炸事故的预控能力。
[0004]技术方案：为实现上述目的，本专利技术采用的技术方案为：
[0005]一种基于类标加权极限学习机的煤矿瓦斯预警方法，包括以下步骤：
[0006]步骤1，针对矿井下某个监测点，获取其历史瓦斯浓度监测数据。通常在矿井下设置一 个监测点，实时提取并传输瓦斯浓度数据。r/>[0007]步骤2，数据预处理与缺失数据填充：对于一个监测点每间隔十分钟计算一次瓦斯浓度 均值，得到规整的瓦斯浓度监测数据，利用前后计算的均值对空值进行线性填充处理，若数 据连续缺失超过两小时，则不做填充，舍弃对应时间数据点，在新检测数据出现处继续计算 新的数据点，得到规整的瓦斯浓度监测时间序列。
[0008]步骤3，样本集生成：取连续24小时的瓦斯浓度数据作为特征X，其后3小时的瓦斯浓 度数据作为预测目标Y，并按照单点顺序移动的方式逐一生成训练样本集Φ。
[0009]步骤4，设定瓦斯浓度预警阈值μ，根据具体需要设定瓦斯浓度预警阈值μ，当瓦斯浓度 超过预警阈值μ时，认定出现安全生产风险。
[0010]步骤5，类标加权，采用预警阈值μ确定样本不平衡比率，并根据不平衡比率的反馈值 对样本的类标矩阵进行加权操作。
[0011]步骤51，逐一扫描样本集Φ中预测目标Y1,Y2,...,Y
N
中大于等于预警阈值μ的个数以及 小于预警阈值μ的个数，分别记为N
‑
与N
+
，并计算其比例λ＝N
‑
/N
+
。
[0012]步骤52，根据步骤51扫描的结果，对目标输出矩阵T进行初步赋值。
[0013][0014]其中，若Y
ij
≥μ，t
ij
＝1，反之，t
ij
＝
‑
1，i表示训练样本的位置，j表示预测的时间点，ti j 表示标签；。
[0015]步骤53，扫描初始的目标输出矩阵T，并对其进行加权操作，若t
ij
＝1，则将其改写为若t
ij
＝
‑
1，则不进行操作，进而得到类标加权矩阵T
W
，λ表示不平衡比率。
[0016]步骤6，模型训练，利用五折交叉验证确定极限学习机的最优隐层节点个数，以Sigmoid 函数作为激活函数，以加权的类标矩阵作为模型的期望输出矩阵，训练并生成极限学习机模 型。
[0017]步骤61，设定极限学习机中的隐层节点个数L，随机生成输入层到隐层之间的权重与偏 置序列，a＝[a1,a2,...,a
i2
,...,a
L
]和b＝[b1,b2,...,b
i2
,...,b
L
]，其中，a
i2
∈[
‑
1,1]，b
i2
∈[
‑
1,1]，利用 Sigmoid激活函数将训练样本集Φ转化为隐层输出矩阵：
[0018][0019]其中，H(a1,...,a
L
,b1,...,b
L
,X1,...,X
S
)表示表示隐藏输出矩阵，G为Sigmoid激活函数，其 计算方式如下：
[0020][0021]其中，G(a
i2
,b
i2
,X
j2
)表示激活函数。
[0022]步骤62，结合隐层输出矩阵H及类标加权矩阵T
W
，求解下式：
[0023]Hβ＝T
w
[0024]其中，
[0025][0026]利用最小二乘方法，计算结果如下：
[0027][0028]其中，β表示理想状态下隐藏层权重矩阵，表示计算得到的隐层权重矩阵，表示第 L个隐层节点的权重值，，为隐层输出矩阵的Moore
‑
Penrose广义逆，其结果为β的最小范 数最小二乘解。
[0029]步骤7，数据预测：利用训练好的类标加权极限学习机模型对未来瓦斯浓度是否超
警戒 线进行预测，并根据预测结果决定是否需要给出预警。
[0030]实时获取过去24小时的瓦斯浓度监测数据，做规范化处理后，记为XX，通过保存的 a＝[a1,a2,...,a
L
]和b＝[b1,b2,...,b
L
]，将X转化为H，结合保存的隐层权重矩阵β，通过计算H
×
β 得到对应的未来三小时预警预测结果Y，逐一检查Y中是否有大于0的值，若是，则发出报 警信号。
[0031]优选的：步骤1中对于一个监测点，至少应包括30天的历史瓦斯浓度监测数据。
[0032]优选的：所述步骤2中得到规整的瓦斯浓度监测时间序列方法：
[0033]步骤21，读取历史瓦斯浓度监测数据，从第一个数据开始，提取10分钟内的所有数据， 并做均值计算，生成规整监测瓦斯浓度数据x1，以此类推，每10分钟进行一次计算，最终得 到规整的瓦斯浓度监测时间序列数据x1,x2,...,x
K
，其中，K为规整监测数据的总数。
[0034]步骤22，若瓦斯浓度监测时间序列数据x1,x2,...,x
K
中x
t
与x
t
′
点之间存在连续的缺失数据， 同时，t
′‑
t≤12,则采用下式对缺失值进行填充。
[0035][0036]其中,t，t
’
∈{1,2,...,K}，S为x
t
与x
t
′
点之间连续缺失的数据个数，i表示当前缺失序列的 缺失值位置。若x
t
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于类标加权极限学习机的煤矿瓦斯预警方法，其特征在于，包括以下步骤：步骤1，针对矿井下某个监测点，获取其历史瓦斯浓度监测数据；步骤2，数据预处理与缺失数据填充：对于一个监测点每间隔十分钟计算一次瓦斯浓度均值，得到规整的瓦斯浓度监测数据，利用前后计算的均值对空值进行线性填充处理，若数据连续缺失超过两小时，则不做填充，舍弃对应时间数据点，在新检测数据出现处继续计算新的数据点，得到规整的瓦斯浓度监测时间序列；步骤3，样本集生成：取连续24小时的瓦斯浓度数据作为特征X，其后3小时的瓦斯浓度数据作为预测目标Y，并按照单点顺序移动的方式逐一生成训练样本集Φ；步骤4，设定瓦斯浓度预警阈值μ，根据具体需要设定瓦斯浓度预警阈值μ，当瓦斯浓度超过预警阈值μ时，认定出现安全生产风险；步骤5，类标加权，采用预警阈值μ确定样本不平衡比率，并根据不平衡比率的反馈值对样本的类标矩阵进行加权操作；步骤51，逐一扫描样本集Φ中预测目标Y1,Y2,...,Y
N
中大于等于预警阈值μ的个数以及小于预警阈值μ的个数，分别记为N
‑
与N
+
，并计算其比例λ＝N
‑
/N
+
；步骤52，根据步骤51扫描的结果，对目标输出矩阵T进行初步赋值；其中，若Y
ij
≥μ，t
ij
＝1，反之，t
ij
＝
‑
1，i表示训练样本的位置，j表示预测的时间点，t
ij
表示标签；步骤53，扫描初始的目标输出矩阵T，并对其进行加权操作，若t
ij
＝1，则将其改写为若t
ij
＝
‑
1，则不进行操作，进而得到类标加权矩阵T
W
，λ表示不平衡比率；步骤6，模型训练，利用五折交叉验证确定极限学习机的最优隐层节点个数，以Sigmoid函数作为激活函数，以加权的类标矩阵作为模型的期望输出矩阵，训练并生成极限学习机模型；步骤61，设定极限学习机中的隐层节点个数L，随机生成输入层到隐层之间的权重与偏置序列，a＝[a1,a2,...,a
i2
,...,a
L
]和b＝[b1,b2,...,b
i2
,...,b
L
]，其中，a
i2
∈[
‑
1,1]，b
i2
∈[
‑
1,1]，利用Sigmoid激活函数将训练样本集Φ转化为隐层输出矩阵：其中，H(a1,...,a
L
,b1,...,b
L
,X1,...,X
S
)表示隐藏输出矩阵，G为Sigmoid激活函数，其计算方式如下：
其中，G(a
i2
,b
i2
,X
j2
)表示激活函数；步骤62，结合隐层输出矩阵H及类标加权矩阵T
W
，求解下式：Hβ＝T
w
其中，利用最小二乘方法，计算结果如下：其中，β表示理想状态下隐藏层权重矩阵，表示计算得到的隐层权重矩阵，表示第L个隐层节点的权重值，为隐层输出矩阵的Moore
‑
Penrose广义逆，其结果为β的最小范数最小二乘解；步骤7，数据预测...

【专利技术属性】
技术研发人员：虎东成，王超，曹文敬，许冉，黄永正，赵青青，
申请(专利权)人：江苏中矿安华科技发展有限公司，
类型：发明
国别省市：