【技术实现步骤摘要】
结合集成学习与加权极限学习机的煤矿瓦斯浓度预测方法
[0001]本专利技术涉及一种煤矿瓦斯浓度预测方法，属于瓦斯浓度预测
技术介绍
[0002]煤矿瓦斯防护属于高危行业，极易造成群死群伤。据统计，我国瓦斯爆炸事故占重大事故次数60以上，瓦斯事故防治是煤矿安全工作重中之重。随着人工智能技术的发展，瓦斯浓度的智能预测成为防范瓦斯爆炸事故的主要手段。目前，瓦斯浓度预测方法主要包括1)时间序列方式预测，如指数平滑和曲线拟合等，这种方法参数较多、预测精度低，模型更新难。2)采用bp神经网络等技术进行预测，此类方法训练时间长，动态调整较为复杂。上述方法只考虑单一分类器的情况，单一分类器间存在一定的差异性，这会导致分类可能存在错误。那么若将多个若分类器合并后，就可以减少整体预测的错误率，实现更好的瓦斯安全监测。
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结合集成学习与加权极限学习机的煤矿瓦斯浓度预测方法，可以对未来3小时的瓦斯浓度及其走势进行相对准确的预测，可提升煤矿...
【技术保护点】
【技术特征摘要】
1.一种结合集成学习与加权极限学习机的煤矿瓦斯浓度预测方法，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10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，提取同一时间段非缺失瓦斯浓度数据，计算得到均值与方差，并利用计算得到的均值与方差对所有缺失值进行填充，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，得到样本集Φ；步骤4，样本集拆分：对样本集Φ中预测目标Y进行拆分，使预测目标Y中的每一列数据均与X结合，构成t个拆分子集，分别记为Φ1,Φ2,...,Φ
i1
,...,Φ
t
；其中,Φ
i1
表示第i1个拆分子集，Y
i1j1
表示第i1个样本在第j1个时间点的预测输出；步骤5，训练子集生成：利用Bootstrap方法在每个拆分子集上分别生成Kt个训练子集Φ
ij
，i∈{1,2,..,t}为拆分子集号，j∈{1,2,..,Kt}为采样子集号，共生成t
×
Kt个样本子集；步骤6，模型训练：在每个训练子集上以预测目标值越大，赋予的权重越小为原则训练加权极限学习机模型，进一步提取每个拆分子集上Kt个模型的预测结果，采用计算Kt个模型预测结果均值的方式得出最终的集成预测结果，按照时间顺序排列拆分子集顺序，形成对未来3小时的瓦斯浓度预测结果；步骤61，对于每一个训练子集Φ
ij
，为其中每一个预测输出值Y
ij
‑
m
，分配对应的权重：w
ij
‑
m
＝(Y
ij
‑
m
)
‑
norm
其中，w
ij
‑
m
表示第j个样本在第i决策输出上的权重，即w
ij
‑
m
为Y
ij
‑
m
对应的权重，norm表示范数；步骤62，对于任一训练子集Φ
ij
，令表示其目标输出矩阵，其中S为训练子集中样本的数量；步骤63，设定极限学习机中的隐层节点个数L与惩罚因子C，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激活函数将任一训练子集Φ
ij
转化为隐层输出矩阵：
其中，H(a1,...,a
L
,b1,...,b
L
,X1,...,X
S
)表示隐层矩阵，h(X
j2
)表示第j2个样本在隐层矩阵的变换，j2∈[
‑
1,S]，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Sigmoid激活函数；最优参数取值组合采用加权的均方误差最小化原则确定，即：其中，WRMSE表示加权的均方误差，w
ij
表示第j个样本在第i决策输出上的权重；哪一个L与C的取值组合具有最小的WRMSE，则将对应值最为最优参数分别分配给L和C；利用步骤S61提取的权重生成对应的加权矩阵W
ij
：W
ij
＝diag(w
ij
‑1,w
ij
‑2,
…
,w
ij
‑
S
)求解下式：Subject to:h(X
k
)β＝t
k
‑
ξ
k
,k＝1,2,...,S其中，WELM
...
【专利技术属性】
技术研发人员：韩世锋，王超，吴东风，陈昌一，赵青青，冯乐，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。