基于灰色神经网络算法的煤矿瓦斯涌出量预测模型研究.doc

基于灰色神经网络算法的煤矿瓦斯涌出量预测模型研究宋强1, 王爱民2(1.安阳工学院机械工程系，河南省安阳市，455000;2. 安阳师范学院计算机与信息工程学院，河南省安阳市，455000)摘 要: 本文提出了灰色神经网络对煤矿瓦斯涌出量进行预测，并在此基础上构造了灰色神经网络模型，该模型有效地灰色理论弱化数据序列波动性和神经网络特有的非线性适应性信息处理能力相融合，研究结果证明，本模型能在小样本贫信息的条件下对煤矿瓦斯涌出量做出比较准确的预测，此种模型具有预测精度高、所需样本少、计算简便等优点，取得了比较满意的结果。和灰色GM(1,1)算法相比，灰色神经网络算法有很大的应用前景和推广价值。关 键 词 : 瓦斯涌出量,灰色神经网络,预测 ,灰色GM(1,1).Prediction Model of Mine Gas gushing Based on Grey Neural Network SONG Qiang1 WANG Ai -min2(1.Mechanical engineering department of Anyang institute of technology,Anyang city of Henan province,455000;2.Computer and information engineering college of Anyang normal university, Anyang city of Henan province,455000)Abstract: A grey neural network model was proposed on the basis of the models.The fluctuation of data sequence is weakened by the grey theory and the neural network is capable of processing non-linear adaptable information, and the GNN is a combination of those advantages. The results reveal, the Mine gas gushing can be accurately predicted through this model by reference to small sample and information. It was concluded that the GNN model is effective with the advantages of high precision, less samples required and simple calculation.Key words: Mine Gas gushing,grey neural network,prediction,grey model.1引言矿井瓦斯是煤矿生产过程中的主要不安全因素之一,瓦斯涌出量对矿井设计、建设和开采都有重要影响。随着开采深度和产量的增加,瓦斯潜在的影响更加显著。瓦斯涌出量是决定矿井通风的主要指标, 因此，预测结果的正确与否,将直接影响矿井的技术经济指标。若预测的涌出量偏低,矿井投产不久就需要进行通风改造,或者被迫降低产量,从而造成很大的经济损失;若预测的涌出量偏高,势必增加不必要的投资,造成很大的浪费。因此, 对瓦斯涌出量的准确预测是指导矿井设计和安全生产的前提。众所周知，瓦斯涌出量受煤层深度，煤层厚度，煤层瓦斯含量，煤层间距，日进度，日产量等因素的影响，具有高度的非线性，而人工神经网络具有自学习、非线性映射和并行分布处理的能力，这些能力无疑都非常适合于对瓦斯涌出量的建模，在多次对瓦斯涌出量的历史数据序列单纯使用灰色GM(1,1)进行建模，并且不断尝试使用不同的网络参数时，都没有能取得比较满意的结果。经过对监测数据反复的分析试验，提出了将灰色理论引入神经网络的新模型，在两者无缝结合的基础之上建立了灰色神经网络模型，使得对瓦斯涌出量的预测效果有了一定的提高。因此，这种算法将会具有很大的推广价值。2 灰色神经网络模型2.1 灰色GM(1,1)模型的建模 灰色预测方法和传统的统计预测方法有着较多的优点，它不需要确定预测变量是否服从正态分布，不需要大的样本统计量，不需要根据输入变量的改变而随时改变预测模型，通过累加生成技术，建立统一的微分方程模型，累加还原后得出预测结果，微分方程模型具有更高的预测精度。建立GM(1,1)模型的实质是对原始数据作一次累加生成，使生成数列呈现一定规律，通过建立微分方程模型，求得拟和曲线，用以对系统进行预测。设有时间序列作一阶累加生成1-AGO： （1）构造一阶线性微分方程后，可得该方程的白化微分方程为： （2）利用最小二乘法求解a,u有 (3)式中 的灰色预测模型为 （4）的灰色预测模型为 （5）2.2 GM(1，1)模型残差和相对残差设原始离散非负数列X(0)： X(0)=x(0)(1),x(0)(2),x(0)(3),x(0)(n)数列为GM(1，1) 模型求解后的拟合数列： =；残差数列：= x(0)(1)- (6)相对残差数列：=k =, k=1,2,n (7)2.3 灰色神经网络组合模型灰色神经网络模型是灰色方法和神经网络的完全融合，因此该模型同时具有灰色系统和神经网络的优点。灰色神经网络的建模思路是：首先对多个数列分别建立灰色GM(1,1)模型，可得到对原始序列数据的一系列预测值，这些预测值可能和原始数据有一定的偏差，而这多个原始序列之间也有一定的关联，并且这种关系不是很清楚。这些预测值与实际值之间的偏差关系及序列之间的相互关系可以统一综合到神经网络模型中考虑：将灰色GM(1,1)形成的预测值作为神经网络的输入样本，实际值作为神经网络的输出样本，采取一定的结构，然后对网络进行训练，就可以得到一系列对应于相应节点的权值和阈值。将灰色GM(1,1)各模型对下一时刻或多个时刻的预测值作为神经网络的输入，得到相应的输出即为下一时刻或多个时刻最终的预测值。灰色神经网络主要通过三层BP神经网络：具有偏差和至少一个S型隐含层加上一个线性输出层能逼近任何有理函数的特性，通过训练使得神经网络来模拟序列数据之间与序列之间的关系。假设有m个相互关联的数列，每个数列有n个数据，灰色神经网络的预测模型如下： 用m个数列分别建立m个灰色GM(1,1)模型 分别用这m个模型预测各数列的第2到第n个数据，得到m个长度为n-1的数据序列P； 取原始数列中每一个数列的第2到第n个数据，得到m个长度为n-1的数据序列T； 将数据序列P作为神经网络的输入向量，T作为神经网络的输出向量，进行网络结构与初始权值，阈值的设定； 训练BP网络，得到网络中对应于每一个节点的一系列权值和阈值； 再次用第一步建立的灰色GM(1,1)模型来预测未来时刻的值，将这些预测值作为网络的输入，进行仿真，得到相应的输出，即为灰色神经网络预测模型的结果；3 仿真结果及分析3.1 输入输出层设计本文将与研究指标煤矿瓦斯涌出量相关的输入变量分别进行GM(1,1)模型进行预测，得到的几个预测值作为BP神经网络的输入，采用一个隐含层，传递函数为(0,1)S型函数，输出为研究指标为煤矿瓦斯涌出量的实际值。本文采用灰色神经网络预测煤矿瓦斯涌出量，针对这个重要的输出性能指标，在煤矿生产的整个工艺流程中，综合了与此有影响的或相关的变量，确定了煤层深度，煤层厚度，煤层瓦斯含量，煤层间距，日进度，日产量等输入变量为灰色神经网络的输入，这6个输入变量的48组数据存储在excel数据库中，在Matlab6.5中，只要调用import wizard(输入向导)就可以容易地将excel数据库中的数据嵌入到Matlab6.5中，只要在Matlab6.5的窗口键入数据库名称，就可以在Matlab6.5下调出所需要的数据库。3.2 隐含层神经元数的确定网络训练精度的提高，可以通过采用一个隐含层，而增加其神经元个数的方法来获得。这在结构实现上，要比增加更多的隐含层要简单的多，那么究竟选取多少个隐含层节点合适?隐含层的单元数直接影响网络的非线性性能，它与所解决问题的复杂性有关。但问题的复杂性无法量化因而也不能有很好的解析式来确定隐含层单元数。一般对于三层前向网络隐含层节点数有如下经验公式: (8)式中:输出节点数目；：输入层节点数目；：为110的常数；3.3 样本数据的处理因为所有收集的数据往往不是在同一个数量级，我们将所收集的数据映射到-1 1之间进行归一化处理，这样有利于提高神经网络的训练速度。具体算法是：这种标准化后的数据范围从0到1，在反传人工神经网络算法使用Sigmoid函数时，输出的数据范围也正好从0到1，所以这种标准化方法在使用Sigmoid函数的反传神经网络算法中，被用来标度目标值。有时为了允许预报值在一定范围内超界，训练样本集目标的范围标度转化为0.10.9,即：归一化公式如下式： (9)神经网络计算结束后，再做反归一化处理，便得到实际的输出值即预报值。反归一化公式如下： (10)公式（9）和（10）中，表示经标准化后的第i样本第j变量的数据；表示原始空间量；分别表示样本集中变量j的最大和最小数据。样本数据中不可避免得存在着部分异常数据，这部分数据将给我们的模型带来一定的影响，有可能还起误瓦斯涌出量的预报模型所用的数据均来自实际生产现场的统计报表，由于早期样本数据误导作用，因此本模型所用的训练样本和测试样本都是经过仔细筛选而形成的。3.4 训练样本归一化处理和网络结构设置 训练样本数据是从某煤矿即2004年7月1日到9月31日的实际生产记录，根据要求从中选取了控制效果较好的48组数据。 为了便于灰色神经网络学习，将实际数据进行了归一化处理，将实际物理量分别划为0，1区间的数值。 采用Matlab程序设计语言编写了预测程序，预测精度为0.01，最大训练次数为10000次，学习率=0.7, 输入层到隐含层的传递函数为Sigmoid函数，隐含层到输出层为线性传递函数Purelin，瓦斯涌出量的神经网络结构为6171。3.5.应用实例下面是将本方法用于瓦斯涌出量预测的一个实例。以某煤矿2004年7月到2004年9月的瓦斯数据，并检验预测效果。取训练样本数为48，网络结构：6-17-1，即：输入节点为6个，隐含层节点17个，输出节点1个。预测结果如表1所示：表2 预测结果与真实值比较表序号真实值(归一化后的数据)单位：m3.t-1预测值误差%灰色GM(1,1)灰色神经网络灰色GM(1,1)灰色神经网络10.260.260.260720-0.25720.280.280320.2782150.110.63730.260.2830270. 2596-8.850.12340.280.285760.2815962.05-0.5650.340.2885190.339953150.013860.280.29130.277823-40.77770.300.29420.3025891.9-0.86380.280.29980.280679-6.05-0.243图1 煤矿瓦斯涌出量的灰色GM(1,1)预测图图2 煤矿瓦斯涌出量的灰色神经网络训练图图3 煤矿瓦斯涌出量的灰色神经网络预测图两种模型的预测结果及比较，说明了灰色神经网络建模优于单一的灰色GM(1,1)，充分显示了灰色神经网络的优越性，4 结束语 在瓦斯涌出量预测过程中, 针对经典BP算法可能达到局部极小点问题, 应用灰色神经网络算法使之得到了较好的解决。应用灰色GM(1,1)和BP网络相结合建立的煤矿瓦斯涌出量预报模型, 具有较高的命中率,可为生产操作过程中进行成分调节提供及时的定量依据,提高煤矿安全生产具有重要的实际意义。因此灰色神经网络这种新的信息处理和预测方式，充分利用灰色模型弱化数据的随机性，累加数据的规律性以及神经网络的高度非线性，是一种新型实用且精度比较高的时间序列预测方法，值得推广和进一步研究。1 神经网络系统理论 焦李成 西安：西安电子科技大学出版社，19902 神经网络及其在工程中的应用 张际宪 宓霞 北京：机械工业出版社，19963 灰色预测与决策 邓聚龙 武汉：华中理工大学出版社，19874 牛东晓，陈志业，邢棉等.具有二重趋势性的季节型电力负荷预测组合优化灰色神经网络模型J.中国电机工程学报.2002年1月，Vol.22 No.1:2932;5 陈淑燕，王炜.交通量的灰色神经网络预测方法J.东南大学学报（自然科学版）2004年7月，Vol.34 No.4: 541543.6 马歆，侯志俭，蒋传文等.基于灰色神经网络模型的电力远期价格预测J.上海交通大学学报2003年9月，Vol.37 No.9:3233.7 王会青，王婷，谷志红.基于灰色神经网络法的高峰负荷预测J.华东电力2005年4月Vol.33 No.4:1113.8 Chan-Ben Lin,Shun-Feng Su