基于时序分解和机器学习的回采工作面绝对瓦斯涌出量预测研究

作者：杜霄; 李振兴; 刘时豪; 王松; 袁方; 魏宗勇

来源：采矿技术, 2023, 23(03): 76-82.

DOI：10.13828/j.cnki.ckjs.2023.03.023

• 绝对瓦斯涌出量
• 机器学习
• 集成经验模态分解
• 时序预测

为提高瓦斯涌出量预测精度,提出一种基于集成经验模态分解(EEMD)、遗传算法(GA)优化支持向量回归机(SVR)的瓦斯涌出量时序预测模型。该模型利用EEMD对监测数据进行分解得到不同特征尺度的IMFs分量以及残差余量;利用GA-SVR模型对各分解分量、残差余量数据分别预测;最后等权叠加各预测数据得到绝对瓦斯涌出量预测结果。以陕西铜川玉华煤矿1417工作面绝对瓦斯涌出量监测数据为例,分别运用EEMD-GA-SVR、GA-SVR和SVR模型预测绝对瓦斯涌出量,并进行量化对比分析。结果表明:经EEMD分解后,所分解数据可以有效提升数据平稳性;EEMD-GA-SVR模型的预测绝对误差在0～0.33范围内,平均绝对误差为0.13,模型拟合度较高;所构建模型MAE值为0.1337、MAPE值为0.80%、RMSE值为0.1654、R2值为0.9879,优于对比模型,能够用于绝对瓦斯涌出量时间序列预测。

• 单位
  西安科技大学