基于模糊時間序列的工作面瓦斯?jié)舛阮A測分析*

王江榮 文 暉 羅資琴

(1.蘭州石化職業(yè)技術學院信息處理與控制工程系；2.蘭州石化職業(yè)技術學院石油化學工程系)

基于模糊時間序列的工作面瓦斯?jié)舛阮A測分析*

王江榮1文 暉1羅資琴2

(1.蘭州石化職業(yè)技術學院信息處理與控制工程系；2.蘭州石化職業(yè)技術學院石油化學工程系)

煤礦工作面瓦斯?jié)舛葧r間序列預測是一個非線性、模糊數(shù)據處理問題。為了避免因具體預測值的不準確性導致的錯誤判斷，提出了基于時間的模糊多項式預測方法。在建模過程中先將原始數(shù)據模糊化，再將模型模糊系數(shù)轉化成線性規(guī)劃求解。與其他預測模型對比分析，該方法的預測結果不是具體數(shù)值而是一個區(qū)間，有效地擴大了相關量的適用范圍，使預測結果更趨于合理、科學和便于操作。

瓦斯?jié)舛?時間序列 三角模糊數(shù) 模糊多項式 預測區(qū)間

瓦斯?jié)舛仁怯绊懨旱V安全生產的一個重要指標，對其進行及時準確地預測關乎煤炭開采、礦工生命財產，也是煤礦安全生產的重要保障。煤礦井下瓦斯?jié)舛茸兓艿刭|構造、煤層厚度、埋藏深度、工作面風量、煤層瓦斯抽放量等因素的影響，是一個影響因素繁多的非線性復雜系統(tǒng)，而且各因素之間的界限并不明確，存在著模糊性，致使揭示瓦斯?jié)舛茸兓?guī)律的歷史數(shù)據往往不盡全面還帶有模糊性。本文提出了一種模糊多項式時間序列預測法，預測結果可以不是具體數(shù)值，而是一個區(qū)間，有效地擴大了相關量的適用范圍，避免了已有方法[1-4]預測結果的不準確性導致錯誤判斷的缺陷，使預測結果更合理、更科學。

1 模糊時間序列預測法

首先將歷史數(shù)據模糊化(轉化成三角模糊數(shù))，構建模型模糊系數(shù)，利用格貼近度不小于某個給定值的要求，將模型系數(shù)中心值和模糊幅度值的估算轉化成線性規(guī)劃的優(yōu)化問題來解決，并利用MATLAB工具來完成。

模糊時間序列的基本模式[5]：

(1)

模糊系數(shù)

及次數(shù)k可根據歷史數(shù)據確定。具體步驟如下：

1.1 生成模糊數(shù)

設歷史數(shù)據為x1,x2,…,xT，令

ut=max{xt-1,xt,xt+1}，vt=min{xt-1,xt,xt+1}(t=2,3,…,T-1),u1=max(x1,x2)，v1=min(x1,x2)則(at,ct)的三角模糊數(shù)[6]：

(2)

1.2 多項式次數(shù)確定

1.3 模型模糊系數(shù)的估計值

(3)

式中，(βi,si)(i=0,1,2,…,k)為待確定常數(shù);βi為中心值;si為模糊幅度值。

(4)

由于

(5)

將式(5)代入式(4)，得

(6)

(7)

2 實例分析

2.1 數(shù)據來源[4]

表1是某礦井采煤工作面7月1日—31日監(jiān)測的平均瓦斯?jié)舛葦?shù)據序列，采樣時間間隔為1d，單位為%。利用工作面7月1日—15日平均瓦斯?jié)舛葦?shù)據對7月16日—20日工組面平均瓦斯?jié)舛冗M行分析預測，并將實際數(shù)據和預測結果進行對比，檢驗預測結果的優(yōu)劣。

表1 某礦井工作面瓦斯?jié)舛葦?shù)據序列

2.2 歷史數(shù)據的模糊中心值和模糊幅度值

根據式(2)計算出表1中工作面7月1日—15日瓦斯?jié)舛鹊哪：行闹导澳：戎?，結果見表2。

作出表2中中心值的折線圖，見圖1。

表2 建模樣本數(shù)據的中心值和模糊幅度值

圖1 建模樣本數(shù)據的模糊中心值的折線

當階數(shù)k=6時效果最佳。所以式(1)的回歸函數(shù)：

(8)

在式(6)中取h0=0.5，并將式(6)轉化為線性規(guī)劃的標準形式，結合表2中at和ct的數(shù)據，利用MATLAB優(yōu)化工具箱計算出式(8)7個模糊系數(shù)的中心值和模糊幅度值，數(shù)值結果見表3。

表3 模型模糊系數(shù)的中心值和模糊幅度值

注：模糊數(shù)可用其中心值和幅度值的有序數(shù)對(at,ct)表示。

由表3數(shù)值寫出模糊回歸函數(shù)：

+(-0.041 367 488 800 077,0.000 000 000 000 912)t2+(0.009 274 073 642 548,0.000 000 000 000 778)t3

+(-0.000 958 093 131 640, 0.000 000 000 000 679)t4+(0.000 045 672 522 477,0.000 000 000 000 024)t5

+(-0.000 000 804 350 774,0.000 000 001 633 077)t6.

(9)

目標函數(shù)的最優(yōu)值：s=1.637 487 411 186 249×10-9(模型模糊幅度值最小化).

2.3 測試樣本的預測值及預測區(qū)間

當t=16,17,18,19,20時,可得到7月16日—20日的工組面瓦斯?jié)舛鹊念A測值及預測區(qū)間，結果見表4。

表4 模糊時間序列模型對測試樣本的預測結果

15個建模數(shù)據的中心值與其對應預測中心值的平均絕對誤差為0.008 6，測試樣本的中心值與其預測中心值的平均絕對誤差為0.038 4。說明模型(9)的預測精度滿足實際要求。除7月16日的實測結果超出相應預測區(qū)間上限0.074 6外，其余均在預測區(qū)間內，并且實測值與預測中心值的平均絕對偏差值為0.054 1<0.060 7(預測幅度值的平均值)，進一步說明模型具有較高的精確度。將預測區(qū)間值作為模型的預測結果，顯得更合理，更具科學性和可操作性。

3 其他方法的瓦斯預測

作為比較，分別用普通5次多項式(在普通多項式中5次多項式最佳)P(5)、灰色GM(1,1)、基于粒子群優(yōu)化的BP神經網絡(簡記：PSO-BP)和AR(4)(階數(shù)為4時精度較高)，預測7月16日到7月20日的工組面平均瓦斯?jié)舛?，結果見表5。

從表5看出,對時間序列預測具有強大功能的GM(1,1)和AR(4)的預測精度較高，而普通多項式P(5)和PSO-BP網絡模型的預測精度較低。另外、這些方法的預測結果通常是一個確定的數(shù)值，而本文建立的模糊多項式時間序列預測模型的預測結果則是一個區(qū)間，即存在一個悲觀的上限值和一個樂觀的下限值，可以避免因具體預測值的不準確性所導致的錯誤判斷，提高了預測的可靠性。再者由模糊多項式時間序列預測模型得到的7月16日—20日的工組面瓦斯?jié)舛阮A測中心值與實測值之間的平均絕對誤差(偏差)小于表5中的4種方法，也進一步表明了本模型優(yōu)于該4種預測模型。

表5 各方法預測7月16日—20日的工組面瓦斯?jié)舛?/p>

注：多項式P(5)的模型系數(shù)由MATLAB函數(shù)regress()求解[9]；AR模型系數(shù)由粒子群算法優(yōu)化[10]，同時模型階數(shù)按AIC信息規(guī)則確定[11]；BP神經網絡結構為1-5-1，其權值和閾值由粒子群算法優(yōu)化[12]；GM(1,1)模型系數(shù)由最小二乘來估算[13]。

4 結 語

將工作面瓦斯?jié)舛葧r間序列原始數(shù)據轉化成對稱三角模糊數(shù)，以所得的15個原始數(shù)據的中心值序列和模糊幅度值序列為基礎，建立模糊多項式(系數(shù)也為對稱三角模糊數(shù))時間序列預測模型。按貼近度越大越好的原則確定多項式的階數(shù)(次數(shù))；按格貼近度不小于給定值(可以是0.5等)，同時要求各模型系數(shù)的幅度值越小越好的準則，把求模型系數(shù)中心值和模糊幅度值的約束問題轉化成線性規(guī)劃求最優(yōu)解的問題。以此模型預測了7月16日—20日的工組面瓦斯?jié)舛鹊闹行闹岛头戎?，并以此構建預測區(qū)間,與其他4種預測方法對比分析，本文建

立的時間序列預測模型精度更高，且預測結果不是一個數(shù)，而是一個區(qū)間，擴大了相關量的取值范圍，使預測結果更合理、更準確也更科學。

[1] 韓婷婷，吳世躍，王鵬軍.基于馬爾科夫殘差修正的瓦斯?jié)舛阮A測[J].工礦自動化，2014,40(3):28-31.

[2] 張寶燕，李 茹，穆文瑜.基于混沌時間序列的瓦斯?jié)舛阮A測研究[J].計算機工程與應用,2011，47(10):244-248.

[3] 王其軍，程久龍.基于免疫神經網絡模型的瓦斯?jié)舛戎悄茴A測[J].煤炭學報，2008，33(6)：665-669.

[4] 郝元偉，李尚國.工作面瓦斯?jié)舛葧r間序列分析預測[EB/OL].(2010-07-28)，http:∥www.paper.edu.cn.

[5] 劉合香.模糊數(shù)學理論及其應用[M].北京:科學出版社，2012.

[6] 王江榮.基于遺傳算法模糊多元線性回歸分析的瓦斯涌出量預測模型[J]. 工礦自動化，2013,39(12):34-38.

[7] 顧 潔, 陳章潮, 鄭家志.電力系統(tǒng)負荷預報的模糊理論方法[J].上海交通大學學報,1999,33(12):1537-1539.

[8] 張小紅,裴道武,代建華.模糊數(shù)學與Rough集理論[M].北京:清華大學出版社，2013.

[9] 謝中華.MATLAB統(tǒng)計分析與應用：40個案例分析[M].北京：北京航空航天大學出版社，2010.

[10] 許國根，賈 瑛.模式識別與智能計算的MATLAB實現(xiàn)[M].北京：北京航空航天大學出版社，2012.

[11] 王江榮.基于粒子群算法的自回歸加權馬爾可夫鏈的負荷預測[J].工業(yè)儀表與自動化裝置，2014(1):113-117.

[12] 王江榮.基于卡爾曼濾波和粒子群優(yōu)化算法的灰色神經網絡預測模型[J].電氣自動化，2014,36(1):24-26.

[13] 王江榮.基于灰色GM(1,1)和自適應神經模糊推理的數(shù)據預測模型[J].計量技術，2011(10):7-10.

Prediction and Analysis of the Gas Concentration of Working Face Based on Fuzzy Time Series

Wang Jiangrong1Wen Hui1Luo Ziqin2

(1.Department of Information Processing and Control Engineering,Lanzhou Petrochemical College of Vocational Technology;2.Department of Petroleum Chemical Engineering, Lanzhou Petrochemical College of Vocational Technology)

Time series prediction of gas concentration of coal working face is a nonlinear, fuzzy data processing problem. In order to avoid the misjudgment caused by the inaccuracy of the prediction value of the specific result, a fuzzy polynomial prediction based on time is proposed, the prediction results of this method is a specific value, rather than an interval, effectively expanding the scope of the relevant quantity, make predictions become more reasonable, scientific and convenient operation. In the process of modeling, the raw data is fuzzy, the model of fuzzy coefficient is transformed into solving linear programming. Through the comparative analysis, the model is better than the other forecasting model.

Gas concentration, Time series, Triangular fuzzy numbers, Fuzzy polynomia, Prediction interval

*甘肅省科技廳項目：石油化工企業(yè)應急演練系統(tǒng)(編號：1204GKCA004)；甘肅省財政廳專項資金立項資助(編號：甘財教[2013]116號)。

2014-07-25)

王江榮(1966—)，男，教授，730060 甘肅省蘭州市西固區(qū)山丹街1號。