基于A-GRU的瓦斯浓度序列预测研究

冉啟华，吴何碧，丁力生，李 旭，赖永标，杨 扬，杨黎明，赖祥威

（1.云南卫士盾科技有限公司，云南昆明 650500；2.中建铁路投资建设集团有限公司，北京 100053；3.昆明理工大学理学院，云南 昆明 650031）

0 引言

由于瓦斯灾害危害煤矿安全生产，国内外已有诸多学者针对瓦斯预测开展研究。最开始，有学者认为瓦斯浓度与开采深度单纯成正比关系，但在实际测量过程中，由于煤矿井下地质复杂，瓦斯浓度序列通常呈现非线性的规律。于是，部分学者便考虑引入多变量指标预测瓦斯浓度，但均未取得较为满意的效果。

为此，不少学者通过向量机［1-2］、Elman 神经网络［3］、BP 神经网络［4］、灰色神经网络［5-9］等方法对瓦斯浓度进行非线性拟合。魏林等［10］结合最小二乘支持向量机和自回归模型对瓦斯体积分数进行预测。杨丽等［11］提出了一种新的变量选择和定阶方法，利用多元分布滞后模型建立多变量瓦斯浓度序列预测模型。胡坤等［12］利用教学算法优化回归算法的参数，实现了对瓦斯回采工作面演出量的预测。此外，也有学者采用多指标耦合算法［13］、自回归差分移动平均模型［14］、循环神经网络［15］对瓦斯进行预测。

随着智能化煤矿快速发展，在极大程度上推动了深度学习模型的发展。Zhang 等［16］采用遗传算法优化SRWNN瓦斯预测模型，开发了一套分布式智能边缘装置瓦斯浓度预测系统。Zhang 等［17］利用长短时记忆神经网络对瓦斯监控数据进行预测。

考虑到模型的预测精度和实时性需求，本文基于融合注意力机制的门控循环单元神经网络对瓦斯浓度值进行预测，并以瓦斯浓度历史数据为案例，阐述门控循环单元（Gated Recurrent Unit，GRU）［18］的结构设计，并将其与卷积神经网络、循环神经网络、人工神经网络进行比较。

1 模型设计流程与评价指标

考虑到瓦斯浓度序列预测属于非线性问题，传统算法难以进行高精度预测，因此本文提出了一种基于门控循环单元神经网络的瓦斯浓度序列预测算法，以辅助瓦斯浓度监控系统进行预警。

1.1 RNN

针对给定的瓦斯浓度序列x=(x1，x2，...，xn)，运用标准循环神经网络（Recurrent Neural Network，RNN）算法进行预测。RNN 结构如图1所示。

Fig.1 RNN internal structure图1 RNN内部结构

由此，计算隐藏层序列h=(h1，h2，...，hn)和输出层序列y=(y1，y2，...，yn)，计算公式如下：

其中，W为权重系数矩阵，例如Why为隐藏层到输出层的权重系数矩阵，by、bh为偏置向量，fa为激活函数，下标t为时刻。

1.2 GRU

GRU 不同于传统神经网络，该网络基于长短期记忆网络（Long Short-Term Memory，LSTM），但不同之处在于GRU将LSTM 中的输入门和遗忘门合并成一个更新门。于是GRU 存在两个门：更新门和重置门。其中，更新门控制上一个时刻的信息保存到下一时刻的程度；重置门控制当前状态信息与上一时刻信息是否结合。GRU 内部结构如图2所示。

Fig.2 Internal structure of GRU图2 GRU内部结构

GRU 内部计算公式如下：

1.3 注意力机制

注意力机制的结构如图3 所示。其中，xt(t=[1，n])表示网络层中输入数据，ht(t=[1，n])表示网络层中每一个隐藏层的输出，at(t=[1，n])表示网络中隐藏状态的每一个注意力概率分布值。

Fig.3 Attention mechanism structure图3 注意力机制结构

1.4 模型设计

A-GRU 神经网络瓦斯浓度预测模型如图4 所示，共包含输入层、隐藏层、输出层、网络训练及网络预测5 个板块。

（1）输入层。在输入瓦斯浓度序列数据前，先定义瓦斯浓度序列数据x=(x1，x2，...，xn)，再将数据集划分为训练集xtrain=(x1，x2，...，xm)和测试集xtest=(xm+1，xm+2，...，xn)，m∈(0，n)。最后将划分好的训练集和测试集数据进行归一 化 处 理，得 到m∈(0，n) 和

（2）隐藏层。隐藏层采用A-GRU 构造的神经网络，将数据输入隐藏层，经过前向传播公式计算损失，不断优化模型。

（3）输出层。输出层用来降低预测值与真实值的损失，然后输出y=(y1，y2，...，yn)，并将m时刻的结果提供给预测模块，进行一下步m+1 时刻预测，得到瓦斯浓度序列预测最终结果。

（4）网络训练。网络训练部分首先利用RMSE 进行损失计算，然后使用Adam 优化算法进行二次优化，再经过多次训练迭代后得到最终预测值。

（5）网络预测。网络预测部分采用训练好的A-GRU神经网络模型进行预测，得到多个时刻的瓦斯浓度序列预测值。

Fig.4 Network model structure图4 网络模型结构

1.5 评价指标

为比较不同算法间的优劣性，本文采用均方根差（RMSE）和平均绝对误差（MAE）对不同算法的预测精度进行科学评价，计算公式如下：

其中，n为样本数量，xk为时间点k的真实值，为时间点k的预测值。

2 实验比较及分析

本文基于吉林省板石瓦斯浓度监控数据对A-GRU 模型、MLP、CNN 和RNN 共4 种模型进行实验，比较分析各模型的优缺点。

2.1 实验数据

实验数据来源于吉林省板石矿瓦斯灾害风险防控示范工程项目2020年10月1日至2021年10月1日和2021年1 月1 日至4 月1 日两个阶段的瓦斯监控数据。数据平台如图5所示。

Fig.5 Banshi coal mine gas disaster risk management and control platform图5 板石煤矿瓦斯灾害风险管控平台

瓦斯浓度监控传感器数据为全天候不间断采集，采集时间间隔为1h。为避免实验的偶然性，选取31901 上顺工作面和31901 下顺工作面采集的样本数据作为实验数据，每组样本数据集序列长度如表1 所示，选取数据集的前80%为训练集，后20%为测试集。

Table 1 Description of experimental data set collected by gas concentration sensor in underground coal mine表1 煤矿井下瓦斯浓度传感器采集实验数据集描述

2.2 实验结果

由于瓦斯浓度序列存在一定的序列性，并且A-GRU模型的参数设置会直接影响预测结果的准确性，因此合理设置模型参数尤为重要。

2.2.1 参数设置

根据经验设置历史数据特征数（即步长）为6，训练网络模型的损失函数选择均方误差，优化器选择Adam，迭代次数为30次，批大小为8。

2.2.2 算法比较

首先从空间角度考查A-GRU 模型的优势，采用31901上顺和31901 下顺3 个月的实验数据进行预测，得到预测值（见图6、图7）和3 个月瓦斯浓度序列误差表（见表2）。然后，为了充分验证该模型的可靠性，对31901 上顺工作面和31901 下顺工作面6 个月的瓦斯浓度值进行预测，得到预测值（见图8、图9）和6 个月瓦斯浓度序列误差表（见表3）。

根据表2 可知，在31901 上顺工作面训练集中A-GRU算法相较于MLP 的RMSE 降低了0.467%，相较于CNN 的MAE 下降了0.297%；在测试集中A-GRU 算法相较于MLP的RMSE 降低了1.858%，MAE 降低了3.483%。

在31901 下顺工作面测试集中，A-GRU 算法相较于RNN 的MAE 降低了0.368%。在其它条件都一致的情况下，A-GRU 总体上预测效果更好。

Fig.6 Prediction value of gas by different algorithms in 31901 upper working face（3 months）图6 31901上顺工作面（3个月）不同算法瓦斯预测值

Fig.7 Prediction value of gas by different algorithms in 31901 lower running working face（3 months）图7 31901下顺工作面不同算法瓦斯预测值

Table 2 Error of gas concentration series in 3 months表2 3个月瓦斯浓度序列误差

Table 3 Error of gas concentration series in 6 months表3 6个月瓦斯浓度序列误差

续表

Fig.8 Prediction value of gas by different algorithms in 31901 upper working face（6 months）图8 31901上顺工作面（6个月）不同算法瓦斯预测值

由表3 可知，在31901 上顺工作面测试集中，A-GRU相较于CNN 的RMSE 降低了0.277%，相较于CNN 的MAE降低了0.776%；在31901 下顺工作面训练集中，A-GRU 相较于MLP 的MAE 降低了0.176%，相较于RNN 的MAE 降低了0.511%。

在6 个月的测试集中，A-GRU 相较于RNN 的MAE 降低了1.024%，总体上预测效果更好。

Fig.9 Prediction value of gas by different algorithms in 31901 lower working face（6 months）图9 31901下顺工作面（6个月）不同算法瓦斯预测值

3 结论

为准确预测瓦斯浓度序列数据，本文提出一种基于A-GRU 神经网络的瓦斯浓度序列预测方法。该方法首先对数据集进行划分和归一化，接着引入更新门和重置门处理具有时序性的历史瓦斯浓度序列数据，设计网络结构学习瓦斯浓度序列内部的动态变化规律，以误差损失最小为目标，构建模型预测瓦斯浓度。并以吉林板石瓦斯浓度监控数据为例，时间、空间两种不同角度的实例数据表明，该方法预测数据的最小均方根误差为3.95%，最小平均绝对误差为0.71%，相较于CNN、RNN 和MLP 模型预测精度更高。此外，在模型设计方面，本文考虑了瓦斯浓度序列的混沌特性，增加了模型的普适性。