基于小波的CNN-LSTM-Attention瓦斯预测模型研究*

曹 梅,杨超宇

(1.安徽理工大学 经济与管理学院,安徽 淮南 232001;2.安徽理工大学 人工智能学院,安徽 淮南 232001)

0 引言

煤矿瓦斯事故危害范围较大,破坏性较强,易造成较多人员伤亡,严重影响煤矿安全生产[1]。瓦斯预测是预防煤矿瓦斯事故的主要措施,为有效预测煤矿瓦斯浓度,诸多学者进行大量研究。诸多学者将传统的预测方法应用到瓦斯浓度预测当中,均取得一定预测效果,如:指数平滑法[2]、灰色预测[3]和ARIMA[4-5],但这些预测方法对于数据序列平稳性要求较高,对于序列波动较强的瓦斯数据,通常要先进行平稳性处理,为了改进其不足,一些学者进行深入的探索。郭思雯等[6]将小波分析和ARIMA模型结合预测瓦斯浓度;范京道等[7]使用ARIMA结合SVM,分别预测瓦斯线性和非线性数据,预测效果有效提升;赖祥威等[8]基于集成学习建立改进灰色预测模型进行预测;肖鹏等[9]利用小波包分解方法和极限学习机建立瓦斯预测模型。近年来,机器学习[10]、深度学习[11]算法的发展,为解决非线性复杂瓦斯时间序列预测问题提供了新思路。李树刚等[12]使用RNN模型实现煤矿瓦斯涌出预测;刘剑桥[13]利用改进的LSTM模型预测瓦斯涌出,解决RNN网络梯度消失问题;张新建等[14]将小波阈值处理和LSTM模型结合,减少瓦斯序列数据噪声影响,模型预测取得一定效果,但瓦斯序列突变性较强,噪声数据筛选处理不当易造成数据失真,忽略原始数据重要特征,影响预测精度。

针对上述问题,本文将小波分析方法、深度学习算法和注意力机制结合,建立瓦斯浓度预测模型。……