一种改进量子粒子群优化的瓦斯信号演化趋势预测方法与流程

1.本发明涉及瓦斯信号预测领域，尤其涉及一种改进量子粒子群优化的瓦斯信号演化趋势预测方法。


背景技术：

2.煤炭作为我国人民生产生活的主要消耗能源，其开采工作常伴随频繁的安全事故，其中煤与瓦斯突出是煤矿井下生产的一种强大自然灾害，严重威胁煤矿的安全生产及矿工的生命安全，因此对回采工作面瓦斯信号演化趋势的高效精准预测是防治煤矿瓦斯灾害的有力措施之一；目前预测瓦斯信号演化趋势的方法主要有混沌时间序列预测、灰色理论预测、支持向量机、人工神经网络、d
‑
s理论等；以上均为基于机器学习模式的预测方法，模型的在线更新和动态调整较复杂，耗时较长，虽对于瓦斯信号演化趋势短期预测具有一定效用，但由于回采工作面瓦斯信号的演化具有极大的不确定性，受自然环境条件和开采技术等多种因素影响，且各因素之间的相互作用具有非线性，非平稳性特性，所以传统的线性方法很难达到对瓦斯信号演化趋势的精准预测，进一步将影响整个煤矿的安全生产；针对此种现状，研究一种具有预测精度高、运算速度快，可实现动态预测的煤矿回采工作面瓦斯信号演化趋势预测方法具有很强的现实意义。


技术实现要素：

3.针对现有技术的不足，本发明提出一种改进量子粒子群优化的瓦斯信号演化趋势预测方法，利用elman算法具有动态反馈环节的优越性，与elman有机结合改进传统粒子群优化算法易陷入局部最优解的算法缺陷，改善其网络学习速度较慢、易于“早熟”收敛、鲁棒性较差等缺陷，提升煤矿回采工作面瓦斯信号演化趋势的预测效率与预测精度，实现煤矿回采工作面瓦斯信号演化趋势的准确动态预测，包括以下步骤：
4.s1：通过井下瓦斯传感器收集瓦斯信号时间序列数据，形成瓦斯信号时间序列库；
5.s2：对存储到瓦斯信号时间序列库中的瓦斯信号数据进行小波去噪预处理；
6.s3：基于最小微熵率法同时计算瓦斯信号时间序列的延迟时间τ和嵌入维数m；
7.s4：将处理后的瓦斯信号序列基于改进的量子粒子群算法预测瓦斯信号演化趋势；
8.s5：利用改进的量子粒子群算法优化elman算法的权值和阈值ω和θ；
9.所述s2的具体过程为：含噪瓦斯信号表示为x
i
，i＝0,1,2,
…
,n
‑
1，n表示自然数，对信号应用阈值法进行去噪，如公式(1)所示：
[0010][0011]
其中，t
h
代表对信号x
i
做h距离的时域平移，(t
h
x
i
)＝x
(i h)time
为经平移处理后的信号，w(t
h
x
i
)代表去噪信号，t
‑
h
(w(t
h
x
i
)代表经反向循环平移处理的去噪信号，ave表示“平均化处理”；h
n
＝{h|0≤h≤n}，h为正整数；
[0012]
所述s3的具体过程为：用最小微熵率法同时求取去噪后瓦斯信号时间序列的延迟
时间τ及嵌入维数m，获取最佳重构参数，重构序列相空间，对于瓦斯信号时间序列x(t)(t＝1,2,
…
,n)，n
r
个替代数据x
r,i
(t)(i＝1,2,
…
,n
r
)，n
r
为整数，其微熵如公式(2)所示：
[0013][0014]
其中：ρ
j
为第j个延迟向量与其最近邻点间位置的欧氏距离；o≈0.5772为欧拉常数，则可得给定序列微熵率，如公式(3)所示：
[0015][0016]
其中，n(n＝n
‑
(m
‑
1)τ)为延迟向量个数；＜
·
＞
i
为求解n
r
个替代数据微熵h(x
r,i
)的平均值算子，在上式所得结果中筛选出最小微熵率值，其所对应的τ、m值即为相空间重构的最优参数，经重构后相空间向量表示为x
i
＝(x
i
,x
i τ
,
…
,x
i (m
‑
1)τ
)∈r
m
，式中：i＝1,2,
…
,m，m＝n
‑
(m
‑
1)τ；
[0017]
所述s4的具体过程为：粒子群中每一个粒子都具有量子行为，对于粒子i，其吸引势子表示为p
i
(p
i,1
,p
i,2
,
…
,p
i,n
)，则n维搜索空间基于δ势阱的量子粒子群算法中粒子进化方程如公式(4)所示：
[0018][0019]
其中：t表示时间，p
i,j
表示吸引势子p
i
在j维的坐标，l
i,j
为特征搜索长度，u
i,j
～u(0,1)为均匀分布的随机数；
[0020]
在算法中引入粒子平均最优位置av(t)，使算法具有更好的收敛精度与速度，表示所有粒子最优位置的平均值，如公式(5)所示：
[0021][0022]
则l
i,j
＝2γ
·
|av
j
(t)
‑
x
i,j
(t)|，原粒子进化方程变更如公式(6)所示：
[0023][0024]
其中，γ表示收缩
‑
扩张因子，影响算法的鲁棒性，采用自适应调整γ的方法，提高量子粒子群算法的整体性能，如公式(7)：
[0025][0026]
其中，k
m
为算法最大迭代次数；γ0和γ1为可设定的值；
[0027]
所述s5的具体过程分为以下步骤：
[0028]
s5.1:初始化群体：设置elman的参数向量x＝{ω,θ}作为粒子i在j维空间第t次迭代的位置x
i,j
(t)，随机生成粒子初始化位置，形成初始搜索种群，设定最大迭代次数和粒子群规模；
[0029]
s5.2计算粒子个体av(t)和局部吸引势子，按照式(7)设计γ，根据进化公式(6)进一步计算粒子在j维空间中的适应度函数值，用elman算法训练误差平方和e(x)衡量，如公
式8所示：
[0030][0031]
其中，e(x)＝y
k
(x)
‑
y'
k
(x)，表示elman训练误差值，y
k
(x)为目标期望输出值；y'
k
(x)为目标实际输出值；
[0032]
s5.3:比较当前粒子适应度值与历史粒子最优适应度值，更新粒子最优适应度值；
[0033]
s5.4:检查是否符合算法终止条件，若不满足最大迭代次数，则返回s2，继续进行下一次迭代运算，若满足最大迭代次数，则输出粒子最优适应度值，对种群内每个粒子进行此操作；
[0034]
s5.5:比较种群内全部的粒子最优适应度值，更新全局最优位置。
[0035]
有益技术效果
[0036]
本发明提出了一种改进量子粒子群优化的瓦斯信号演化趋势预测方法，利用elman算法具有动态反馈环节的优越性，与elman有机结合改进传统粒子群优化算法易陷入局部最优解的算法缺陷，改善其网络学习速度较慢、易于“早熟”收敛、鲁棒性较差等缺陷，提升煤矿回采工作面瓦斯信号演化趋势的预测效率与预测精度。
附图说明
[0037]
图1为本发明实施例提供的一种改进量子粒子群优化的瓦斯信号演化趋势预测方法流程图；
[0038]
图2为本发明实施例提供的利用改进的量子粒子群算法优化elman算法流程图。
具体实施方式
[0039]
下面结合附图和实施例，对本发明作进一步说明；
[0040]
一种改进量子粒子群优化的瓦斯信号演化趋势预测方法，用elman算法具有动态反馈环节的优越性，与elman有机结合改进传统粒子群优化算法易陷入局部最优解的算法缺陷，改善其网络学习速度较慢、易于“早熟”收敛、鲁棒性较差等缺陷，提升煤矿回采工作面瓦斯信号演化趋势的预测效率与预测精度，实现煤矿回采工作面瓦斯信号演化趋势的准确动态预测，如图1所示，包括以下步骤：
[0041]
s1：通过井下瓦斯传感器收集瓦斯信号时间序列数据，形成瓦斯信号时间序列库；
[0042]
s2：将通过井下瓦斯传感器采集到的历史瓦斯信号时序数据存入瓦斯信号时间序列数据库进行小波去噪处理，具体方式为：含噪瓦斯信号表示为x
i
，i＝0,1,2,
…
,n
‑
1，n表示自然数，对信号应用阈值法进行去噪，如公式(1)所示：
[0043][0044]
其中，t
h
代表对信号x
i
做h距离的时域平移，(t
h
x
i
)＝x
(i h)time
为经平移处理后的信号，w(t
h
x
i
)代表去噪信号，t
‑
h
(w(t
h
x
i
)代表经反向循环平移处理的去噪信号，ave表示“平均化处理”；h
n
＝{h|0≤h≤n}，h为正整数；
[0045]
s3：利用瓦斯信号时间序列的混沌特性，采用最小微熵率法同时求取去噪后瓦斯信号时间序列的延迟时间τ及嵌入维数m，获取最佳重构参数，重构序列相空间，具体方式
为：对于瓦斯信号时间序列x(t)(t＝1,2,
…
,n)，n
r
个替代数据x
r,i
(t)(i＝1,2,
…
,n
r
)，n
r
为整数，其微熵表示如公式(2)所示：
[0046][0047]
其中：ρ
j
为第j个延迟向量与其最近邻点间位置的欧氏距离；o≈0.5772为欧拉常数；则可得给定序列微熵率，如公式(3)所示：
[0048][0049]
其中，n(n＝n
‑
(m
‑
1)τ)为延迟向量个数；＜
·
＞
i
为求解n
r
个替代数据微熵h(x
r,i
)的平均值算子，在上式所得结果中筛选出最小微熵率值，其所对应的τ、m值即为相空间重构的最优参数，经重构后相空间向量表示为x
i
＝(x
i
,x
i τ
,
…
,x
i (m
‑
1)τ
)∈r
m
，式中：i＝1,2,
…
,m，m＝n
‑
(m
‑
1)τ；
[0050]
s4：将重构相空间后的瓦斯信号数据基于改进的量子粒子群算法进行瓦斯信号演化趋势的预测，粒子群中每一个粒子都具有量子行为，对于粒子i，其吸引势子表示为p
i
(p
i,1
,p
i,2
,
…
,p
i,n
)，则n维搜索空间基于δ势阱的量子粒子群算法中粒子进化方程如公式(4)所示：
[0051][0052]
其中：t表示时间，p
i,j
表示吸引势子p
i
在j维的坐标，l
i,j
为特征搜索长度，u
i,j
～u(0,1)为均匀分布的随机数；
[0053]
在算法中引入粒子平均最优位置av(t)，使算法具有更好的收敛精度与速度，表示所有粒子最优位置的平均值，如公式(5)所示：
[0054][0055]
则l
i,j
＝2γ
·
|av
j
(t)
‑
x
i,j
(t)|，原粒子进化方程变更如公式(6)所示：
[0056][0057]
其中，γ表示收缩
‑
扩张因子，影响算法的鲁棒性，采用自适应调整γ的方法，提高量子粒子群算法的整体性能，如公式(7)：
[0058][0059]
其中，k
m
为算法最大迭代次数；γ0和γ1为可设定的值；
[0060]
s5：利用改进的量子粒子群算法优化elman算法的权值和阈值ω和θ
[0061]
s5.1设置elman的参数向量x＝{ω,θ}作为粒子i在j维空间第t次迭代的位置x
i,j
(t)，初始化种群，粒子群规模为50，最大迭代次数为500；
[0062]
s5.2计算粒子个体av(t)和局部吸引势子，按照式(7)设计γ，根据进化公式(6)进一步计算粒子在j维空间中的适应度函数值，如图2所示，初始化elman算法参数为：输入层
节点数s1＝6；隐含层和联系单元节点数s2＝7；输出层节点数s3＝1；隐含层单元输出表示如
[0063]
公式(8)所示：c(k)＝αc(k
‑
1) h(k
‑
1)
ꢀꢀꢀ
(8)
[0064]
其中，α为自连接反馈增益算子，其取值范围[0,1)；联系单元输出表示为h(k)＝f(w
i1
c(k) w
i2
u(k
‑
1))，式中w
i1
为联系单元与隐含层单元的连接权矩阵；w
i2
为输入单元与隐含层单元的连接权矩阵；w
i3
为隐含层单元与输出单元的连接权矩阵；f(x)为隐含层单元激励函数，输出单元输出表示为o(k)＝g(w
i3
h(k))，g(x)为输出层单元函数，取为g(x)＝x；采用误差反向传播算法进行权值修正，将误差平方和函数作为学习指标，用elman算法训练误差平方和e(x)衡量，如公式(9)所示：
[0065][0066]
其中，e(x)＝y
k
(x)
‑
y'
k
(x)，表示elman训练误差值，y
k
(x)为目标期望输出值；y'
k
(x)为目标实际输出值；
[0067]
s5.3:比较当前粒子适应度值与历史粒子最优适应度值，更新粒子最优适应度值；
[0068]
s5.4:检查是否符合算法终止条件，若不满足最大迭代次数，则返回s2，继续进行下一次迭代运算，若满足最大迭代次数，则输出粒子最优适应度值，对种群内每个粒子进行此操作；
[0069]
s5.5:比较种群内全部的粒子最优适应度值，更新全局最优位置，得出的最优elman权值与阈值，进行网络训练，直到达到指定的预测精度；
[0070]
如表1和表2所示，随机对一组瓦斯信号进行预测比较，其结果见表1和表2；
[0071]
表1单一enn预测结果
[0072]
单一enn预测结果实际瓦斯信号数据百分误差值％0.33210.35466.78％0.34210.37038.24％0.21680.22584.17％0.43430.483011.21％0.42320.46399.62％0.22110.22873.45％0.23210.23963.21％0.36380.39017.23％0.21670.22684.67％0.25630.26884.89％
[0073]
表2改进量子粒子群算法优化后的enn预测结果
[0074]
iqpso改进enn预测实际瓦斯信号数据百分误差0.34710.35462.11％0.35970.37032.85％0.22230.22581.54％0.47180.48302.32％
0.45030.46392.94％0.23180.2287
‑
1.34％0.24470.2396
‑
2.12％0.38280.39011.87％0.22150.22682.32％0.26370.26881.89％
[0075]
由表1和表2可以看出，针对随机抽取的10组瓦斯信号数据，单一enn网络的预测结果与实际值相差较大，而经改进的量子粒子群优化的enn网络的方法预测结果精度更高。