【技術實現步驟摘要】
本專利技術屬于煤礦安全，具體是指一種用于瓦斯積聚智能控制的供風量預測方法及系統。
技術介紹
1、瓦斯聚積在煤礦環境中會帶來多種安全隱患，存在引發瓦斯爆炸、礦井坍塌、工人缺氧窒息和其他事故的風險，通過供風量預測，可以有效地調整通風系統，將礦井內部瓦斯濃度控制在安全范圍內，從而為煤礦的安全生產提供重要保障。但在現有的用于瓦斯積聚智能控制的供風量預測過程中，存在實時性不足、響應滯后的情況，導致通風系統調節滯后，煤礦安全風險高的技術問題；存在礦井環境數據受到礦井內工人活動的影響，具有不穩定性和復雜性，且調節通風后瓦斯濃度變化存在時間延遲，因而難以準確預測所需供風量，有導致供風量不足或過度的風險，進而影響瓦斯聚積智能控制的有效性和實用性的技術問題。
技術實現思路
1、針對上述情況，為克服現有技術的缺陷，本專利技術提供了一種用于瓦斯積聚智能控制的供風量預測方法及系統，針對在現有的用于瓦斯積聚智能控制的供風量預測過程中，存在實時性不足、響應滯后的情況，導致通風系統調節滯后，煤礦安全風險高的技術問題，本方案采用基于門控循環單元和粒子群優化算法的瓦斯聚積風險預測，通過優化模型參數，避免模型學習能力差和過擬合的現象，并增強了模型的魯棒性，能夠實現對歷史數據和實時數據的快速學習，增強了預測的實時性，有助于及時發現瓦斯聚積風險，從而提高煤礦安全性；針對在現有的用于瓦斯積聚智能控制的供風量預測過程中，存在礦井環境數據受到礦井內工人活動的影響，具有不穩定性和復雜性，且調節通風后瓦斯濃度變化存在時間延遲，因而難
2、本專利技術采取的技術方案如下：本專利技術提供的一種用于瓦斯積聚智能控制的供風量預測方法，該方法包括以下步驟：
3、步驟s1：數據準備，具體為通過傳感器收集礦井環境數據；
4、步驟s2：數據預處理；
5、步驟s3：瓦斯聚積特征工程，具體為依據瓦斯濃度平滑數據，基于門控循環單元和粒子群優化算法進行瓦斯聚積風險預測，得到瓦斯聚積風險等級；
6、步驟s4：供風量預測；
7、步驟s5：瓦斯濃度控制策略生成。
8、進一步地，在步驟s1中，所述礦井環境數據包括瓦斯濃度數據和通風參數，所述通風參數包括風量、風速、風壓、通風溫度、濕度和氧濃度。
9、進一步地，在步驟s2中，所述數據預處理，具體為對瓦斯濃度數據和通風參數分別進行缺失值填補、異常值刪除和小波去噪操作，得到瓦斯濃度平滑數據和通風數據。
10、進一步地，在步驟s3中，所述瓦斯聚積特征工程，用于依據瓦斯濃度平滑數據，進行瓦斯聚積風險預測，具體為基于門控循環單元和粒子群優化算法的瓦斯聚積風險預測，包括以下步驟：
11、步驟s31：采用主成分分析對瓦斯濃度平滑數據進行降維，計算得到瓦斯濃度特征；
12、步驟s32：基于門控循環單元初始化瓦斯聚積風險預測模型；
13、步驟s33：采用粒子群優化算法進行參數調優，通過模型訓練，得到瓦斯聚積風險預測優化模型，包括以下步驟：
14、步驟s331：初始化粒子群，具體為將模型參數作為粒子的位置，設置粒子的數量和維度，并隨機初始化粒子的位置和速度，計算公式為：
15、；
16、式中，j是粒子索引，locj是第j個粒子的位置，m是粒子的維度，lcj1是第j個粒子在第1個維度上的位置分量，lcj2是第j個粒子在第2個維度上的位置分量，lcjm是第j個粒子在第m個維度上的位置分量，spej是第j個粒子的速度，用于表示粒子搜索的速度方向，spj1是第j個粒子在第1個維度上的速度分量，spj2是第j個粒子在第2個維度上的速度分量，spjm是第j個粒子在第m個維度上的速度分量；
17、步驟s332：設置個體極值和全局極值的初始值，具體為將粒子的當前位置作為個體極值和全局極值的初始值；
18、步驟s333：計算每個粒子當前位置的適應度值，所述適應度值的計算公式為：
19、；
20、式中，valj是第j個粒子的適應度值，用于評估粒子的質量，val(·)是適應度函數，所述適應度函數用于表示模型的損失函數；
21、步驟s334：更新每個粒子的個體極值，具體為通過將粒子當前位置的適應度值和個體極值對應的適應度值進行比較，如果粒子當前位置的適應度值小于個體極值對應的適應度值，那么將個體極值更新為粒子的當前位置；
22、步驟s335：更新全局極值，具體為遍歷所有粒子的個體極值，如果有粒子u的個體極值對應的適應度值小于全局極值對應的適應度值，那么則將全局極值更新為所述粒子u的位置；
23、步驟s336：依據個體極值和全局極值更新每個粒子的速度和位置，用于模擬粒子在參數空間中的搜索過程，計算公式為：
24、；
25、式中，t是迭代次數索引，spej(t+1)是在第t+1輪迭代時第j個粒子的速度，α是慣性權重，用于表示粒子在特定更新速度下的慣性程度，spej(t)是在第t輪迭代時第j個粒子的速度，s1是第一學習因子，用于平衡個體極值對粒子更新的影響，v1是取值范圍在[0,1]區間的第一隨機參數，是在第t輪迭代時的個體極值，locj(t)是在第t輪迭代時第j個粒子的位置，s2是第二學習因子，用于平衡全局極值對粒子更新的影響，v2是取值范圍在[0,1]區間的第二隨機參數，是第t輪迭代時的全局極值，locj(t+1)是在第t+1輪迭代時第j個粒子的位置；
26、步驟s337：通過重復執行步驟s333及其后續步驟操作tmax次，進行粒子群迭代更新，計算得到全局最優極值，將全局最優極值作為模型最優參數；
27、步驟s338：依據瓦斯濃度特征，采用模型最優參數對瓦斯聚積風險預測模型進行訓練，得到瓦斯聚積風險預測優化模型；
28、步驟s34：采用瓦斯聚積風險預測優化模型進行預測，得到瓦斯聚積風險等級，所述瓦斯聚積風險等級包括一級、二級、三級和四級，危害程度依次降低，所述一級為最高風險，所述四級為最低風險。
29、進一步地，在步驟s4中，所述供風量預測，用于依據瓦斯濃度、瓦斯聚積風險等級和通風數據進行供風量預測，具體為基于深度強化學習的供風量預測，包括以下步驟：
30、步驟s41：設計深度強化學習的關鍵要素，包括以下步驟：
31、步驟s411：定義狀態空間，具體為將瓦斯聚積風險等級、瓦斯濃度和通風參數拼接成一個狀態向量；
32、步驟s412：定義動作空間，具體為將供風量的取值范圍設置為動作空間，將動作設定為調節供風量本文檔來自技高網...
【技術保護點】
1.一種用于瓦斯積聚智能控制的供風量預測方法，其特征在于：該方法包括以下步驟：
2.根據權利要求1所述的一種用于瓦斯積聚智能控制的供風量預測方法，其特征在于：在步驟S3中，所述瓦斯聚積特征工程，具體為基于門控循環單元和粒子群優化算法的瓦斯聚積風險預測，包括以下步驟：
3.根據權利要求1所述的一種用于瓦斯積聚智能控制的供風量預測方法，其特征在于：在步驟S41中，所述設計深度強化學習的關鍵要素，包括以下步驟：
4.根據權利要求1所述的一種用于瓦斯積聚智能控制的供風量預測方法，其特征在于：在步驟S43中，所述通過模型訓練進行參數更新，優化策略網絡和值函數網絡，得到供風量預測模型，包括以下步驟：
5.根據權利要求1所述的一種用于瓦斯積聚智能控制的供風量預測方法，其特征在于：在步驟S1中，所述礦井環境數據包括瓦斯濃度數據和通風參數，所述通風參數包括風量、風速、風壓、通風溫度、濕度和氧濃度；
6.根據權利要求1所述的一種用于瓦斯積聚智能控制的供風量預測方法，其特征在于：在步驟S5中，所述瓦斯濃度控制策略生成，具體為依據瓦斯聚積風險等
7.一種用于瓦斯積聚智能控制的供風量預測系統，用于實現如權利要求1-6中任一項所述的一種用于瓦斯積聚智能控制的供風量預測方法，其特征在于：包括數據準備模塊、數據預處理模塊、瓦斯聚積特征工程模塊、供風量預測模塊和瓦斯濃度控制策略生成模塊。
8.根據權利要求7所述的一種用于瓦斯積聚智能控制的供風量預測系統，其特征在于：所述數據準備模塊，具體為通過傳感器收集礦井環境數據，得到礦井環境數據，并將所述礦井環境數據發送至數據預處理模塊；
...【技術特征摘要】
1.一種用于瓦斯積聚智能控制的供風量預測方法，其特征在于：該方法包括以下步驟：
2.根據權利要求1所述的一種用于瓦斯積聚智能控制的供風量預測方法，其特征在于：在步驟s3中，所述瓦斯聚積特征工程，具體為基于門控循環單元和粒子群優化算法的瓦斯聚積風險預測，包括以下步驟：
3.根據權利要求1所述的一種用于瓦斯積聚智能控制的供風量預測方法，其特征在于：在步驟s41中，所述設計深度強化學習的關鍵要素，包括以下步驟：
4.根據權利要求1所述的一種用于瓦斯積聚智能控制的供風量預測方法，其特征在于：在步驟s43中，所述通過模型訓練進行參數更新，優化策略網絡和值函數網絡，得到供風量預測模型，包括以下步驟：
5.根據權利要求1所述的一種用于瓦斯積聚智能控制的供風量預測方法，其特征在于：在步驟s1中，所述礦井環境數據包括瓦斯濃度數據和通風參數，所述通風參數包括風量、風速、...
【專利技術屬性】
技術研發人員：楊家彪，侯林，王利軍，陳德良，彭永東，王東河，楊宇，穆曉剛，劉楨宇，劉琴，趙青云，
申請(專利權)人：太原理工智能裝備研究院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。