煤自燃预测的支持向量回归方法

摘要：

煤自燃温度的准确预测是矿井煤自燃防控的关键.为了科学准确地预测采空区煤自燃温度,在大佛寺煤矿40106综放工作面开展现场观测实验,以现场束管监测系统数据为基础,采用粒子群优化算法(PSO)优化支持向量回归(SVR)参数,建立了煤自燃温度预测的PSO-SVR模型;同时,在保证训练和测试样本不变的前提下,建立了标准SVR模型、BP神经网络(BPNN)模型和多元线性回归(MLR)模型,并与PSO-SVR模型预测结果进行对比分析.MLR,BPNN,SVR和PSO-SVR模型训练样本预测结果的平均绝对百分比误差(MAPE)分别为:5.75％,0.84％,4.16％和1.13％,测试样本预测结果的MAPE分别为:5.17％,3.03％,3.83％和1.34％.结果表明:MLR模型预测结果最差,说明煤自燃温度与气体指标之间的非线性关系更显著,线性模型不宜于煤自燃预测;BPNN模型训练样本预测效果极佳,但测试样本预测效果较差,易出现“过拟合”现象,泛化性较差;PSO-SVR模型预测精度较标准SVR模型有了极大提高,更适宜于煤自燃预测.

关键词：煤自燃、支持向量回归、粒子群优化、神经网络

所属期刊栏目：38

分类号：TD75(矿山安全与劳动保护)

资助基金：国家自然科学基金51574193,51504186;陕西省工业科技攻关2016GY-191

在线出版日期：2018-09-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：175-180