粗糙集方法在瓦斯突出预测中的应用

煤矿瓦斯突出是一种多发的地质灾害,其影响因素众多,但是突出机理尚未研究清楚。将粗糙集理论和技术引入煤矿瓦斯突出区域预测,对影响瓦斯突出的关键因素进行约简,抽取出瓦斯突出相关的决策规则,建立了煤矿瓦斯突出区域预测模型,并通过数据试验和对比,表明粗糙集方法预测瓦斯突出具有较高的预测准确率,同时方法也为瓦斯突出预测提供了新的研究思路。     

回采工作面推进过程中的瓦斯涌出预测分析

针对现有回采工作面瓦斯涌出预测方法的数据大都是基于回采工作面单一传感器的瓦斯浓度序列,存在无法将工作面持续推进过程中空间位置变化的监测点位置进行记录的问题,提出了以回采工作面传感器各监测点瓦斯浓度序列数据为基础,结合工作面实际推进距离,运用BP神经网络模型综合预测工作面瓦斯涌出量的方法。该方法利用回采工作面瓦斯分源辨识方法,分别分析采空区瓦斯涌出和煤壁瓦斯涌出的变化规律;利用BP神经网络预测法,结合表征采空区瓦斯涌出和巷道煤壁瓦斯涌出规律的特征值对工作面日均瓦斯涌出进行预测。实例应用验证了该方法的正确性。     

基于多Agent信息融合的煤与瓦斯突出预测

针对现有煤与瓦斯突出预测方法存在的不足,考虑检测到的影响煤与瓦斯突出的多种因素数据,建立了煤与瓦斯突出预测的多Agent信息融合模型,实现对煤与瓦斯突出的快速、准确和动态预测。利用基于均值的分批估计融合算法对煤与瓦斯突出指标的多传感器数据进行处理以获取更为准确、可靠的数据以提高预测准确性,应用D-S证据理论解决煤与瓦斯突出预测过程中的不确定性和不精确性问题。通过实例对提出方法进行验证,结果表明所提出的方法预测准确性高,是一种有效的煤与瓦斯突出预测方法。     

基于KPCA-SVM的煤与瓦斯突出预测方法

提出了一种基于KPCA-SVM的煤与瓦斯突出预测方法。该方法首先通过KPCA方法对影响煤与瓦斯突出的相关指标进行特征提取,然后利用SVM方法对煤与瓦斯突出进行分类预测。实例结果表明,该方法对煤与瓦斯突出预测的准确率明显高于直接运用SVM方法的煤与瓦斯突出预测准确率,且运算速度快,识别能力强,同时根据该方法建立的煤与瓦斯突出分类预测模型具有较好的稳定性和有效性。     

煤矿瓦斯预测专家系统中基于粗集的知识获取方法

针对现有煤矿瓦斯预测专家系统因没有新知识获取措施及知识自更新功能而预测效果不佳的问题,提出了基于粗集的知识获取方法。该方法首先建立瓦斯数据与瓦斯突出强度之间关系的预测样本集;然后运用粗糙集的连续属性离散化、属性约简以及规则提取算法,从大量的预测样本集中自动获取预测知识,并将预测知识存储于专家系统知识库中;最后基于推理机实现煤矿瓦斯突出的实时预测。实例分析验证了该方法在煤矿瓦斯突出预测专家系统知识获取中的有效性和实用性。     

基于灰色系统理论的瓦斯含量多变量可视化预测方法实现

针对煤矿瓦斯含量预测采用单因素梯度法存在可靠性不高的问题,提出了一种基于灰色系统理论的瓦斯含量多变量可视化预测方法,建立了预测模型的总体框架,给出了动态链接库实现灰建模数值算法的流程;并结合某矿实际,详细介绍了该预测方法的具体实现过程:首先通过数字化瓦斯地质图获取瓦斯含量原始数据,设置建模所需的相关参数,建立瓦斯含量多变量预测模型,选择瓦斯含量点击预测或批量预测,对预测结果的误差进行分析并与图形信息结合起来显示。该预测方法提高了预测的效率及决策的科学性,为煤矿日常瓦斯含量预测、管理及决策提供了一个直观、方便、高效的可视化预测手段。     

基于时间序列的瓦斯浓度动态预测

现有瓦斯浓度预测方法只能实现瓦斯浓度的静态预测,不能随着瓦斯数据的累积而及时更新,从而导致预测结果不具有及时性。针对该问题,提出了一种基于时间序列的瓦斯浓度动态预测方法。利用小波分解技术的多分辨率特性,将瓦斯浓度时间序列分解到不同尺度上,使时间序列平稳化;通过实时动态构建的自回归滑动平均(ARMA)模型,利用过去瓦斯浓度变化趋势预测未来一段时间的矿井瓦斯浓度值,得到时间序列预测结果;为提高瓦斯浓度预测精度,将ARMA模型的预测结果与矿井环境参数输入到训练好的BP神经网络模型中,通过BP神经网络模型对预测结果进行修正,从而获得最终的瓦斯浓度预测值。测试结果表明,该方法可对矿井瓦斯浓度进行准确预测,瓦斯体积分数预测平均相对误差从8%降低到了5%。     

基于贝叶斯网络的煤与瓦斯突出预测研究

贝叶斯网络是目前不确定知识和推理领域最有效的理论模型之一。为了正确预测煤与瓦斯突出的危险性,提出了一种基于贝叶斯网络的煤与瓦斯突出预测方法。在综合影响煤与瓦斯突出的因素和领域专家知识的基础上建立了网络结构,通过对先验知识和样本数据的学习,实现了煤与瓦斯突出的预测,取得了较好的效果。实验表明,该模型网络学习速度快,准确性高,是一种有效的煤与瓦斯突出危险性预测方法。     

一种非线性的瓦斯涌出量预测算法仿真研究

研究瓦斯涌出量预测问题,瓦斯涌出量受到开采深度、通风系统等多种因素影响,是一种复杂的非线性预测问题,传统预测方法难以建立准确数学模型,导致预测精度低。为了有效提高瓦斯涌出量预测精度,提出一种非线性的瓦斯涌出量预测算法。采用粒子群优化支持向量机对瓦斯涌出量与各种因素之间非线性关系进行建模,并对瓦斯涌出量预测进行仿真。结果表明,非线性预测算法有效提高了瓦斯涌出量的预测精度,降低了预测误差,对有效防止瓦斯爆炸有重要意义。     

基于时间序列的矿井瓦斯涌出量预测方法

由于矿井瓦斯浓度的变化受多种因素共同影响,矿井瓦斯涌出量预测经常出现无法获得一部分变量的情况。针对该问题,提出了一种基于时间序列的矿井瓦斯涌出量预测方法,详细介绍了采用时间序列AR模型对矿井瓦斯涌出量进行预测的具体实现。实验结果表明,该方法对矿井瓦斯涌出量的预测误差率为4.3%,预测比较可靠。     

电力系统负荷预测综述

负荷预测对电力系统非常重要,是电力系统进行规划、调度的基础,也是电力系统安全、稳定和经济运行的保障。精确的负荷预测是电力系统一直追求的目标,各种现代的新兴算法、方法运用到负荷预测之中,不同的预测方法由于自身的特点对于负荷预测的适用性也不尽相同,对于不同方法在负荷预测中的综述就显得很有必要。讨论了国内外的负荷预测的研究现状,分析了进行电力系统负荷预测的多种传统方法和现代智能方法,并总结出各种预测方法的优缺点和适用性,对于电力系统在选择负荷预测方法时具有一定参考价值。最后,对智能电网下的几种特定负荷预测场景进行了介绍,以这些角度去看待负荷预测问题,得出适用于这些场景的负荷预测方法,对于未来的负荷预测的发展也进行了展望。     

电力系统短期负荷预测方法研究综述

根据负荷预测基本流程,分别对数据预处理、模型选取、模型优化分别进行了总结分析。首先对传统的数据处理方法进行了概述,并简要介绍了新的数据处理方法。其次,将现有的短期负荷预测方法分为经典方法、传统方法和智能方法,综合分析了现有预测方法的应用原理,详细分析和比较预测方法的优点和不足之处,为了提高预测的精度,一些新的方法就因运而生,目的在于提高预测精度和适应相应各种运行条件。再次,总结分析了传统的预测优化模型,并简要介绍了现有的一些新的优化模型,这些新的优化模型计算结果相比于传统的模型精确度较高,分析了新优化模型的优点和不足之处。文章最后对了未来电力系统负荷预测提出了展望,在进行短期负荷预测时应该考虑电力市场、新能源、电动汽车相关因素的影响。     

基于增量的预测预报方法

本文介绍了预测预报方法的重要作用和基本原理,比较详细地讲述了直接预报方法,重点分析了基于增量预报方法的环境、实现,以及两种方法的对比。     

基于机器学习的短期负荷预测算法综述

为维持电网稳定, 各种负荷预测方法层出不穷, 但由于算法泛化能力、模型复杂度等自身特点不同, 使其对于负荷预测的适用性存在差异. 本文讨论了近5年短期电力负荷预测的国内外研究现状, 从实验数据集、数据预处理、预测算法、优化模型以及评估方法等多个维度对当前电力负荷预测研究现状进行整体概述, 同时总结各种预测算法的优缺点与适用性, 对短期电力负荷预测系统的发展趋势进行总结与展望, 以期为未来电力系统负荷预测模型选择提供参考.     

对预测模型响应速度的相关研究

通常,判断预测模型精确度的方法有两种:第一,预测模型的模拟值越接近实际数据,模型的精确度就越高;第二,当实际情况发生改变时,模型的模拟值能够越快地对这种突变作出反应,这种模型的预测效果越好。试图通过对突然发生剧烈变化的数据,建立不同的预测模型,研究其响应速度,探讨提高模型预测精度的方法。     

一组预测方法的比较分析

预测是科学决策的基础,如何选择合适的预测方法,对于获得好的预测结果具有重要影响。就现在比较流行的一组预测方法做简单介绍后,利用中国1978年～2006年货运周转量数据,用文中介绍的方法分别做出预测和预测误差测定,并对各种方法给出简单评述,并再次验证了复杂方法预测效果并不一定比简单方法好的结论。具有一定的理论和实践意义,为进一步研究组合预测方法奠定了基础。     

关于动力环境监控贝叶斯预测系统中参数获取的研究

针对目前动力环境监控系统中存在的一些问题,采用贝叶斯推理的方式处理一些不确定的信息,用于指导系统维护和决策。简单叙述了目前常见的一些抽样方法和预测方法,从统计学的角度讨论了如何对监控数据进行抽样才能更好的获取贝叶斯网络的先验概率和后验概率,并结合一些其他预测方法来完善推理系统,以实现对系统故障的有效预测。     

对预测模型响应速度的相关研究

通常．判断预测模型精确度的方法有两种：第一,预测模型的模拟值越接近实际数据,模型的精确度就越高;第二,当实际情况发生改变时,模型的模拟值能够越快地对这种突变作出反应。这种模型的预测效果越好。试图通过对突然发生剧烈变化的数据,建立不同的预测模型．研究其响应速度,探讨提高模型预测精度的方法。     

Linguistic time series forecasting using fuzzy recurrent neural network

It is known that one of the most spread forecasting methods is the time series analysis. A weakness of traditional crisp time series forecasting methods is that they process only measurement based numerical information and cannot deal with the perception-based historical data represented by linguistic values. Application of a new class of time series, a fuzzy time series whose values are linguistic values, can overcome the mentioned weakness of traditional forecasting methods. In this paper we propose a fuzzy recurrent neural network (FRNN) based time series forecasting method for solving forecasting problems in which the data can be presented as perceptions and described by fuzzy numbers. The FRNN allows effectively handle fuzzy time series to apply human expertise throughout the forecasting procedure and demonstrates more adequate forecasting results. Recurrent links in FRNN also allow for simplification of the overall network structure (size) and forecasting procedure. Genetic algorithm-based procedure is used for training the FRNN. The effectiveness of the proposed fuzzy time series forecasting method is tested on the benchmark examples.     

Middle-long power load forecasting based on particle swarm optimization

Middle-long forecasting of electric power load is crucial to electric investment, which is the guarantee of the healthy development of electric industry. In this paper, the particle swarm optimization (PSO) is used as a training algorithm to obtain the weights of the single forecasting method to form the combined forecasting method. Firstly, several forecasting methods are used to do middle-long power load forecasting. Then the upper forecasting methods are measured by several indices and the entropy method is used to form a comprehensive forecasting method evaluation index, following which the PSO is used to attain a combined forecasting method (PSOCF) with the best objective function value. We then obtain the final result by adding all the results of every single forecasting method. Taking actual load data of a power grid company in North China as a sample, the results show that PSOCF model improves the forecasting precision compared to the traditional models.