基于GRA-GASA-SVM的煤层瓦斯含量预测方法研究

为提升煤层瓦斯含量预测精度，提出一种采用遗传模拟退火算法混合优化支持向量机（SVM）参数的瓦斯含量预测模型（GRA-GASA-SVM模型）。该模型将GA和SA整合为遗传模拟退火算法协同优化SVM的参数，以解决传统网格寻优算法取值范围无法确定和单一智能算法优化程度有限等问题。利用灰色关联分析（GRA）压缩数据集维度，建立瓦斯含量预测参数体系并作为GASA-SVM的输入数据集。结果表明：SVM模型、GA-SVM模型和GASA-SVM模型10折交叉验证瓦斯含量预测总平均相对误差分别为15.98%、13.55%和10.58%。相比SVM模型和GA-SVM模型，GASA-SVM模型预测稳定性更优、预测精准度更高且对新样本泛化能力更强。     

基于EMD和LS-SVM的复合地基沉降预测

针对复合地基沉降量时间序列呈现出的非线性、非平稳、多尺度的特点,提出了一种结合经验模式分解(EMD)和最小二乘支持向量机(LS-SVM)的复合地基沉降量预测模型。通过EMD分解,将原始观测数据沉降量的非平稳序列分解为若干不同尺度的平稳IMF(固有模态分量)分量,应用LS-SVM对各IMF分量分别进行预测,然后再组合得到复合地基沉降数据的预测结果。结合工程实例进行了实际应用,该方法不仅能够获得较高的预测精度,还能够反映原始沉降量数据的突变性,表明此方法具有推广价值。     

采煤工作面瓦斯浓度的LMD-SVM预测

为了实现对回采工作面瓦斯浓度的准确预测,提出了基于LMD(Local Mode Decom-position)方法与支持向量机的采煤工作面瓦斯浓度预测模型。利用瓦斯浓度的历史数据,通过LMD分解得到生产函数(PF分量),分别对每个PF分量进行SVM建模预测,再把PF分量的预测值进行累加,得到瓦斯浓度的理论预测值。通过实例分析可以发现,与常规SVM方法相比,自适应的LMD方法的引入极大地提高了瓦斯浓度的预测精度,与给出的实际监测数据具有良好的一致性。     

基于蚁群算法优化SVM的瓦斯涌出量预测

为了提高瓦斯涌出量预测的精度和预测模型的泛化能力,提出了一种基于蚁群算法(ACO)优化支持向量机(SVM)参数的瓦斯涌出量预测方法。在SVM所建立预测模型中各个参数的取值区间内,采用蚁群优化算法计算预测模型各个参数的最佳值,基于最佳参数的SVM建立瓦斯涌出量预测模型。结果表明:采用未优化的SVM建立的预测方法,其个别预测误差相对较大,最大误差为8.11%,平均误差为4.68%,采用ACO对于预测模型的参数进行优化后,预测性能有显著提高,最大误差为4.37%,平均误差为2.89%,表明所建议的方法是有效、可行的。     

基于无偏灰色GM(1,1)的铁精矿品位预测模型北大核心

铁精矿品位的准确预测对铁矿选矿厂的生产和管理具有重要意义。为解决选矿厂生产过程中具有随机波动性的铁精矿品位预测问题,提出一种基于线性变换法的无偏灰色GM(1,1)铁精矿品位预测模型。通过采用一种线性变换方法降低铁精矿品位数据序列的波动干扰,将随机波动数据序列转换为单调增长的数据序列,然后将变换后铁精矿品位数据序列代入无偏灰色GM(1,1)模型以实现铁精矿品位预测模型的建模,最后将该预测模型用于两组铁精矿品位数据序列进行了验证。结果表明,基于线性变换的无偏灰色GM(1,1)铁精矿品位预测模型在预测精度和预测性能上优于两个改进的GM(1,1)预测模型,其预测精度均为一级,预测的最小相对误差为0.2%,平均绝对误差均小于1%,模型具有较好的应用性和有效性,为短期预测铁精矿品位提供了一种新途径。     

基于布谷鸟算法优化SVM的尾矿库坝体变形预测

为解决SVM 模型在尾矿库坝体位移预测中,参数寻优时间较长,模型稳定性较差的问题,引入布谷鸟算法(CS)进行优化,构建的CS-SVM模型用于辽宁省风水沟尾矿库2#副坝的位移预测实例中,将该模型预测值与SVM模型和PSO-SVM模型的预测值进行对比分析,结果表明,CS-SVM模型有较高的预测精度,预测值趋近于真实值,模型构建合理,验证了CS-SVM模型在尾矿库坝体位移预测中的可行性和有效性。     

果蝇算法融合SVM的开采沉陷预测模型

针对目前开采沉陷预计方法的种种缺陷,提出了一种新的预计方法。将果蝇优化算法(FOA)与支持向量机(SVM)相结合,建立FOA-SVM预测模型。选取煤层倾角、采厚、平均采深等参数作为模型的输入参数,最大下沉量作为模型的输出参数。选取训练集样本,应用FOA对SVM的参数进行寻优,确定最佳的SVM参数。采用预测集样本对该预测模型进行检验,同时将该模型预测性能与其他预测模型进行对比分析。结果表明:与GA-SVM模型、PSO-SVM模型和神经网络预测模型相比,该模型具有更高的预测能力和泛化能力,可以较好地实现对开采沉陷的预测。     

果蝇算法融合SVM的开采沉陷预测模型

针对目前开采沉陷预计方法的种种缺陷,提出了一种新的预计方法。将果蝇优化算法(FOA)与支持向量机(SVM)相结合,建立FOA-SVM预测模型。选取煤层倾角、采厚、平均采深等参数作为模型的输入参数,最大下沉量作为模型的输出参数。选取训练集样本,应用FOA对SVM的参数进行寻优,确定最佳的SVM参数。采用预测集样本对该预测模型进行检验,同时将该模型预测性能与其他预测模型进行对比分析。结果表明:与GA-SVM模型、PSO-SVM模型和神经网络预测模型相比,该模型具有更高的预测能力和泛化能力,可以较好地实现对开采沉陷的预测。     

Gradient Boosting算法在典型浅埋煤层 液压支架选型中的应用

针对目前工作面液压支架阻力确定方法的不足,提出了1种新的预测方法,采用改进后的逻辑斯提算法(LR)来优化梯度提升回归(GBRT)模型,以此来预测液压支架阻力。在GBRT中加入学习速率来限制子模型的学习速率,防止其过拟合;应用LR对样本参数进行优化,建立LR-GBRT回归预测模型;将该预测模型应用于液压支架阻力的预测,预测结果与LR(线性回归模型)、SVM(支持向量机模型)、DTR(决策树回归模型)、EN(弹性网回归模型)进行对比分析。结果表明:LR-GBRT模型具有较强的泛化能力,较高的预测精度,可以对液压支架阻力进行有效预测。     

考虑风电出力的电力系统短期负荷自动预测方法

利用目前方法预测电力系统短期负荷时,存在电力负荷预测误差大的问题,为此提出了考虑风电出力的电力系统短期负荷自动预测方法。由于风电出力具有不稳定性,所以该方法在预测负荷前先分析了风电出力特性,以此提升不同风电出力情况下的电力负荷预测效果。基于分析结果采集负荷数据,对相同时间下的负荷采集数据进行归类,以此为输入构建BP神经网络预测模型,利用预测模型对归类数据进行处理,最终利用该模型实现电力系统短期负荷的预测。实验结果表明,所提方法的短期负荷预测有效性强、预测精度高。