基于PSO-SRU深度神经网络的煤自燃温度预测模型

作者

贾澎涛林开义郭风景
单位

西安科技大学计算机科学与技术学院陕西建新煤化有限责任公司
摘要

针对传统煤自燃温度预测模型泛化能力不强、鲁棒性较差的问题，提出了一种基于改进粒子群（PSO）优化简单循环单元（SRU）的煤自燃温度预测模型（PSO-SRU模型）。首先，对煤自燃程序升温实验中采集的气体浓度数据进行预处理，选取与煤温相关性较强的O2,CO,CO2,CH4,C2H4作为煤温预测指标，并将预测指标划分为训练集和测试集；其次，构建SRU预测模型拟合训练集中煤自燃温度与气体指标间非线性规律，将平均绝对误差（MAE）作为适应度函数，利用改进的PSO算法优化SRU预测模型参数；最后，将测试集数据输入参数最优的SRU预测模型，利用SRU计算得到煤自燃温度预测值。实验结果表明：通过指标择优和参数寻优后，PSO-SRU模型在测试集上的MAE相较于基于支持向量回归（SVR）、随机森林（RF）和反向传播（BP）的煤自燃温度预测模型分别降低了12.58,7.65,5.91℃，表明PSO-SRU模型在一定程度上提高了预测精度；均方根误差（RMSE）分别降低了22.65,17.45,8.94℃，PSO-SRU模型在训练集和测试集上的决定系数（R2）仅相差0.03，表明PSO-SRU模型具有良好的泛化性和鲁棒性。
关键词

煤自燃温度预测气体指标深度神经网络循环神经网络 SRU单元粒子群算法
基金项目(Foundation)

国家自然科学基金项目（51974236）；西安市科技计划项目（2020KJRC0069）；
文章目录

0 引言
1 理论基础
1.1 SRU
1.2 PSO算法
2 基于PSO-SRU的煤自燃温度预测模型
2.1 PSO-SRU模型构建
2.1.1 数据采集及处理
2.1.2 预警气体指标分析
2.2 SRU预测模型参数寻优
2.2.1 改进PSO算法
2.2.2 改进PSO优化SRU预测模型
3 实验与结果分析
3.1 预警指标择优
3.2 评价指标计算
3.3 实验结果分析
3.3.1 模型结构确定
3.3.2 模型参数优化
3.3.3 性能对比
4 结论
引用格式

贾澎涛,林开义,郭风景.基于PSO-SRU深度神经网络的煤自燃温度预测模型[J].工矿自动化,2022,48(04):105-113.DOI:10.13272/j.issn.1671-251x.2021090047.
相关文章

[1]基于GAT−Informer的采空区煤自燃温度预测模型