粒子群神经网络在煤与瓦斯突出预测中的应用

艾 莉 程加堂

(红河学院工学院，云南 蒙自 661199)

0 引言

如何可靠、准确地预测煤与瓦斯突出强度，是煤矿安全技术研究中的重要课题。国内开采实践表明，煤与瓦斯突出的发生呈现区域性分布，而灾害发生区域只占开采区的8%～20%。因此，首先要在宏观上研究煤与瓦斯突出的影响因素，对突出危险进行区域预测。由于引起煤与瓦斯突出的因素很多，而且影响突出的因素多数是定性的或是模糊相似的，各影响因素间又呈现出复杂的非线性关系，从而难以用经典的理论建立精确的数学预测模型［1］。

人工神经网络是能表现极为复杂动态行为的网络，具有高度的非线性和容错性，在现代高科技发展过程中，应用越来越广泛，它已是控制工程、信号处理等领域不可缺少的工具。BP神经网络是目前应用比较普遍的一种神经网络，但存在收敛速度慢和易陷入局部极值点等缺陷［2］。PSO利用种群中个体对信息的共享，自适应的调整搜索方向，具有内在的隐并行性和很好的全局寻优能力，并且流程简单易于实现，算法参数简洁，无需复杂的调整。本文将此法应用于煤与瓦斯突出的预测，即:利用PSO训练BP网络的权值和阈值，综合神经网络能自动在海量数据中提取隐藏规律和PSO全局搜索、收敛速度快的PSO—BP模型，本文收集了国内具有突出代表性的8个矿井作为学习训练样本，对煤与瓦斯突出强度进行了预测，通过对预测精度和误差方面的分析，验证了该方法的准确性和适用性。

1 煤与瓦斯突出影响因素的选取

在煤与瓦斯突出预测中，煤与瓦斯突出影响因素的合理选取是预测的前提，它直接影响着预测结果的准确性。中华人民共和国煤炭工业部颁布的煤与瓦斯突出矿井鉴定规范中规定，判定煤层是否具有煤与瓦斯突出危险的指标可用煤的破坏类型、瓦斯放散初速度指标、煤的坚固性系数和煤层瓦斯压力。实际上煤与瓦斯突出是地应力、瓦斯和煤结构的物理学性质等多个因素综合作用的结果。影响煤与瓦斯突出强度的大小与众多因素相关，结合我国煤矿突出的特点，本文选取煤层瓦斯含量(m3/t)、瓦斯压力(MPa)、瓦斯放散初速度Δp (m/s)、煤的坚固性系数f、软分层煤体厚度(m)、煤体破坏类型6项突出指标作为神经网络的输入向量。

2 粒子群神经网络建模

在d维搜索空间中，有m个粒子组成一个群体，对每个粒子i(i=1，2，…，m)包含一个速度向量Vi=(vi1，vi2，…，vid)和位置向量Xi=(xi1，xi2，…，xid)。该粒子经历的最优位置记为pi=(pi1，pi2，…，pid)，整个粒子群所经历的最优位置记为pg= (pg1，pg2，…，pgd)。在每次迭代中，粒子i通过跟踪这两个最优值，按照下式来更新速度和位置。

其中，w为惯性权因子，它使粒子保持运动惯性;c1、c2为学习因子，一般c1=c2;k为迭代次数;r1、r2为两随机数，取值区间为［0，1］。粒子在调整自己的位置时，还受到最大速度vmax的限制。如果对粒子的加速导致其在某维的速度超过在该维的最大速度，则该维的速度就被限制在最大速度上［3］。

为了平衡粒子群算法的全局和局部搜索能力，惯性因子常采用(3)式进行自适应调整。

式中，wmax、wmin分别表示w的最大值和最小值，k表示当前迭代步数，kmax表示最大迭代步数，通常取wmax=0.9，wmin=0.4。

尽管标准粒子群算法收敛速度快，具有很强的通用性，但其存在早熟收敛问题。借鉴遗传算法的变异思想，在标准粒子群算法中引入变异操作，即对某些变量以一定的概率重新初始化。变异操作拓展了在迭代中不断缩小的种群搜索空间，使粒子能够跳出先前搜索到的最优值位置，在更大的空间中继续搜索。这种方法既保持了种群的多样性，又可提高搜索出最优值的可能性［4］。

粒子群神经网络算法是通过粒子群各粒子在其搜索空间内搜索BP网络各层间的权值及阈值。首先，将BP网络的权、阈值赋予初始值。其次，根据所确定BP网络的拓扑结构，计算出网络的输出值。再次，用粒子群算法搜索出最优位置，使得适应度函数达到最小。在这里，对给定的8组数据，分别选用标准粒子群算法和带变异操作的粒子群算法进行BP网络权、阈值寻优。最后，采用BP网络对所获得的最优值进行二次学习训练，得到最终的煤与瓦斯突出强度的预测模型。

3 仿真实验

在仿真实验中，本文所采用的粒子群神经网络的结构为6-10-1，训练误差0.00001。粒子群优化算法的参数设置为:种群规模25，最大迭代次数50，学习因子c1=c2=2，惯性权重w随迭代次数由0.9线性地减小为0.3。带变异操作的粒子群算法的变异概率p=0.2，MATLAB代码为:

利用表1中煤与瓦斯突出影响因素原始数据［5］对粒子群网络进行训练，在训练过程中当满足目标精度要求或达到最大迭代次数时，自动停止训练。粒子群神经网络预测模型在经过27次迭代后达到预定误差精度0.00001，煤与瓦斯突出强度的预测结果见表2。

表1 煤与瓦斯突出影响因素原始数据Table1 The original data of coal and gas outburst influence factors

表2 煤与瓦斯突出强度预测结果表Table2 The forecast results of the strength of coal and gas outburst

由表2可知，本文所建立的粒子群神经网络煤与瓦斯突出强度的预测模型效果较好，相对误差的范围在-0.04%～1.52%之间，说明本文所采用的方法输出数据与实测数据的吻合程度较高，能够满足实际应用的需要。

4 结束语

BP神经网络的高度非映射性和自我学习能力，很好地解决了各影响因素之间与煤与瓦斯突出强度的非线性关系，准确地把握了各影响因素对煤与瓦斯突出规律的影响程度。粒子群优化算法提高了BP神经网络的收敛速度，改善其泛化能力。实例表明，本文提出的预测方法是有效的，对于准确预报煤与瓦斯突出危险状况，采取针对性的防突和安全措施具有较好的指导作用。

［1］张子戌.基于模糊聚类分析和模糊模式识别的煤与瓦斯突出预测［J］.煤田地质与勘探，2007，35(3):22-24.

［2］杨艳春，赵玮烨.BP神经网络在煤与瓦斯突出预测的研究［J］.兰州交通大学学报，2009，28(6):26-28.

［3］陆宁，周建中，何耀耀.粒子群优化的神经网络模型在短期负荷预测中的应用［J］.电力系统保护与控制，2010，38 (12):65-68.

［4］MATLAB中文论坛.MATLAB神经网络30个案例分析［M］.北京:北京航空航天大学出版社，2010.

［5］李春辉，陈日辉，苏恒瑜.BP神经网络在煤与瓦斯突出预测的应用［J］.矿冶，2010，19(3):21-23.