基于ISSA−LSTM的瓦斯浓度预测研究OA

煤矿瓦斯浓度序列具有非线性、非平稳及多尺度波动特征,现有预测模型的协同处理有限,预测精度不足。针对该问题,提出一种融合STL与自适应噪声完全集合经验模态分解(CEEMDAN)技术的改进麻雀搜索算法(ISSA)−长短期记忆(LSTM)瓦斯浓度预测模型。采用STL方法提取瓦斯浓度序列中的趋势项、周期项和不规则项,之后采用CEEMDAN对强非线性的不规则项进行分解,以消除原始瓦斯浓度数据的非平稳干扰;采用引入对立学习和Lévy飞行机制的ISSA对LSTM关键超参数寻优,构建ISSA−LSTM模型;基于ISSA−LSTM模型分别预测STL和CEEMDAN分解后的各分量,并对预测值进行重构,得到瓦斯浓度预测结果。采用煤矿实测瓦斯数据开展实验,结果表明:ISSA−LSTM模型在收敛迭代次数、收敛成功率和预测误差方面优于基于遗传算法、粒子群优化算法等优化的LSTM模型;融合STL与CEEMDAN的ISSA−LSTM在不同时段3折交叉验证的决定系数R2均大于0.998、平均绝对百分比误差(MAPE)小于0.004,在1,7 h超前预测任务中MAPE分别为0.0187和0.0269,跨数据集验证中R2为0.9559、MAPE为0.01217,验证了该模型具有很好的泛化性能。