买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：太原理工智能装备研究院有限公司;山西鑫源煤炭设计有限公司;杨家彪

摘要：本发明公开了一种用于瓦斯积聚智能控制的供风量预测方法及系统，方法包括数据准备、数据预处理、瓦斯聚积特征工程、供风量预测和瓦斯浓度控制策略生成。本发明属于煤矿安全技术领域，具体是指一种用于瓦斯积聚智能控制的供风量预测方法及系统，本方案采用基于门控循环单元和粒子群优化算法的瓦斯聚积风险预测，通过优化模型参数，避免模型学习能力差和过拟合的现象，并增强了模型鲁棒性和预测的实时性，有助于及时发现瓦斯聚积风险，提高煤矿安全性；采用基于深度强化学习的供风量预测，具有更强的实时学习和决策能力，有效地对时间序列数据建模，提高供风量预测的准确性，有助于动态调整供风量，进而提升瓦斯聚积智能控制的有效性和实用性。

主权项：1.一种用于瓦斯积聚智能控制的供风量预测方法，其特征在于：该方法包括以下步骤：步骤S1：数据准备，具体为通过传感器收集矿井环境数据；步骤S2：数据预处理；步骤S3：瓦斯聚积特征工程，具体为依据瓦斯浓度平滑数据，基于门控循环单元和粒子群优化算法进行瓦斯聚积风险预测，得到瓦斯聚积风险等级；步骤S4：供风量预测；步骤S5：瓦斯浓度控制策略生成；在步骤S3中，所述瓦斯聚积特征工程，包括以下步骤：步骤S31：采用主成分分析对瓦斯浓度平滑数据进行降维，计算得到瓦斯浓度特征；步骤S32：基于门控循环单元初始化瓦斯聚积风险预测模型；步骤S33：采用粒子群优化算法进行参数调优，通过模型训练，得到瓦斯聚积风险预测优化模型，包括以下步骤：步骤S331：初始化粒子群，具体为将模型参数作为粒子的位置，设置粒子的数量和维度，并随机初始化粒子的位置和速度，计算公式为： ；式中，j是粒子索引，Locj是第j个粒子的位置，m是粒子的维度，lcj1是第j个粒子在第1个维度上的位置分量，lcj2是第j个粒子在第2个维度上的位置分量，lcjm是第j个粒子在第m个维度上的位置分量，Spej是第j个粒子的速度，用于表示粒子搜索的速度方向，spj1是第j个粒子在第1个维度上的速度分量，spj2是第j个粒子在第2个维度上的速度分量，spjm是第j个粒子在第m个维度上的速度分量；步骤S332：设置个体极值和全局极值的初始值，具体为将粒子的当前位置作为个体极值和全局极值的初始值；步骤S333：计算每个粒子当前位置的适应度值，所述适应度值的计算公式为： ；式中，Valj是第j个粒子的适应度值，用于评估粒子的质量，val·是适应度函数，所述适应度函数用于表示模型的损失函数；步骤S334：更新每个粒子的个体极值，具体为通过将粒子当前位置的适应度值和个体极值对应的适应度值进行比较，如果粒子当前位置的适应度值小于个体极值对应的适应度值，那么将个体极值更新为粒子的当前位置；步骤S335：更新全局极值，具体为遍历所有粒子的个体极值，如果有粒子U的个体极值对应的适应度值小于全局极值对应的适应度值，那么则将全局极值更新为所述粒子U的位置；步骤S336：依据个体极值和全局极值更新每个粒子的速度和位置，用于模拟粒子在参数空间中的搜索过程，计算公式为： ；式中，t是迭代次数索引，Spejt+1是在第t+1轮迭代时第j个粒子的速度，α是惯性权重，用于表示粒子在特定更新速度下的惯性程度，Spejt是在第t轮迭代时第j个粒子的速度，s1是第一学习因子，用于平衡个体极值对粒子更新的影响，v1是取值范围在[0,1]区间的第一随机参数，是在第t轮迭代时的个体极值，Locjt是在第t轮迭代时第j个粒子的位置，s2是第二学习因子，用于平衡全局极值对粒子更新的影响，v2是取值范围在[0,1]区间的第二随机参数，是第t轮迭代时的全局极值，Locjt+1是在第t+1轮迭代时第j个粒子的位置；步骤S337：通过重复执行步骤S333及其后续步骤操作Tmax次，进行粒子群迭代更新，计算得到全局最优极值，将全局最优极值作为模型最优参数；步骤S338：依据瓦斯浓度特征，采用模型最优参数对瓦斯聚积风险预测模型进行训练，得到瓦斯聚积风险预测优化模型；步骤S34：采用瓦斯聚积风险预测优化模型进行预测，得到瓦斯聚积风险等级，所述瓦斯聚积风险等级包括一级、二级、三级和四级，危害程度依次降低，所述一级为最高风险，所述四级为最低风险；在步骤S4中，所述供风量预测模型构建，具体为基于深度强化学习的供风量预测，包括以下步骤：步骤S41：设计深度强化学习的关键要素，包括以下步骤：步骤S411：定义状态空间，具体为将瓦斯聚积风险等级、瓦斯浓度和通风参数拼接成一个状态向量；步骤S412：定义动作空间，具体为将供风量的取值范围设置为动作空间，将动作设定为调节供风量的通风机转速；步骤S413：定义奖励函数，具体为依据瓦斯聚积风险等级和供风效果设定奖励函数，计算公式为： ；式中，rf是奖励函数，μ1是惩罚权重，用于表示瓦斯聚积风险等级的惩罚权重，q1是惩罚项，用于表示瓦斯聚积风险等级的惩罚，μ2是奖励权重，用于表示供风效果的奖励权重，q2是奖励项，用于表示供风效果的奖励；步骤S42：初始化供风量预测模型结构，所述供风量预测模型结构包括策略网络、值函数网络和缓冲区；步骤S43：通过模型训练进行参数更新，优化策略网络和值函数网络，得到供风量预测模型；步骤S44：采用供风量预测模型，结合瓦斯浓度、瓦斯聚积风险等级和通风数据进行供风量预测，得到矿井所需供风量。

全文数据：

权利要求：

百度查询： 太原理工智能装备研究院有限公司 山西鑫源煤炭设计有限公司 杨家彪 一种用于瓦斯积聚智能控制的供风量预测方法及系统