基于VMD-DBN的矿井涌水量预测方法

在煤矿采掘过程中,因矿井涌(突)水造成的人员和财产损失极为严重.为预防涌(突)水灾害事故的发生,掌握涌水量的发展变化规律,开展涌水预测预报尤其是矿井涌水量的精准预计尤为重要,是矿井水害防治中一项重要的工作任务.为提高矿井涌水量的预测准确性,针对随时间无明显变化规律的涌水量序列,提出了变分模态分解(Variational Mode Decomposition,VMD)和深度置信网络(Deep Belief Network,DBN)相结合的高效时间序列预测模型.首先通过VMD模态分解技术对原始数据进行去噪,将原始矿井涌水量时间序列分解为若干个本征模态函数(Intrinsic Mode Function,IMF)分量,使各个IMF分量都具有原始时间序列在不同时间尺度下的统计学特征量,降低了原始时间序列的强震荡性和非稳定性.其次针对每个IMF分量,分别建立各自的DBN模型进行训练学习,进而建立起相应的预测网络模型.最后融合各分量预测值得到最终结果.结果显示,VMD-DBN的EMA、EMAP、ERMS和R2分别为 9.23、0.76％、11.55和 0.97,通过与GA-BP、LSTM、VMD-LSTM、RBM、VMD-RBM和DBN模型的预测值进行对比发现,VMD-DBN模型进行矿井涌水量预测具有更高的预测精度.VMD-DBN模型对于涌水量随时间无明显变化规律、且具有较强震荡性和非平稳的工况具有相对明显的优势,丰富了矿井涌水量预测方法,为智慧矿山的安全监测提供一种新型的技术手段,具有一定的理论价值和现实意义.