煤炭学报

作者：梁运培, 李赏, 李全贵, 郭亚博, 孙万杰, 郑梦浩, 王程成,

关键词：瓦斯浓度, 深度学习, 特征构造, 自适应阈值, 长时预测,

在煤矿智能化升级的大环境下，从海量的工作面监测数据中挖掘高质量的信息来构建科学的模型从而提高预测时长和精度是防范上隅角瓦斯浓度超限的关键。然而，上隅角瓦斯浓度影响因素众多，海量数据利用匮乏，瓦斯浓度预测精度高但时长较短，仅为0～30 min，而中长时30～60 min预测精度低、泛化能力差。为了解决这个问题，以山西某矿回采工作面为研究对象，对该工作面的煤层瓦斯含量进行动态提取，组建煤层瓦斯含量、瓦斯浓度、采煤机、风速的特征集合，并对该特征集合进行预处理，通过相关性分析对不同特征进行筛选，进一步构造相关特征的短时趋势、长时趋势、周期趋势以及拼接特征，首先构建基于频率增强分解Transformer(FEDformer)的瓦斯浓度预测层，构建基于轻量梯度增强机(LGBM)的残差修正层，然后引入自适应阈值(AT)技术构建阈值感知层，最终组成3层瓦斯超限预测模型架构，对未来60 min内上隅角瓦斯浓度进行预测，并通过召回率(TPR)，误报率(FPR)，平均绝对误差(MAE)以及平均绝对百分误差(MAPE)对预测性能进行考察。结果表明：所构建的基于FEDformer-LGBM-AT架构的上隅角瓦斯浓度预测模型的短时TPR为0.956，FPR为0.035，MAE为0.033，MAPE为0.183；长时预测的TPR为0.940，FPR为0.035，MAE为0.047，MAPE为0.262；与传统的灰色模型(GM)、支持向量机(SVM)、反向传播(BP)、门控循环单元(GRU)、粒子群优化的长短期记忆(PSO-LSTM)、Transformer等模型的长时预测能力相比，FEDformer-LGBM-AT架构模型具有更好的长时预测精度和泛化能力，自适应阈值感知使得模型对高值瓦斯浓度敏感。该架构模型弥补短期预测局限性和泛化性，支撑现场瓦斯超限防治措施，可为回采工作面瓦斯浓度智能预测提供一定的借鉴和参考。

来源：2025年第1期

《煤炭学报》期刊编辑部

查看煤炭学报杂志2025年第1期