基于FPA-LSTM的瓦斯浓度预测模型

摘要

针对复杂采动工况下传统煤矿瓦斯浓度预测模型存在高噪声干扰、预测精度不足的问题，本研究提出了一种基于花授粉算法（FPA）优化长短期记忆（LSTM）网络的瓦斯浓度精准预测方法。通过选取某高瓦斯煤矿720组采动期、衰减期典型工况的瓦斯监测数据，先采用小波阈值降噪与卡尔曼滤波对原始数据进行去噪和光滑处理，再利用FPA优化LSTM中的学习率、隐藏层神经元数量等关键网络参数，最终获得的最优超参数组合为：学习率=0.005，随机失活率=0.35，隐藏层层数=3，神经元数=128，时间步长=24，批次大小=64，据此构建出高精度预测模型。实验结果表明：该模型的预测平均绝对百分比误差（MAPE）为7.42%，均方根误差（RMSE）达0.056，其性能显著优于基础LSTM、非线性支持向量回归（SVR）及经典自回归积分移动平均模型（ARIMA）等传统方法。该方法有效提升了瓦斯浓度预测的准确性，可为煤矿瓦斯灾害预警提供可靠的技术支持。

关键词

瓦斯浓度预测 / 小波降噪 / 卡尔曼滤波 / 花授粉算法 / 长短期记忆网络