综放工作面瓦斯涌出量预测可为矿井通风调节和瓦斯灾害防治提供重要依据，为充分挖掘综放工作面瓦斯涌出量时序数据特征、提高预测精度，本文基于遗传算法 (GA)、变分模态分解(VMD)、麻雀搜索算法(SSA)和长短期记忆网络(LSTM)构建了 GA-VMD-SSA-LSTM 瓦斯涌出量时序预测模型。瓦斯涌出量时序数据受多因素影响，为充分提取数据信息，基于遗传算法提出一 种均方根误差和样本熵结合的数据分解评价指标，对变分模态分解超参数 k 和 α 值寻 优，构建了 GA-VMD 时序数据分解模型。采用该分解模型，瓦斯涌出量时序数据的趋势性、周期性信息得到有效提取。利用麻雀搜索算法对初始学习率和最大训练周期等超参数进行全局寻优，结合 GA-VMD时序数据分解模型，构建出GA-VMD-SSA-LSTM瓦斯涌出量预测模型，并对三种不同样本量情景进行预测。将 GA-VMD-SSA-LSTM 模型与 VMD-SSA-LSTM、GA-SVR 等模型进行了预测效果评价，结果表明 GA-VMD-SSA-LSTM 模型的平均绝对误差、平均绝对百分比误差、均方根误差最低，判定系数 R 2 最高，预测效果优于对比模型。 最后，基于MATLAB图形用户界面工具，开发了综放工作面GA-VMD-SSA-LSTM瓦斯涌出量预测软件。利用该预测软件对铜川某矿工作面、上隅角、回风流瓦斯浓度以及黄陵某矿工作面绝对瓦斯涌出量进行了预测应用。结果表明，预测R2值均高于

0.91，平均预测误差小于±0.15，标准误差小于0.62，综放工作面GA-VMD-SSA-LSTM

瓦斯涌出量预测方法可提高预测精度，对于工作面瓦斯防治方案制定具有重要意义。

Prediction of gas emission in fully-mechanized top coal caving face can provide important basis for timely adjustment of mine ventilation and advanced prevention and control of mine gas disaster accidents. In order to fully excavate the time series data characteristics of gas emission in fully-mechanized top coal caving face, a new time series prediction model of gas emission was proposed based on genetic algorithm, variational mode decomposition, sparrow search algorithm and long short-term memory. The time series data of gas emission is a characterization data affected by many related factors. In order to fully extract the data information, a data decomposition evaluation index combining root mean square error and sample entropy was proposed based on genetic algorithm. According to this index, the hyperparameters k and α values in variational mode decomposition were optimized, and the GA-VMD time series data decomposition model was constructed. Using this decomposition model, the trend and periodic information of gas emission time series data were effectively extracted. The sparrow search algorithm was used to globally optimize the hyperparameters such as the initial learning rate and the maximum training period. In the meanwhile, combined with the GA-VMD time series data decomposition model, a GA-VMD-SSA-LSTM gas emission prediction model was proposed. This prediction model was used to predict three kinds of gas emission sample data. Finally, based on the MATLAB graphical user interface tool, the GA-VMD-SSA-LSTM gas emission prediction software for fully-mechanized top coal caving face was developed.. The software was used to predict the gas concentration in the working face, the gas concentration in the upper corner and the gas concentration in the backwind tunnel of a mine in Tongchuan, and the software is also used to predict the absolute gas emission in the working face of a mine in Huangling. The results showed that the predicted R2 values were higher than 0.91, the average prediction errors standard deviation were less than ± 0.15, and the standard errors were less than 0.62. In general, the GA-VMD-SSA-LSTM gas emission prediction method in ully-mechanized top coal caving face can improve the prediction accuracy, which is of great significance for the formulation of gas prevention and control scheme in working face.

[1] 钱鸣高. 煤炭的科学开采[J]. 煤炭学报, 2010, 35(4): 529-534.

[2] 谢和平, 周宏伟, 薛东杰, 等. 煤炭深部开采与极限开采深度的研究与思考[J]. 煤炭学报, 2012, 37(4): 535-542.

[3] 国家统计局. 中国能源统计年鉴[M]. 北京: 中国统计出版社, 2010-2020.

[4] 程远平, 付建华, 俞启香. 中国煤矿瓦斯抽采技术的发展[J]. 采矿与安全工程学报, 2009, 26(2): 127-139.

[5] 陈娟, 赵耀江. 近十年来我国煤矿事故统计分析及启示[J]. 煤炭工程, 2012, 402(3):137-139.

[6] 孟远, 谢东海, 苏波, 等. 2010-2019 年全国煤矿生产安全事故统计与现状分析[J]. 矿业工程研究, 2020, 35(4): 27-33.

[7] 桂祥友, 郁钟铭, 孟絮屹. 贵州煤矿瓦斯涌出量灰色预测的应用[J]. 采矿与安全工程学报, 2007, 24(4): 449-452.

[8] 付华, 于翔, 卢万杰. 基于蚁群粒子群混合算法与 LS-SVM 瓦斯涌出量预测[J]. 传感技术学报, 2016, 29(3): 373-377.

[9] 付华, 谢森, 徐耀松, 等. 基于 MPSO-WLS-SVM 的矿井瓦斯涌出量预测模型研究[J]. 中国安全科学学报, 2013, 23(5): 56-61.

[10] 卢国斌, 李晓宇, 祖秉辉, 等. 基于 EMD-MFOA-ELM 的瓦斯涌出量时变序列预测研究[J]. 中国安全生产科学技术, 2017, 13(6): 109-114.

[11] 王兆丰. 矿井瓦斯涌出量分源预测法及其应用[J]. 煤矿安全, 1991, 22(1)：8-12+7.

[12] 张子戌, 袁崇孚. 矿井瓦斯涌出量预测方法探讨[J]. 焦作矿业学院学报, 1993, 35(6):78-81.

[13] 刘俊娥, 安凤平, 林大超, 等. 采煤工作面瓦斯涌出量的固有模态 SVM 建模预测[J]. 系统工程理论与实践, 2013, 33(2): 505-511.

[14] Ahmed M, Smith J W. Biogenic methane generetion in the degradation of eastern Australian Permian coals[J]. Organic Geochemistry, 2001, 32(1): 809-816.

[15] C. Ö. Karacan, Gerrit V. R. Goodman. A CART technique to adjust production from longwall coal operations under ventilation constraints[J]. Safety Science, 2012, 50(3):510-522.

[16] C. Ö. Karacan, Ricardo A. Olea. Inference of strata separation and gas emission paths in longwall overburden using continuous wavelet transform of well logs and geostatisticalsimulation[J]. Journal of Applied Geophysics, 2014, 105: 147-158.

[17] Dong Dingwen. Mine Gas Emission Prediction based on Gaussian Process Model[J]. Procedia Engineering, 2012, 45: 334-338.

[18] Karacan C, Ozgen. Forecasting gob gas venthole production perform an cesusing intelligent computingmet hods for optimum methane control in long wall coal mines[J]. Elsevier, 2009, 79(4): 131-144.

[19] 朱红青, 常文杰, 张彬. 回采工作面瓦斯涌出 BP 神经网络分源预测模型及应用[J]. 煤炭学报, 2007, 152(5): 504-508.

[20] 陶云奇, 许江, 李树春. 改进的灰色马尔柯夫模型预测采煤工作面瓦斯涌出量[J]. 煤炭学报, 2007, 32(4): 391-395.

[21] 张胜军, 朱瑞杰, 姜春露. 基于偏最小二乘回归的回采工作面瓦斯涌出量预测模型[J].煤矿安全, 2013, 44(2): 7-11.

[22] 魏林, 付华, 尹玉萍. 煤矿瓦斯涌出量预测的隐层递归反馈 Elman 模型[J].中国安全科学学报, 2016, 26(6): 42-46.

[23] 付华, 谢森, 陈子春, 等. 基于ACC-ENN算法的煤矿瓦斯涌出量动态预测模型研究[J]. 煤炭学报, 2014, 39(7): 1296-1301.

[24] 任志玲, 林冬, 夏博文, 等. 基于 GASA-SVR 的矿井瓦斯涌出量预测研究[J]. 传感技术学报, 2017, 30(2): 247-252.

[25] 徐耀松, 齐翠玉, 丰胜成. 基于 IGSA-BP 网络的瓦斯涌出量预测模型[J]. 电子测量与仪器学报, 2019, 33(5): 111-117.

[26] 王磊, 刘雨, 刘志中, 等. 基于 IABC-LSSVM 的瓦斯涌出量预测模型研究[J]. 传感器与微系统, 2022, 41(2): 34-38.

[27] 付华, 谢森, 徐耀松, 等. 基于 MPSO-WLS-SVM 的矿井瓦斯涌出量预测模型研究[J].中国安全科学学报, 2013, 23(5): 56-61.

[28] 付华, 史冬冬. 基于 IGA-LSSVM 的煤矿瓦斯涌出量预测模型研究[J]. 中国安全科学学报, 2013, 23(10): 51-55.

[29] 付华, 任仁, 王雨虹, 等. 基于 CSO-RVM 的瓦斯涌出量预测模型研究[J]. 传感技术学报, 2015, 28(10): 1508-1512.

[30] 单亚锋, 黄喆, 谷雯. EKF-ENN 算法在瓦斯涌出量预测中的应用[J]. 辽宁工程技术大学学报(自然科学版), 2015, 34(9): 1004-1009.

[31] 程加堂, 艾莉, 熊燕. 基于 IQPSO-BP算法的煤矿瓦斯涌出量预测[J]. 矿业安全与环保, 2016, 43(4): 38-41.

[32] 胡坤, 王素珍, 韩盛, 等. 基于 TLBO-LOIRE 的回采工作面瓦斯涌出量预测[J]. 应用基础与工程科学学报, 2017, 25(5): 1048-1056.

[33] 陈强, 王海峰, 万波俊, 等. 基于 CSABC-ELM 的采煤工作面瓦斯涌出量预测[J]. 工业安全与环保, 2019, 45(1): 43-46+102.

[34] Cobanli S, Ozturk A, Guvenc U, et al. Active power loss minimization in electric power systems through artificial bee colony algorithm[J]. International Review of Electrical Engineering, 2010, 5(5): 2217-2223.

[35] Dervis Karaboga, Celal Ozturk, Nurhan Karaboga, et al. Artificial bee colony programming for symbolic regression [J]. Information Sciences, 2012, 209: 1-15.

[36] Zeng Rui, Wang Yingyan. A chaotic simulated annealing and particle swarm improved artificial immune algorithm for flexible job shop scheduling problem[J]. EURASIP Journal on Wireless Communications and Networking, 2018, 2018(1): 101-111.

[37] 张瑞, 李雅梅. 基于 PCA-LWCA-LS-SVM 回采工作面瓦斯涌出量预测[J]. 计算机应用与软件, 2018, 35(12): 66-70.

[38] 王彦彬. 基于 PCA-PSO-ELM 的瓦斯涌出量预测[J]. 湖南科技大学学报(自然科学版), 2020, 35(4): 1-9.

[39] 丰胜成, 邵良杉, 卢万杰, 等. PCA-PSO-LSSVM 模型在瓦斯涌出量预测中的应用[J]. 辽宁工程技术大学学报(自然科学版), 2019, 38(2): 124-129.

[40] 张瑞, 李雅梅. 基于 PCA-LWCA-LS-SVM 回采工作面瓦斯涌出量预测[J]. 计算机应用与软件, 2018, 35(12): 66-70.

[41] 王媛彬, 李媛媛, 韩骞, 等.基于 PCA-BO-XGBoost 的矿井回采工作面瓦斯涌出量预测[J]. 西安科技大学学报, 2022, 42(2): 371-379.

[42] 曹博, 白刚, 李辉. 基于 PCA-GA-BP 神经网络的瓦斯含量预测分析[J]. 中国安全生产科学技术, 2015, 11(5): 84-90.

[43] 王昱舒, 吴世跃, 李文明. 特殊顶板下回采工作面瓦斯涌出量预测[J]. 煤炭技术, 2017, 36(4): 189-191.

[44] 肖鹏, 谢行俊, 双海清, 等. 基于 KPCA-CMGANN 算法的瓦斯涌出量预测研究[J]. 中国安全科学学报, 2020, 30(5): 39-47.

[45] 陈茜, 黄连兵. 基于 LASSO-LARS 的回采工作面瓦斯涌出量预测研究[J]. 煤炭科学技术, 2022, 50(7): 171-176.

[46] Shepherd J. Outbursts and geological structures in coal mines[J]. International Journal of Rock Mechanics and Mining Sciences, 1981, 18(4): 267.

[47] Bibler CJ, Marshall JS, Pilcher. Status of worldwide coal mine methane emissions and use RC[J].International Journal of Coal Geology. 1998, 23(35): 283-310.

[48] Palchik, V. Use of Gaussian distribution for estimation of gob gas drainage wellProductivity[J]. Mathematical Geology, 2002, 34: 743-765.

[49] Padgett M L, Roppel T A. Neural networks and simulation: modeling for applications[J]. Simulation, 1992, 58(5): 295-304.

[50] Pan Yumin, Deng Yonghong, Zhang Quanzhu, et al. Dynamic prediction of gas emission based on wavelet neural network toolbox [J]. Journal of Coal Science and Engineering (China), 2013, 19(2): 174-181.

[51] 程健, 白静宜, 钱建生, 等. 基于混沌时间序列的煤矿瓦斯浓度短期预测[J]. 中国矿业大学学报, 2008, 37(2): 231-235.

[52] 单亚锋, 侯福营, 付华, 等. 基于改进极端学习机的混沌时间序列瓦斯涌出量预测[J].中国安全科学学报, 2012, 22(12): 58-63

[53] 高莉, 胡延军, 于洪珍. 基于 W-RBF 的瓦斯时间序列预测方法[J]. 煤炭学报, 2008, 33(1): 67-70.

[54] 魏春荣, 李艳霞, 孙建华, 等. 灰色-分源预测法对煤矿瓦斯涌出量的应用研究[J]. 采矿与安全工程学报, 2013, 30(4): 628-632.

[55] 刘俊娥, 安凤平, 林大超, 等. 采煤工作面瓦斯涌出量的固有模态 SVM 建模预测[J]. 系统工程理论与实践, 2013, 33(2): 505-511.

[56] 樊保龙, 白春华, 李建平. 基于 LMD-SVM 的采煤工作面瓦斯涌出量预测[J]. 采矿与安全工程学报, 2013, 30(6): 946-952.

[57] 施式亮, 李润求, 罗文柯. 基于EMD-PSO-SVM的煤矿瓦斯涌出量预测方法及应用[J]. 中国安全科学学报, 2014, 24(7): 43-49.

[58] 展广涵, 王雨虹, 付华, 等. 基于变分模态分解与深度集成组合模型的瓦斯涌出量预测[J/OL]. 控制工程: 1-12[2023-01-06].

[59] 林海飞, 刘时豪, 周捷, 等. 基于 STL-EEMD-GA-SVR 的采煤工作面瓦斯涌出量预测方法及应用[J]. 煤田地质与勘探, 2022, 50(12): 131-141.

[60] 卢国斌, 李晓宇, 祖秉辉, 等. 基于 EMD-MFOA-ELM 的瓦斯涌出量时变序列预测研究[J]. 中国安全生产科学技术, 2017, 13(6): 109-114.

[61] 代巍, 付华, 冀常鹏, 等. 回采工作面瓦斯涌出量 VMD-DE-RVM 区间预测方法[J]. 中国安全科学学报, 2018, 28(9): 109-115.

[62] 刘畅, 李冬嵬. 基于 FastICA-BA-ELM 的瓦斯涌出量预测管理研究[J]. 煤炭工程, 2019, 51(12): 136-141.

[63] 陈全秋. 遗传算法与神经网络相结合在煤与瓦斯突出危险预测中的应用研究[D]. 太原: 太原理工大学, 2010.

[64] 刘帅师, 程曦, 郭文燕, 等. 深度学习方法研究新进展[J]. 智能系统学报, 2016, 11(5):567-577.[65] LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553): 436-444.

[66] 张宇鹏. 基于变分模态分解的多分量信号降噪与分离技术研究[D]. 哈尔滨: 哈尔滨工业大学, 2019.

[67] Halfin M, Coutu G, Sturim D, et al. Adaptive frequency selective filters[C]//Proceedings of 27th Asilomar Conference on Signals, Systems and Computers. IEEE, 1993: 1579-1583.

[68] Lim J S, Oppenheim A V. Enhancement and bandwidth compression of noisy speech[J].Proceedings of the IEEE, 1979, 67(12): 1586-1604.

[69] Tsakonas E E, Sidiropoulos N D, Swami A. Optimal particle filters for tracking a timevarying harmonic or chirp signal[J]. IEEE Transactions on Signal Processing, 2008, 56(10):4598-4610.

[70] 薛鹏骞, 吴立锋, 李海军. 基于小波神经网络的瓦斯涌出量预测研究[J]. 中国安全科学学报, 2006, (2): 22-25+146.

[71] Yu CJ, Li YL, Zhang MJ. An improved wavelet transform using singular spectrum analysis for wind speed forecasting based on Elman neural network[J]. Energy Convers Manage 2017, 148: 895–904.

[72] Liu D, Niu DX, Wang H, et al. Short-term wind speed forecasting using wavelet transform and support vector machines optimized by genetic algorithm[J]. Renew Energy 2014, 62(3): 592–702.

[73] Comon Pierre. Independent component analysis[J]. 1994, 36(3): 287-314.

[74] Henry E R, Hofrichter J. Singular value decomposition: Application to analysis of experimental data[J]. Methods in enzymology, 1992, 210: 129-192.

[75] Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society a-Mathematical Physical and Engineering Sciences, 1998, 454(1971): 903-995.

[76] Smith J S. The local mean decomposition and its application to EEG perception data[J]. Journal of The Royal Society Interface, 2005, 2(5): 443.

[77] Dragomiretskiy K, Zosso D. Variational mode decomposition[J]. IEEE Tranactions on SignalProcessing, 2014, 62(3): 531-544.

[78] 胡爱军, 孙敬敬, 向玲. 经验模态分解中的模态混叠问题[J]. 振动. 测试与诊断, 2011, 31(4): 429-434.

[79] Wu Z, Huang N E. Ensemble empirical mode decomposition：a noise-assisted data analysis method[J]. Advances in adaptive data analysis, 2009, 1(1): 1-41.[80] 刘建昌, 权贺, 于霞, 等. 基于参数优化 VMD 和样本熵的滚动轴承故障诊断[J]. 自动化学报, 2022, 48(3): 808-819.

[81] 别锋锋, 朱鸿飞, 彭剑, 张莹. 基于 VMD-MSE 与 SSA-SVM 的往复式压缩机气阀故障诊断[J]. 振动与冲击, 2022, 41(19): 289-295.

[82] 曹洁, 张玉林, 王进花, 等. 基于 VMD 和 SVPSO-BP 的滚动轴承故障诊断[J]. 太阳能学报, 2022, 43(9): 294-301.

[83] 马星河, 孔卫东, 李自强, 等. 一种基于 S_VMD 与 Sdr_SampEn 的局部放电信号去噪方法[J]. 电力系统保护与控制, 2022, 50(18): 29-38.

[84] 刘杰, 金勇杰, 田明. 基于 VMD 和 TCN 的多尺度短期电力负荷预测[J]. 电子科技大学学报, 2022, 51(4): 550-557.

[85] Vesala G T, Srinivasarao G, Ghali V S, et al. Non-Stationary Thermal Wave Mode Decomposition: A Comparative Study of EMD, HVD, and VMD for Defect Detection[J]. Russian Journal of Nondestructive Testing, 2022, 6(58): 521-535.

[86] Zhuang Z, Zheng X, Chen Z, et al. A Reliable Short-Term Power Load Forecasting Method Based on VMD‐IWOA‐LSTM Algorithm[J]. IEEJ Transactions on Electrical and

Electronic Engineering, 2022, 8(17): 1121-1131.

[87] Mohanty S, Gupta K K, Raju K S. Hurst based vibro-acoustic feature extraction of bearing using EMD and VMD[J]. Measurement, 2018, 117: 200-220.

[88] GAURA E I, BRUSEY J, ALLEN M, et al. Edge mining the Internet of things[J]. IEEE Sensors Journal，2013，13(10): 3816-3825．

[89] 顾国庆, 李晓辉. 基于箱线图异常检测的指数加权平滑预测模型[J]. 计算机与现代化, 2021, 305(1): 28-33.

[90] 万中一, 胡岳, 陈炳树, 等. 基于能量谱分析和 DBSCAN 改进算法的多源局部放电分类识别方法[J/OL]. 高电压技术: 1-11[2022-12-24].

[91] Liu F T, Kai M T, Zhou Z H. Isolation Forest[C] //Eighth IEEE International Conference on Data Mining, IEEE Computer Society, 2008: 413-422.

[92] 冷天培, 马刚, 向正林, 等. 基于时序分解与深度学习的堆石坝变形预测[J]. 水力发电学报, 2021, 40(10): 147-159.

[93] Yagang Zhang, Yuan Zhao, Chunhui Kong, et al. A new prediction method based on VMDPRBF-ARMA-E model considering wind speed characteristic[J]. Energy Conversion and Management, 2020, 203: 112254-112254.

[94] Yu CJ, Li YL, Zhang MJ. An improved wavelet transform using singular spectrum analysis for wind speed forecasting based on Elman neural network[J]. Energy Convers Manage,2017, 148: 895-904.

[95] Liu D, Niu DX, Wang H, et al. Short-term wind speed forecasting using wavelet transform and support vector machines optimized by genetic algorithm[J]. Renew Energy 2014, 62(3): 592-702.

[96] 张妍, 韩璞, 王东风, 等. 基于变分模态分解和 LSSVM 的风电场短期风速预测[J]. 太阳能学报, 2018, 39(1): 194-202.

[97] 张淑清, 宿新爽, 陈荣飞, 等. 基于变分模态分解和 FABP 的短期电力负荷预测[J]. 仪器仪表学报, 2018, 39(4): 67-73.

[98] 盛四清, 金航, 刘长荣. 基于 VMD-WSGRU 的风电场发电功率中短期及短期预测[J]. 电网技术, 2022, 46(3): 897-904.

[99] Holland, J. H. Standardization Of Electrical Outlets [J]. The British Medical Journal, 1963,2: 445-445.

[100] 张桢宇. 基于 GA 和 PSO 的 RFID 室内定位算法研究[D]. 成都: 电子科技大学, 2014.

[101] 刘希亮, 赵学胜, 陆锋等. 基于 GA-SVM 的露天矿抛掷爆破抛掷率预测[J]. 煤炭学报, 2012, 37(12): 1999-2005.

[102] 陈陈, 李晓明, 杨玲君, 等. 变分模态分解在电力系统谐波检测中的应用[J]. 电力系统保护与控制, 2018, 46(14): 63-70.

[103] 杨大为, 冯辅周, 赵永东, 等. VMD 样本熵特征提取方法及其在行星变速箱故障诊断中的应用[J]. 振动与冲击, 2018, 37(16): 198-205.

[104] 赵昕海, 张术臣, 李志深, 等. 基于 VMD 的故障特征信号提取方法[J]. 振动.测试与诊断, 2018, 38(1): 11-19+202.

[105] 马增强, 李亚超, 刘政, 等. 基于变分模态分解和 Teager 能量算子的滚动轴承故障特征提取[J]. 振动与冲击, 2016, 35(13): 134-139.

[106] Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural computation, 1997, 9(8):1735-1780．

[107] 薛建凯. 一种新型的群智能优化技术的研究与应用[D]. 上海: 东华大学, 2020.

[108] 李雅丽, 王淑琴, 陈倩茹, 等. 若干新型群智能优化算法的对比研究[J]. 计算机工程与应用, 2020, 56(22): 1-12.

[109] 徐彬泰, 孟祥鹿, 田安琪, 等. 基于粒子群优化及高斯过程回归的铅酸电池荷电状态预测[J]. 南京理工大学学报, 2018, 42(2): 162-168.

[110] 徐留兴, 梁川, 秦远清. 改进的 Elman 模型在紫坪铺月径流预测中的应用[J]. 四川大学学报(工程科学版), 2006, (3): 38-42.

[111] 魏博文, 柳波, 徐富刚, 等. 融合 PSO-SVM 的混凝土拱坝多测点变形监控混合模型[J/OL]. 武汉大学学报, 2021, 46(11): 1-14.

[112] 高振斌, 秦轩. 基于 PLS-GA-SVR 的区域经济预测模型及实证[J]. 统计与决策, 2022,

38(18): 54-57.