来源：期刊VIP网 时间：
作者：杨建;舒龙勇;张书林;秦凯;崔聪;
单位：煤炭科学技术研究院有限公司;
摘要：针对目前工作面瓦斯浓度预测的研究样本在特征维度及数据体量方面偏小，难以从大规模时序数据中挖掘出瓦斯浓度长时间尺度上波动规律的问题，提出一种基于主成分分析（PCA）-Transformer的工作面瓦斯浓度预测算法。首先，对瓦斯浓度原始数据进行数据清洗，采用最小-最大特征缩放标准化公式对清洗后的数据进行归一化操作。然后，利用PCA对7种影响工作面瓦斯浓度的因素（上隅角瓦斯浓度、回风流瓦斯浓度、氧气浓度、一氧化碳浓度、温度、纯流量、风速）进行降维处理，有效剔除与工作面浓度相关性较低的影响因素。最后，将处理后的训练集输入到Transformer模型，通过编码器、解码器提取瓦斯浓度内在的变化规律和特征。以某高瓦斯矿井224工作面监测数据为样本，利用PCA-Transformer预测模型与长短时记忆神经网络（LSTM）、PCA-LSTM及Transformer等预测模型进行对比分析，结果表明：(1)PCA-Transformer模型的平均绝对误差为0.020 3，均方误差为0.047 2，运行时间为86 s，能够满足煤矿生产对瓦斯浓度预测的精度与时效要求。(2)相较于LSTM,PCA-LSTM,Transformer等预测模型，PCA-Transformer预测模型能够更好地拟合瓦斯浓度变化趋势，有效识别波峰、波谷序列特征，计算耗时最少，验证了PCA-Transformer预测模型的有效性。
关键词：工作面瓦斯浓度预测;瓦斯时序数据;主成分分析;Transformer;降维处理
基金资助：国家重点研发计划项目（2023YFC3009004）; 煤炭科学技术研究院有限公司科技发展基金项目（2023CX-I-07）; 天地科技创新创业资金专项（重点项目）（2024-2-TD-CYD004）
