煤炭工程

作者：程凯,王然风,付翔

单位：太原理工大学矿业工程学院

关键词：重介分选,精煤灰分时序数列,噪声,经验模态分解(EMD),长短期记忆神经网络(LSTM),精煤灰分预测,

针对重介分选的智能化发展需求，根据重介精煤灰分数据噪声特征及灰分过程控制对灰分预测精度、预测时长的要求，提出了基于EMD-LSTM的重介精煤灰分时间序列预测方法。首先，通过经验模态分解(EMD)算法将重介精煤灰分时序数列中的不同尺度分量逐级分解出来，生成一系列具有相同特征尺度的本征模函数，从而去除一定噪声影响|其次，进一步借助于长短期记忆(LSTM)神经网络可解决数据的长期依赖问题，从而在长时间视野预测方面表现更为突出。该方法应用于实际数据集的短期预测，实验结果表明，对LSTM神经网络进行参数寻优后，基于EMD-LSTM的重介分选精煤灰分指标时间序列预测方法中，去除IMF1分量的模型所得的预测结果具有最小的标准差σ(0.1481)和平均绝对误差λ(0.1184)，去除噪声后的EMD-LSTM模型可使预测准确性显著提高，能够有效解决精煤灰分预测的问题。

来源：2022年第2期

《煤炭工程》期刊编辑部

查看煤炭工程杂志2022年第2期