一种基于随机风速场预测的煤矿主通风机变频器调速方法
文献发布时间：2023-06-19 19:28:50
技术领域
本发明涉及技术领域，具体而言，涉及一种基于随机风速场预测的煤矿主通风机变频器调速方法。
背景技术
煤矿井下通风系统是煤矿安全生产核心的系统之一。分为压入式通风和抽出式通风两种，其中抽出式通风流程如下：新鲜空气通过主井、副井或专用送风井进入井下各个巷道。同时，回风井井口的主通风工作，形成负压，将井下各巷道的浑浊气流吸出，从而达到空气流通的目的。井下的核心工作地点是回采工作面和掘进面，为此需要这类核心工作场所的通风安全。
煤矿主通风机是确保井下生产安全的关键设备。目前主通风机有定频和变频两种控制方法。定频的方法是将主通风机的运行频率设置在50Hz，电动机按照额定转速抽出井下污浊气流，风量的大小主要依据风门角度控制，这种方式不节能。采用变频器控制的方式，是通过变频器控制风机转速，从而调节主风井的风量。调节手段有频率调节和风门调节两种。为了进一步节能，一般采取将封门开到最大，而调节电动机的频率。
目前，主通风机的调节方式以额定运行和手动调节两种方式，不具备全局智能化操作的能力。通常做法是井下顶点测量风速、有害气体浓度等信息，电话通知地面操作员，对主通风机的风量进行控制。这样的方式仅依据井下单点检测的结果，难以在复杂的井下巷道中形成全局调控。此外，由于煤矿通风系统是一个大时滞系统，即主通风机调节后，井下需要相当长的时间才可以获得需求的风量，系统整体调节延时很大。
目前针对主通风机的控制方法有PID调节，以及采用部分智能算法与PID结合的衍生算法。如模糊PID调节、神经网络PID调节等方法。这类方法可以起到一定的智能调节作用，但是其调节原理仍然是在已获取风量需求的前提下展开的智能调节。而这种风量需求通常为单点需求，可能引起其他需求点的负面效益。此外，目前的调节方法都是基于事后调节，即根据某点当前时刻风量来调节通风机。由于通风系统延时时间大，主通风机调节完毕后需要过很长时间才能改变风量请求点的通风情况。
发明内容
本发明正是基于上述技术问题至少之一，提出了一种基于随机风速场预测的煤矿主通风机变频器调速方法。
一种基于随机风速场预测的煤矿主通风机变频器调速方法，其步骤包括：
S1、确定测风点并收集测风点的数据，测风点一、测风点二分别对两个回采工作面的通风进行实时监测，测风点三对掘进面通风实时监测，测风点四是对风井的通风情况进行实时监测，收据各个测风点的风速V、风量C、温度T、瓦斯浓度W、二氧化碳浓度G的数据，并设定检测点编号为i，t时刻对应的检测结果为：Vi(t)、Ci(t)、Ti(t)、Wi(t)、Gi(t)，i＝1，2，3，4；
S2、对各个测风点的监测信息预测，设当前时刻为t，第i个检测点的输入信息为：
X
其具体步骤如下：
21)预测模型选用Pytorch的LSTM架构，输入序列长度为n＝20，预测长度为m；
22)LSTM设置如下：输入长度＝20、输入维度＝5、LSTM层数为1、输出长度m、输出维度＝5，
输出长度即为预测长度，反应通风调节的时滞特性，m的计算方法：
式中，T
3)对所有测风点均建立上述LSTM神经网络，预测各测风点的监测数据；
4)LSTM神经网络的训练，收集历史数据，制作数据样本，进行训练，其中，损失函数为均方差函数。
S3、基于图神经网络的主通风机风量计算，利用图神经网络建立测风点的随机场模型P(Y|X)，其中X表示所有测风点的输入信息；Y表示各测风点的风量，风量Y在0到1之间取值；当为0时表示无需风量，为1时表示需要最大风量，随机场模型P(Y|X)本质表示的是一个概率值，该概率值可以用图神经网络来逼近；
为此，建立以下步骤：
31)建立图神经网络的输入信息X＝[X
X
32)建立图神经网络的输出信息，Y＝[Y
33)建立各检测点风量的随机场模型P(Y|X)，即在各测风点监测数据条件下，各处需风量的大小，0≤P(Y
34)依据随机场模型，建立各测风点的图神经网络，图神经网络由4层图网络结构组成。
35)根据图神经网络获得的各测风点对风量需求的概率值，并引入全连接神经网络，求取主通风机的供风量D；
36)对图神经网络训练，收集井下测风点实时监测数据，制作样本集，训练时选用均方差损失函数，直至神经网络收敛，则神经网路具备计算实时风量的能力；
S4、确定主通风机变频器控制决策方法：变频器控制频f与风量成线
性关系：f(t)＝kD(t)(7)
式中k为常数，
S5、确定变频器控制频率决策方法，其步骤如下：
51)设定当前时刻为t，根据式(2)确定预测长度m；
52)根据LSTM预测各测风点m时刻的数值：
X
53)根据图神经网络确定m时刻的风量D(m)
54)根据式(7)确定变频器控制频率f(m)；
55)从当前时刻t开始，直到t+m时刻，变频器执行控制频率f(m)，
56)在t+m时刻重复执行第一步，重新预测再执行控制频率。
进一步优选的，在步骤S3中，所述图神经网络分为四层，每一层的输入值为特征值Fi和链接矩阵E，输入值与煤层权重W做运算后，得到输出特征值F
其中p×q表示特征值为p行q列的矩阵；
每层图卷积神经网络F
a、第一层输入F
b、确定链接矩阵E，E为各测风点的链接矩阵
若矩阵E中第i行、第j列的元素为1，表示第i个测风点和第j个测风点有联系；若为0，则表示无联系，在本专利中，所有测风点均相关；
c、各层图神经网络特征值输出为：
F
d、根据上述图神经网络，输出F
e、引入全连接神经网络，求取主通风机的供风量，F
有益效果：本发明以随机场为理论基础，井下各个关键通风检测作为随机场的顶点，以通风检测的结果作为顶点的属性，建立井下通风控制随机场模型；然后建立场数据的预测模型，对风场的未来信息进行预测，从而指导主通风机的通风调节，有效提升通风控制的响应速度。
附图说明
图1示出了本发明的井下通风及测风点分布示意图；
图2示出了本发明随机场模型的示意图；
图3示出了本发明测风点图神经网络结构的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
如图1～图3所示的一种基于随机风速场预测的煤矿主通风机变频器调速方法，其步骤包括：
S1、确定测风点并收集测风点的数据，测风点一、测风点二分别对两个回采工作面的通风进行实时监测，测风点三对掘进面通风实时监测，测风点四是对风井的通风情况进行实时监测，收据各个测风点的风速V、风量C、温度T、瓦斯浓度W、二氧化碳浓度G的数据，并设定检测点编号为i，t时刻对应的检测结果为：Vi(t)、Ci(t)、Ti(t)、Wi(t)、Gi(t)，i＝1，2，3，4；
S2、对各个测风点的监测信息预测，设当前时刻为t，第i个检测点的输入信息为：
X
其具体步骤如下：
21)预测模型选用Pytorch的LSTM架构，输入序列长度为n＝20，预测长度为m；
22)LSTM设置如下：输入长度＝20、输入维度＝5、LSTM层数为1、输出长度m、输出维度＝5，
输出长度即为预测长度，反应通风调节的时滞特性，m的计算方法：
式中，T
3)对所有测风点均建立上述LSTM神经网络，预测各测风点的监测数据；
4)LSTM神经网络的训练，收集历史数据，制作数据样本，进行训练，其中，损失函数为均方差函数。
S3、基于图神经网络的主通风机风量计算，利用图神经网络建立测风点的随机场模型P(Y|X)，其中X表示所有测风点的输入信息；Y表示各测风点的风量，风量Y在0到1之间取值；当为0时表示无需风量，为1时表示需要最大风量，随机场模型P(Y|X)本质表示的是一个概率值，该概率值可以用图神经网络来逼近；
为此，建立以下步骤：
31)建立图神经网络的输入信息X＝[X
32)建立图神经网络的输出信息，Y＝[Y
33)建立各检测点风量的随机场模型P(Y|X)，即在各测风点监测数据条件下，各处需风量的大小，0≤P(Y
34)依据随机场模型，建立各测风点的图神经网络，图神经网络由4层图网络结构组成；所述图神经网络分为四层，每一层的输入值为特征值F
其中p×q表示特征值为p行q列的矩阵；
每层图卷积神经网络F
a、第一层输入F
b、确定链接矩阵E，E为各测风点的链接矩阵：
若矩阵E中第i行、第j列的元素为1，表示第i个测风点和第j个测风点有联系；若为0，则表示无联系，在本专利中，所有测风点均相关；
c、各层图神经网络特征值输出为：
F
d、根据上述图神经网络，输出F
e、引入全连接神经网络，求取主通风机的供风量，F
35)根据图神经网络获得的各测风点对风量需求的概率值，并引入全连接神经网络，求取主通风机的供风量D；
36)对图神经网络训练，收集井下测风点实时监测数据，制作样本集，训练时选用均方差损失函数，直至神经网络收敛，则神经网路具备计算实时风量的能力；
S4、确定主通风机变频器控制决策方法：变频器控制频f与风量成线
性关系：f(t)＝kD(t) (7)
式中k为常数，
S5、确定变频器控制频率决策方法，其步骤如下：
51)设定当前时刻为t，根据式(2)确定预测长度m；
52)根据LSTM预测各测风点m时刻的数值：
X
53)根据图神经网络确定m时刻的风量D(m)
54)根据式(7)确定变频器控制频率f(m)；
55)从当前时刻t开始，直到t+m时刻，变频器执行控制频率f(m)，
56)在t+m时刻重复执行第一步，重新预测再执行控制频率。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。