基于EMD-LSTM的重介分选精煤灰分时间序列预测方法研究

• 作者: 程凯 王然风 付翔
• 来源期刊: 煤炭工程
• 学科: 工学
• 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
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 研究探讨|Research and Discussion
• 页码范围: 133-139
• 页数: 7页
• 分类号: TD94
• 语种: 中文
• DOI: 10.11799/ce202202024

摘要

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.