1.一种基于优化变分模态分解的矿井瓦斯浓度预测方法，其特征在于，基于IVMD‑JKELM‑CEC，具体包括以下步骤：Step1，收集矿井瓦斯浓度数据，选取N个数据作为实验数据，对实验数据进行预处理，采用平滑插值对异常值和缺失值进行插值填补处理，将实验数据进行归一化处理；

Step2，通过改进的变分模态分解IVMD将归一化后的实验数据分解成多个具有不同中心频率的固有模态分量IMF，使用中心频率最小差值商算法对VMD的分解模态数进行求解，实现模态数的自适应选取；

Step3，对IVMD分解得到的每个IMF划分训练集和测试集，对每个IMF分别建立基于JAYA优化的KELM预测模型，完成IMF的初步预测，得到预测结果Step4，对每个IMF的预测误差采用循环误差补偿CEC进行预测，完成IMF预测误差的预E测，得到预测结果Y＝{E1,E2,...,Ei}；

Step5，将所有IMF的预测结果和IMF预测误差的预测结果进行叠加如下* E

Y＝Y+Y

获得最终预测结果Y。

2.根据权利要求1所述的基于优化变分模态分解的矿井瓦斯浓度预测方法，其特征在于，Step2中，通过改进的变分模态分解IVMD将归一化后的实验数据分解成多个具有不同中心频率的固有模态分量IMF具体如下：通过希尔伯特变换获得每个模态函数的解析信号，解析信号乘以估计的中心频率将其调制到相应的基频谱，通过高斯平滑估算解析信号的梯度的二范数的平方，得到各模态分量的信号带宽，得到受约束的变分模型如下：式中：uk为模态分量， 表示求偏导，δ(t)表示狄拉克分布，{ωk}为中心频率的集合，K为模态数，f为原始信号；

引入惩罚因子α和拉格朗日乘子λ(t)，采用交替方向算子法进行求解，得到各模态分量和中心频率如下：式中： 为模态分量， 为中心频率。

3.根据权利要求2所述的基于优化变分模态分解的矿井瓦斯浓度预测方法，其特征在于，Step2中，中心频率最小差值商算法具体如下：初始化分解模态数值最小值和最大值，最小值为2，最大值不超过15；

利用VMD将矿井瓦斯浓度数据y分解为M个IMF，计算相邻IMF的中心频率差值Δω，Δ ω的均值表示为：则中心频率最小差值商DQ表示如下：

当达到下式的终止条件时M停止迭代：

此时准确的模态数K＝M‑3。

4.根据权利要求1所述的基于优化变分模态分解的矿井瓦斯浓度预测方法，其特征在于，Step3中，对IVMD分解得到的每个IMF划分训练集和测试集具体如下：对于矿井瓦斯浓度数据X＝[x1,x2,x3...,xn]，其中xi为第i个时刻的矿井瓦斯浓度数据；对X使用滑动预测方式进行预测，窗口大小为m，其中m≥2，将X分割为n‑m个窗口，则，第1个窗口W1＝[x1,x2,...,xm‑1,xm]，第i个窗口Wi＝[xi,xi+1,...,xi+m‑2,xi+m‑1]，最后一个窗口为Wn‑m＝[xn‑m,xn‑m+1,...,xn‑2,xn‑1]，多步预测时输出为多个。

5.根据权利要求4所述的基于优化变分模态分解的矿井瓦斯浓度预测方法，其特征在于，对每个IMF分别建立基于JAYA优化的KELM的预测模型时，引入核函数，核函数矩阵为TΩKELM＝HH，其元素为ΩKELM(i,j)＝h(xi)h(xj)＝K(xi,xj)，则KELM的输出为：式中：I为对角阵，C为正则化系数，T为期望输出矩阵；

KELM的核函数选用RBF核函数，其公式为：

式中，λ为核参数。

6.根据权利要求5所述的基于优化变分模态分解的矿井瓦斯浓度预测方法，其特征在于，使用JAYA对KELM的核参数以及正则化系数进行优化求取，其中适应度评估函数为：式中：y(i)为预测结果，yd(i)为期望输出。

7.根据权利要求4所述的基于优化变分模态分解的矿井瓦斯浓度预测方法，其特征在于，Step4具体包括以下步骤：Step4‑1，把数据按照窗口划分后，使用JKELM对其预测得到n‑m个预测的瓦斯浓度数据；

Step4‑2，将预测的瓦斯浓度数据与实际值进行作差获得第1层误差数据E1，将E1继续预测得到m‑2n个预测的误差数据，即第2层误差数据E2，以此类推，第i层时得到m‑in个预测的误差数据，即第i层数误差数据Ei；

Step4‑3，设定误差计算的终止条件为：5|Ei‑Ei‑1|0＜Ei‑1。