[发明专利]一种多模型多特征融合的高速铁路沿线风速预测方法

说明书

技术领域

本发明属于铁路风速预测领域，特别涉及一种多模型多特征融合的高速铁路沿线风速预测方法。

背景技术

随着我国经济持续稳定发展，我国铁路建设进入了高速发展期。而随着铁路运营线路的增加和列车速度的提升，列车运行的安全性、平稳性、舒适性受到越来越多的关注。强风是导致列车事故的主要自然灾害之一，我国一些铁路沿线地区时常出现强风天气，这给列车安全平稳运行带来了巨大挑战。为了防止列车事故的发生，需要建立铁路大风监测预警系统，以便铁路部门提前调度指挥，铁路沿线风速预测技术就是该系统的核心技术之一。

风速信号是一种随机、非线性信号，预测难度很高。目前，风速预测的研究领域多集中在风电场预测，方法分为统计方法、物理方法和学习方法，常用的模型包括神经网络、支持向量机、卡尔曼滤波、时间序列、小波分解、经验模式分解等，还有一些混合模型。

风电场通常建在地势平坦、风向稳定的地区，较小范围内风速差异不大。不同于风电场，铁路沿线地形环境复杂，不同位置点风速差异显著，而足够强的瞬态风就可能引发列车事故，因此，铁路沿线各位置点风速预测必须准确。同时，由于硬件设备存在可靠性问题、单一模型预测效果不稳定，而铁路沿线风速预测数据不容许中断输出，所以，铁路沿线风速预测必须性能稳定，能在多种异常状况下不间断输出高精度预测数据。因此，迫切需要建立一种预测精度高、性能稳定，能融入多种因素和多种预测模型的铁路沿线风速预测方法。

发明内容

本发明的目的在于克服现有铁路沿线风速预测方法中存在的不足，提供一种多模型多特征融合的铁路沿线风速预测方法。该方法融合了4个基本模型，包含空间、时间、气象、物理等多种元素，预测时各模型数据存在交织，最后的组合模型能自适应地调整4个基本预测模型的权值，预测稳定性高，可以实现超前多步预测，具有工程应用价值。

一种多模型多特征融合的高速铁路沿线风速预测方法，包括以下步骤：

步骤1：在目标测风站位置周围至少安装N个辅助测风站，利用辅助测风站实时采集辅助测风站的风速数据，获得目标测风站和辅助测风站的风速样本集合；

其中，N为大于或等于5的整数；

步骤2：对辅助测风站数据和目标测风站数据依次进行滤波和1层深度小波分解，提取低频数据部分；

步骤3：利用步骤2获得的辅助测风站和目标测风站的低频数据部分构建空间-目标测风站超前多步预测模型，同时，利用目标测风站的低频数据部分构建自我-目标测风站超前多步预测模型；

步骤4：利用目标测风站的低频数据部分和目标测风站所处位置的气压、湿度和温度数据构建气象-目标测风站超前多步预测模型；

步骤5：利用数值天气预报信息获取目标测风站风速预测值；

步骤6：将空间-目标测风站超前多步预测模型、自我-目标测风站超前多步预测模型以及气象-目标测风站超前多步预测模型获得的目标测风站超前多步预测值和步骤5获得的目标测风站风速预测值输入贝叶斯组合模型，获取最终的目标测风站预测值；

所述超前多步预测是指利用当前时刻T的风速数据输入对应预测模型获得下一时刻T+1的风速预测，然后，利用下一时刻T+1的风速预测值再次输入对应预测模型，获得T+2时刻的风速预测值，往复迭代获得超前多步预测值。

利用贝叶斯组合模型对4个预测模型所获得超前多步预测值不进行简单的平等加权，而是对更高精度的预测模型输出赋予更大的比例系数，即让更高精度的预测模型所输出的风速预测值在加权中占有更大比例。

进一步地，所述步骤2中的空间-目标测风站超前多步预测模型和自我-目标测风站超前多步预测模型的构建步骤如下：

步骤2.1：对辅助测风站和目标测风站的低频数据部分进行FEEMD分解，获得每个测风站对应的低频、中频和高频子序列；

步骤2.2：对辅助测风站和目标测风站的高频子序列的各IMF分量分别进行基于PSO的LVQ神经网络的训练，构建辅助测风站和目标测风站各自的自我高频基于PSO的LVQ神经网络模型，获取辅助测风站和目标测风站的自我高频超前多步预测值；

对辅助测风站和目标测风站的中频子序列的各IMF分量分别建立基于CBA的极限学习机进行训练，构建辅助测风站和目标测风站各自的自我中频基于CBA的极限学习机模型，获取辅助测风站和目标测风站的自我中频超前多步预测值；

对辅助测风站和目标测风站的低频子序列的各IMF分量分别建立RARIMA进行训练，构建构建辅助测风站和目标测风站各自的自我低频RARIMA模型，获取辅助测风站和目标测风站的自我低频超前多步预测值；