[发明专利]一种强风高速铁路沿线风速空间网络构造预测方法

权利要求书

1.一种强风高速铁路沿线风速空间网络构造预测方法，其特征在于，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2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：利用与目标测风站的低频数据部分对应的目标测风站所处位置的气象属性数据，寻找与该目标测风站当前风速的气象属性相似的历史测风数据，构建气象-目标测风站超前多步预测模型；

所述气象属性数据包括季节、时刻及风速、气温、气压、湿度的最高值、最低值和均值；

步骤5：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。

2.根据权利要求1所述的方法，其特征在于，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EMD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CS的GRNN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CS的GRN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CGA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CGA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；

步骤2.3：将目标测风站的自我高频基于CS的GRN神经网络模型、自我中频基于CGA的极限学习机模型以及自我低频RARIMA模型合并，形成自我-目标测风站超前多步预测模型；

步骤2.4：以辅助测风站的低频、中频和高频子序列数据作为输入，目标测风站的低频、中频和高频子序列数据作为输出，构建各频段子序列基于FOA的MLP神经网络模型，利用辅助测风站的各频段子序列对应的超前多步预测值输入各频段子序列基于FOA的MLP神经网络模型，获得目标测风站对应各频段的超前多步预测值，以各频段子序列基于FOA的MLP神经网络模型形成空间-目标测风站超前多步预测模型。

3.根据权利要求2所述的方法，其特征在于，所述基于FOA的MLP神经网络预测模型的构建步骤如下：

步骤A、利用FOA算法随机产生30组代表MLP神经网络连接权值和阈值的果蝇位置种群；其中，每一个果蝇位置对应着一组MLP神经网络的连接权值和阈值；果蝇位置的更新代数为200；

步骤B、根据风速预测平均绝对相对误差最小为原则，利用风速样本对每个果蝇位置进行对比，筛选出每一代果蝇种群中味道浓度最优的果蝇；

在每次筛选中，对原始30组果蝇位置中最劣的5组果蝇用重新随机产生的5组果蝇进行更换，并且将上一步30组果蝇位置中最优的3组果蝇进行保留到下一步的性能对比中；

步骤C、当达到200步后，FOA算法输出最佳果蝇位置，将这一步的最优初始连接权值和阈值赋予给MLP神经网络模型；

步骤D、MLP神经网络以FOA算法寻优获得的最优初始连接权值和阈值开始自身网络的学习训练过程。