[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

说明书

技术领域

本发明涉及一种强风高速铁路沿线风速空间网络构造预测方法。

背景技术

强侧风是导致列车事故的主要自然灾害之一，特别当列车通过风口区域的特大桥梁、高路堤、丘陵及曲线等一些特殊路段时，极易发生脱轨、倾覆等事故，造成人员伤亡和经济损失。因此，要在易出现强风天气的铁路沿线建立大风监测预警系统，该系统包括列车信息、铁路沿线路况信息、风速信息等。其中，风速模块是在铁路沿线安装风速传感器和采集单元，实时采集风速数据，由于铁路部门需要提前调度指挥，所以要建立合适的风速预测模式。

风速受季节、气压、气温、湿度、地形、海拔等众多因素影响，随机性很强。目前，国内外学者已经对风速预测做了一些研究，大致可以分为统计方法，物理方法和学习方法。最早以持续法为代表，该方法简单快捷，但随着计算步的增加，预测精度快速下降，难以满足实际需要。随着研究的深入，时间序列法、神经网络、支持向量机、卡尔曼滤波、小波分析、经验模式分解等方法开始被应用。近年来，一些学者的研究表明，一些混合模型的预测性能优于单一模型，而如何构建性能优良的混合模型成为当前研究的热点。

基于安全考虑，铁路沿线关键位置点的风速预测需具备高精度、强稳定性，且不容许数据中断输出。而现有的风速预测方法多基于单测风站短时风速数据，抗干扰能力差，且由于参考因素太少，超前多步预测时，预测精度下降较快。因此，迫切需要提出一种能结合时间和空间、包含气象因素的高精度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，提供一种强风高速铁路沿线风速空间网络构造预测方法，该方法融合了3个基本模型，包含空间、时间、气象等多种元素，预测时各模型数据和方法存在交织，最后的最优加权组合模型能最优分配3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。

一种强风高速铁路沿线风速空间网络构造预测方法，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。

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；