[发明专利]一种融合多测风站实测数据的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，特别涉及一种融合多测风站实测数据的铁路沿线风速预测方法。

背景技术

风严重影响到列车运行的安全性和平稳性，容易引起列车安全事故，这给铁路安全运营带来了挑战，给世界各国造成了巨大的经济损失和人员伤亡。为此，一些国家建立了铁路强风监测预警系统。该类系统通常包含风速风向信息、铁路沿线路况、列车信息等，当区段风速超过一定限值时，系统会发出限速或者停运指令。由于铁路的指挥调度需具备超前性和准确性，所以，在强风监测预警系统中，风速高精度预测属于不可或缺的核心技术之一。

风速受气压、海拔、温度、地形等多种因素影响，具有很强的非线性和随机性。在一些铁路沿线地区，地形地貌等条件更为复杂，风速信号更加不稳定，且部分测风站会出现白噪声和随机错误采样数据，这些都加大了风速预测难度，因此，准确高效地预测铁路沿线风速是个技术难题。

风速预测的研究对象多为风电场风速，研究方法主要有物理模型，如数值天气预报；统计模型，如时间序列法；智能学习模型，如人工神经网络；以及一些组合预测。一些学者的研究表明，组合预测方法通常比单一预测方法拥有更好的预测性能。介于铁路沿线风速预测的特殊性，预测模型要同时具备较高的适用性、准确性、实时性和鲁棒性，因此，构建合适的组合预测模型来预测铁路沿线风速是一种可行方案。

目前，铁路沿线风速预测模型的建立都基于单测风站实测数据，采样数据较为单一，抗干扰能力较差，此外，如果单测风站安装的传感器发生硬件故障，就会造成预测中断，在现场运营的铁路强风监测预警系统中，风速中断输出是不允许的，这将会造成严重的翻车事故。现有的风速预测方法，几乎都是采用统计模型，将大量风速数据分类建立数据库，通过与当前风速数据比较来预测风速；或是采用物理模型，进行流场分析。这两种方法的实时性较差，难以满足铁路沿线风速预测的要求。因此，迫切需要建立一种实时性好、融合多测风站实测数据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风速预测方法中存在的不足，提供一种融合多测风站实测数据的铁路沿线风速预测方法。通过多测风站数据提高预测精度，同时由于融合多个测风站之间的风速数据多样性，保证预测模型的稳定性，且能避免单测风站传感器硬件故障造成的预测中断。

一种融合多测风站实测数据的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目标测风站的风速数据，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；

所述辅助测风站以目标测风站位置为原点，以20公里为最大半径，顺着铁路沿线搜索目标测风站位置前后周围的铁路接触网立柱；将N个辅助测风站安装在铁路接触网立柱距铁路轨面4米的高度位置上；

目标测风站和辅助测风站位置高度与沿线行驶列车的车顶等高；

步骤2：对风速样本集合中的风速数据进行滤波处理去除风速数据中潜在的误差；

步骤3：对经过步骤2滤波后的风速样本集合进行2层小波包分解去除样本集合中的高频跳跃特征数据，并从分解后的数据中选取最后一层的低频数据部分；

步骤4：将步骤3选取出的各辅助测风站的低频数据部分分别与目标测风站的低频数据部分进行显著性检验，按照显著性从高到低对各辅助测风站进行排序，选出与目标测风站低频数据部分显著性排名前m组辅助测风站的低频数据部分和对应的m个辅助测风站；

其中，m为整数，取值范围为[3，60％N]；

步骤5：对目标测风站和选出的m个辅助测风站的低频数据部分分别进行2层小波包分解，获得每个测风站的4个风速子序列；

步骤6：以所选的m个辅助测风站的4个风速子序列为输入数据，以目标测风站的4个风速子序列为输出结果，采用基于PSO优化的MLP神经网络模型进行训练，得到预测模型；

步骤7：将所选的m个辅助测风站的实测风速值依次进行滤波、2层小波包分解，并对经过2层小波包分解后得到的最后一层低频数据部分再次进行2层小波包分解，将分解后得到的各辅助测风站的4个风速子序列输入到训练好的模型，将模型输出的子序列预测值进行累加，得到目标测风站的风速预测值。

所述步骤2中采用交互多模型卡尔曼滤波进行滤波处理。

所述步骤3和步骤5中使用的2层小波包分解为采用Mallat塔式算法或选取紧支撑双正交小波db3作为母小波的小波分解方法。

采用动态时间弯曲距离法进行所述步骤4中的显著性检验。