[发明专利]一种高速铁路沿线极大风速智能遍历大步长预测方法

权利要求书

1.一种高速铁路沿线极大风速智能遍历大步长预测方法，其特征在于，包括以下步骤：

步骤1：在铁路目标测风点设置测风站，包括目标测风站和时移测风站；

所述目标测风站距离铁路目标测风点100米，所述时移测风站至少包括3个，且设置铁路目标测风点与目标测风站所在连线上，第一个时移测风站距离铁路目标测风点500米，相邻时移测风站之间间距为500米；

步骤2：构建训练样本数据；

以相同采样频率采集各测风站在历史时间段内的风速，依次将各测风站的历史风速，以时间间隔T内的风速中值作为各测风站的样本时刻风速，获得训练样本数据；

步骤3：利用训练样本数据和设置的预测步长，构建基于PID神经网络的风速预测模型组；

依次以目标测风站和所有时移测风站中任意三个测风站在任意历史时刻t₀的风速值作为输入数据，剩余测风站在t₀+Δt时刻的风速值作为输出数据，对PID神经网络进行训练，获得各测风站预测步长为Δt的基于PID神经网络的风速预测模型；

所述预测步长Δt的取值依次为p、2p、3p、4p，p为预测步长单元时间，取值范围为1-5min，一种预测步长对应一组基于PID神经网络的风速预测模型；

步骤4：根据目标预测时间，构建所有测风站的预测任务迭代向量；

将目标预测时间m拆分为n个子预测时间h_i，依据子预测时间与风速预测模型组的步长进行对应，选择各子预测时间对应的任意一个风速预测模型组，形成各测风站预测任务迭代向量l＝{h_i,j}，h_i,j表示第i个子预测时间选择第j个风速预测模型组进行风速预测的预测子任务，i的取值范围为1-n，j的取值范围为1-4；

步骤5：利用步骤4获得的任意一种预测任务迭代向量，进行风速预测；

以当前时刻t时刻四个测风站的风速数据作为所选预测任务迭代向量中第一个预测子任务的输入数据，以所选预测任务迭代向量最后一个预测子任务输出数据中的目标测风站的风速数据作为目标预测时间m目标测风点的风速预测值；

前一个预测子任务的输出数据作为后一个预测子任务的输入数据。

2.根据权利要求1所述的方法，其特征在于，利用最新历史风速数据，选取最优预测任务迭代向量，进行风速预测，获得最优风速预测结果，具体过程如下：

步骤A：基于目标预测时间m，选用与当前时刻t相距m+4p时间段内的历史风速数据按照训练样本数据的构建方法，获得预测样本数据，并从预测样本数据中选出各测风站依次在t、t-m、t-m-p、t-m-2p、t-m-3p、t-m-4p以及t-p、t-2p、t-3p、t-4p时的风速；

步骤B：将四个测风站在时刻为t-m、t-m-p、t-m-2p、t-m-3p、t-m-4p时的风速，依次作为每个预测任务迭代向量的输入数据，获得每个预测任务迭代向量在t、t-p、t-2p、t-3p、t-4p时获得的目标测风站预测风速；

步骤C：计算每个预测任务迭代向量依次在t、t-p、t-2p、t-3p、t-4p时获得的目标测风站预测风速与实测风速的误差，并对误差求取均值，得到每个预测任务迭代向量的总体预测误差；

步骤D：选取总体预测误差值最小的预测任务迭代向量作为最优预测任务迭代向量，进行风速预测，获得最优风速预测结果。

3.根据权利要求2所述的方法，其特征在于，设置预测任务迭代向量权重，构建最优预测任务迭代融合向量，进行风速预测，获得最优风速预测结果；

将所有预测任务迭代向量的总体预测误差值，按照从小到大排序，选取前5个预测任务迭代向量，并依据所选的5个预测任务迭代向量的总体预测误差值占所选5个预测任务迭代向量的总体预测误差值之和的比例，设置各预测任务迭代向量的权重，构建最优任务迭代融合向量，进行风速预测，获得最优风速预测结果。

4.根据权利要求2所述的方法，其特征在于，对各测风站的样本数据进行交互卡尔曼滤波处理，将滤波后的数据用于模型训练和预测任务迭代向量的选取。