[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

说明书

本发明提供了一种高速铁路沿线极大风速智能遍历大步长预测方法，根据近期风速状况，通过在目标测风点构建目标测风站和时移测风站，对测风站的数据进行去噪处理后，利用PID神经网络，对去噪后的风速数据进行训练，构建各测风站在多种步长下的风速预测模型；选用各模型进行多种步长的最优预测组合，实现多步迭代预测，提高预测精度，降低随机误差的干扰；实现了铁路沿线风速超前预测，可以提前得知事故多发区域的风速环境状况，及时、有效地指导列车运行，保障列车运营安全。

技术领域

本发明属于铁路风速预测领域，特别涉及一种高速铁路沿线极大风速智能遍历大步长预测方法。

背景技术

大风是影响铁路运输安全的重要原因之一，其使运行中的列车遭受很强的横风作用。当列车运行至曲线，丘陵等特殊轨段，在大风的作用下极易发生脱轨、倾覆事故，威胁运输安全。2005年12月25日，日本新干线特快列车“稻穗14号“行驶至日本北部山形县庄内镇时，遭遇突如其来的怪风袭击，列车脱轨翻车，造成4人死亡，33人受伤。2006年4月9日至11日，新疆百里风区三十年一遇大风，大风卷起的砂砾将T70次列车车窗玻璃全部打碎，列车停轮超二十个小时；2007年2月28日，5807次列车11节车厢被大风吹翻，造成3名旅客死亡，2名旅客重伤。2011年4月23日，阿根廷南部丘布特省埃斯克尔镇附近，狂风导致一列正在行驶中的火车出轨，造成20余名乘客受伤。

大风的恶劣影响随着列车运行速度的增加而愈发显著，严重制约着铁路客运货运提速和经济的发展。

发明内容

本发明为了实现铁路沿线短期风速的高精度预测，提出一种高速铁路沿线极大风速智能遍历大步长预测方法，根据近期风速状况，选用各模型多种步长的最优预测组合，实现多步迭代预测，提高预测精度，降低随机误差的干扰。

一种高速铁路沿线极大风速智能遍历大步长预测方法，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；

即将每个时间间隔T内的多个风速的中值作为一个样本时刻的风速值，压缩历史风速数据；

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；

四个预测步长，一共四组风速预测模型，每组风速预测模型包含四个测风站的风速预测模型；

每组风速预测模型的输入数据为四个测风站在某时刻的风速，输出数据为经过时间Δt后，四个测风站的预测风速；

实际上每组风速预测模型中某个测风站的风速预测模型是指利用另外三个测风站的在某时刻的风速，对该测风站在经过时间Δt后的风速进行预测；

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；