[发明专利]一种考虑风向和置信区间的铁路沿线风速预测方法

说明书

本发明公开了一种考虑风向和置信区间的铁路沿线风速预测方法，用历史风速数据建立多个低相关性风速预测模型，智能集成优化预测结果，提高预测精度，同时建立风向‑风速预测误差联合概率分布，结合目标测风点风向预测值，获得高置信度风速预测区间；利用测试样本进行多次风速模拟预测，将每次模拟预测的风速预测误差值和相应时刻风向真实值作为二维离散随机变量的一次观测值，构造风向‑风速预测误差联合概率分布，建立风向与预测误差之间的映射关系，基于风向，获得风速预测误差的高置信度区间，显著提高风速预测的鲁棒性，避免了绝对风速值预测的单一性，为列车运行决策提供更多精确有效的预测信息。

技术领域

本发明属于铁路风速预测领域，特别涉及一种考虑风向和置信区间的铁路沿线风速预测方法。

背景技术

大风是造成列车脱轨、倾覆的主要原因之一，国内外因突发大风导致的运营事故常有发生，每次事故均会对公民生命财产安全、国家经济发展造成消极影响。针对铁路突发大风这一隐患，已经有许多学者将研究目光放在铁路沿线风速预测中，希望利用历史风速进行时间序列分析，实现铁路沿线风速的高精度预测。

突发大风带来的安全隐患除了跟风速相关之外，还跟风向联系密切，在风速等级相同的情况下，风向跟列车的安全运行速度高度相关；单一的风速预测值不易于科学决策，对风速波动区间进行高精度的预测具有更高的实际意义。

铁路沿线风速时间序列和风向时间序列均呈现强随机性和高度非线性的特点，风向看似与风速预测毫无关联，但归其根本，风的形成受制地理环境和大气环境，目标测风点风向相同或相近的风在形成因素方面存在潜在关联，导致风向相同或相近的风在组成成分和波动规律方面存在较高的相关性，而风速预测模型的预测误差同输入数据的组成成分和波动规律息息相关，故建立风向-风速预测误差值二维离散随机变量概率分布以获得基于风向的风速预测误差值置信区间的方法具有科学性和实际可操作性。

发明内容

本发明提供了一种考虑风向和置信区间的铁路沿线风速预测方法，用历史风速数据建立多个低相关性风速预测模型，智能集成优化预测结果，提高预测精度，同时建立风速预测误差-风向联合概率分布，结合目标测风点风向预测值，获得高置信度风速预测区间。

一种考虑风向和置信区间的铁路沿线风速预测方法，包括以下步骤：

步骤1：在铁路目标测风点设置测风站，包括目标测风站和辅助测风站；

所述目标测风站1个，距离铁路目标测风点100米，所述辅助测风站包括3个，布置在等边三角形的三个顶点，两两之间相距1000米，等边三角形中心位于目标测风站处，底边平行于铁路轨道；

步骤2：构建训练样本数据；

以相同采样频率采集目标测风站在历史时间段内的风速数据、风向数据和辅助测风站在相同历史时间段内的风向数据，将目标测风站的历史风速数据，以时间间隔T内的风速中值作为目标测风站的样本时刻风速，获得风速样本数据；将各测风站的风向数据以时间间隔T内的风向中值作为各测风站的样本时刻风向，获得风向训练样本数据；

以相同采样频率采集目标测风站在另一历史时间段内的风速数据、风向数据，以时间间隔T内的风速中值作为目标测风站的样本时刻风速，以时间间隔T内的风向中值作为目标测风站的样本时刻风向，获得风速与风向误差分析样本数据；

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

步骤3：利用风速样本数据和设置的预测步长，构建基于Elman神经网络的风速预测模型；

将风速样本数据中最后102+Δt个时刻的数据作为风速测试样本，其余时刻的数据作为风速训练样本，Δt为预测步长，取值范围为z·T，z＝1，2，3…,10；