[发明专利]一种风向空间关联驱动的铁路沿线风速预测方法

说明书

本发明公开了一种风向空间关联驱动的铁路沿线风速预测方法，对目标地点风速进行多模型集成预测，通过集成多个低相关模型，利用多目标优化算法进行多模型融合，得到最终风速预测模型，保证了进行融合多模型之间的低相关性，提升模型的泛化能力，显著提高了预测精度；通过在目标测风点构造三个地理环绕的辅助测风站，协同目标测风站，建立四个测风站之间的风向数据映射关系，利用四个测风站之间的风向地理信息，显著提高风向预测精度；利用本发明所提出的方法，当列车运行至伴有大风环境的地势崎岖等危险路段时，能够实现铁路沿线风速高精度超前预测，利用风向空间关联驱动的优势，避免了单一风速驱动的保守性，保障列车安全运行。

技术领域

本发明属于铁路风速预测领域，特别涉及一种风向空间关联驱动的铁路沿线风速预测方法。

背景技术

大风是铁路运营安全的主要威胁之一，每年都有多起大风导致的铁路安全事故。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时，遭遇突发狂风袭击，列车脱轨翻车，造成4人死亡，33人受伤。2011年4月23日，阿根廷南部丘布特省埃斯克尔镇附近，暴风导致一列正在运行的列车出轨，造成20余名乘客受伤。

针对铁路大风问题，多数研究者将目光放在铁路沿线风速的预测中，旨在实现铁路沿线风速的高精度预测。但是造成列车事故的因素除了风速外，还跟风向关系密切。在风速等级和运行速度相同的情况下，列车倾覆、脱轨可能性的高低受制于风向。

发明内容

本发明为了实现铁路沿线短期风环境的高精度预测，提供了一种风向空间关联驱动的铁路沿线风速预测方法，对目标地点风速进行多模型集成预测，通过集成多个低相关模型，提高预测精度，同时通过辅助测风站进行风向预测。

一种风向空间关联驱动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；

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LS-SVM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；

针对LS-SVM风速预测模型的参数γ和参数σ²，随机选取n种取值组合,n取值至少为100，构建n个LS-SVM风速预测模型；

利用风速训练样本数据，依次以任意三个连续时刻t-2、t-1、和t时刻的风速值作为每个LS-SVM风速预测模型的输入数据，将t+Δt时刻的风速值作为每个LS-SVM风速预测模型的输出数据，训练得到n个LS-SVM风速预测模型；

依次将风速测试样本连续三个时刻的风速值作为每个LS-SVM风速预测模型的输入数据，分别得到风速测试样本中最后100个时刻的风速测试预测值；

每个LS-SVM风速预测模型分别进行100次的滚动预测；