[发明专利]一种铁路和风电场环境风速机器学习预测方法

说明书

本发明公开了一种铁路和风电场环境风速机器学习预测方法，该方法选择多种神经网络模型，建立多种风速预测特征预选模型各100个，通过均方误差分析和相关性分析，选取性能好以及特征独立性强的模型各10个，然后建立多个风速预测集成模型，对风速预测特征进行集成处理，最后建立风速预测归一模型，对风速集成值进行归一处理，并计算预测风速向量与训练样本的风速向量之间的相关性，利用相关性强的对应时刻的风速噪声还原预测风速值，该方法能有效预测非平稳风速，对复杂，非线性风速值具有精准的预测效果。

技术领域

本发明属于风速预测领域，特别涉及一种铁路和风电场环境风速机器学习预测方法。

背景技术

近年来，风速预测受到铁路相关安全部门和风电场领域越来越多的关注。风速具有随机多变、复杂非线性等特点，实现对风速超步长、超精准的预测能为恶劣大风环境下的列车运行提供更多提前预警处理时间，保证行车安全；同时风速精准预测能为风电场执行调度方案提供有力的数据支持，稳定发电功率，保证发电安全。

诸多学者投入了大量的精力研究风速变化规律，由于其复杂非线性特点，传统的统计方法和物理方法对风速预测具有较大局限性，很难准确找出风速变化特征，从而无法进行精准的风速预测。机器学习方法由于其较强的非线性数据处理能力被越来越多人使用，将其与风速预测相结合能更为准确地找出风速特征，发现风速变化规律，是风速预测的重要方法。

本发明提供了一种铁路和风电场环境风速机器学习预测方法，选择多种神经网络算法，建立多种风速预测特征预选模型各100个，通过均方误差分析和相关性分析，选取性能好以及特征独立性强的模型各10个，然后建立多个风速预测集成模型，对风速预测特征进行集成处理，最后建立风速预测归一模型，对风速集成值进行归一处理，并计算预测向量与训练样本之间的相关性，利用相关性强的对应时刻的风速噪声还原预测风速值，从而达到精准，有效的预测。

发明内容

本发明提供了一种铁路和风电场环境风速机器学习预测方法，其目的在于，依据机器学习算法，建立多种机器学习模型，找到铁路和风电场环境下的复杂、非平稳风速的风速特征，根据风速的不同特征对非平稳风速进行准确有效的预测。

一种铁路和风电场环境风速机器学习预测方法，包括以下步骤：

步骤1：建立测风站获取原始风速数据；

在铁路沿线或风电场待测风点设置测风站，设置指定采样时间间隔，采集原始风速数据集；

所述原始风速数据集为时间序列集，且包含Q个采样时刻的风速，所述Q至少大于500；

步骤2：构建风速模型训练样本和风速模型筛选样本；

使用无迹卡尔曼方程对原始风速数据集进行滤波，得到处理后的风速数据集和风速噪声集；

将风速数据集按照时间连续滚动规则分为多个长度为5的风速训练向量；其中1/2时间连续的风速训练向量组成风速模型训练样本，剩余1/2时间连续的风速训练向量组成风速模型筛选样本；

步骤3：选择N种不同神经网络，对每种神经网络的参数随机设置100种不同取值，构建N种基于神经网络的风速预测特征预选模型组；

依次将风速模型训练样本中所有风速训练向量内前4个时刻的风速值作为输入数据，第5个时刻的风速值作为输出数据，训练N种神经网络，每种神经网络的参数取100种不同取值，得到N种基于神经网络的风速预测特征预选模型组，每种神经网络的风速预测特征预选模型组包括100个基于相同神经网络的风速预测特征预选模型，即共得到100*N个风速预测特征预选模型；

所述风速预测特征预选模型输出值命名为风速特征预选值；