[发明专利]一种高速铁路沿线风速特征提取智能预测方法

说明书

本发明公开了一种高速铁路沿线风速特征提取智能预测方法，该方法利用风速不同特征进行K‑means聚类，并选择最优聚类数K，将风速模型样本分为K类，然后针对K个聚类类别分别建立100个风速预测特征预选模型，利用数学分析和相关性分析方法筛选风速预测特征预选模型并建立K个风速预测特征模型组和K个风速预测归一模型，最后分析预测的风速向量与风速时间序列数据集之间的相关性并还原真实风速，该方法具有预测高精度、特征智能提取、适应性强、鲁棒性高的特点，适合应用于大风环境下的高速铁路沿线安全等领域。

技术领域

本发明涉及一种高速铁路沿线风速特征提取智能预测方法。

背景技术

近年来，风速预测迅速成为国内外热门研究领域之一。风速预测方法在大风环境下的高速铁路沿线安全方面有着越来越大的作用和广泛应用。风速预测方法应用于大风环境下的铁路沿线安全，实时精确预测未来风速能为列车提供更多提前预警处理时间，形成安全行车方案，保证行车安全。

风速会受到季节、温度、海拔等因素的影响，其具有很强的随机性和复杂的非线性特点。目前风速预测方法主要有学习方法、物理方法和统计方法。机器学习方法在近年来得到快速发展，因此使用机器学习方法对复杂非线性的风速进行预测更为可取，常用模型有人工神经网络、卡尔曼滤波、时间序列分析等。

为解决风速预测中的非平稳非线性的问题，有效提取风速特征，对风速进行高精度的预测，急需提供一种高速铁路沿线风速特征提取智能预测方法，实现对风速的高精度、强适应性、高鲁棒性的预测。

发明内容

本发明提供了一种高速铁路沿线风速特征提取智能预测方法，其目的在于，通过聚类算法和机器学习算法分析高速铁路沿线大风环境下风速特性，并提取的风速特征，建立多种神经网络模型，对高速铁路沿线风速进行准确有效的预测。

一种高速铁路沿线风速特征提取智能预测方法，包括以下步骤：

步骤1：通过测风站获取原始风速时间序列数据集；

在高速铁路沿线指定位置设置测风站，通过测风站获取原始风速时间序列数据集；

所述原始风速时间序列数据集共由n个原始风速数据组成；其中Δt为风速采样时间间隔；n为采样次数，n至少大于500；

步骤2：建立风速模型样本A；

所述风速模型样本A包括风速模型训练样本A_a和风速模型筛选样本A_b；

建立风速模型样本A的具体过程如下：

步骤A1：对原始风速时间序列数据集进行卡尔曼滤波，得到滤波后的风速时间序列数据集和噪声时间序列数据集；

步骤A2：将风速时间序列数据集中任意连续4个时刻的风速作为一组风速向量，得到包含有n-3组风速向量的风速模型样本A；

不同的所述风速向量中可能出现同一时刻的风速值；

步骤A3：按采样时间顺序，从风速模型样本A中，选取前3/4的风速向量组成风速模型训练样本A_a，剩余的风速向量组成风速模型筛选样本A_b；

步骤3：使用K-means聚类方法，对风速模型样本A中的每一组风速向量进行聚类，选取最优聚类数K，得到K个聚类中心时间序列；

步骤4：依据已经聚为K个聚类类别的风速模型样本A，将风速模型训练样本A_a分为K个对应聚类类别的风速模型训练子样本{A_a,1,A_a,2,…,A_a,K}，将风速模型筛选样本A_b分为K个对应风速模型筛选子样本{A_b,1,A_b,2,…,A_b,K}；