[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

摘要

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。

主权项

1.一种考虑风向和置信区间的铁路沿线风速预测方法，其特征在于，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；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；针对基于Elman神经网络的风速预测模型中的权值和阈值，随机选取n种取值组合,n取值至少为100，构建n个基于Elman神经网络的风速预测模型；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基于Elman神经网络的风速预测模型的输入数据，将t+Δt时刻的风速值作为每个基于Elman神经网络的风速预测模型的输出数据，训练获得n个基于Elman神经网络的风速预测模型；依次将风速测试样本连续三个时刻的风速值作为每个基于Elman神经网络的风速预测模型的输入数据，分别获得风速测试样本数据中最后100个时刻的风速测试预测值；从n个基于Elman神经网络的风速预测模型中随机选取20个基于Elman神经网络的风速预测模型；依次选取上述20个基于Elman神经网络的风速预测模型的100个风速测试预测值，将任意两个基于Elman神经网络的风速预测模型中对应100个风速测试预测值进行相关性分析，获得任意两个基于Elman神经网络的风速预测模型的皮尔逊相关性系数，并选择使得S最小的10个基于Elman神经网络的风速预测模型；其中，si为第i个基于Elman神经网络的风速预测模型同另外9个基于Elman神经网络的风速预测模型皮尔逊相关性系数的最大值；步骤4：利用风向训练样本数据和设置的预测步长，构建基于卷积神经网络的风向预测模型组；依次以目标测风站和所有辅助测风站中任意三个测风站在任意历史时刻t0的风向值作为输入数据，剩余测风站在t0+Δt时刻的风向值作为输出数据，对卷积神经网络进行训练，获得各测风站预测步长为Δt的基于卷积神经网络的风向预测模型组；步骤5：利用风速与风向误差分析样本数据进行模拟预测，构建联合风向的风速预测误差值条件概率分布函数；在风速与风向误差分析样本数据中随机选取某一样本所在时刻作为一次模拟预测的起始时刻，记为ts，随机确定模拟预测的目标预测时间，记为ms，ts+ms和ts‑1‑Δt均不超过风速与风向误差分析样本数据的时刻范围；将ts‑1‑Δt，ts‑Δt，ts+1‑Δt三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于Elman神经网络的风速预测模型的输入数据，输出10个ts+1时刻的风速预测值，对10个结果取平均获得ts+1时刻综合风速预测值；将ts+1时刻的综合风速预测值作为ts+1时刻时目标测风站的实测风速值；将ts‑Δt，ts+1‑Δt，ts+1三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于Elman神经网络的风速预测模型的输入数据，输出10个ts+2时刻的风速预测值，对10个结果取平均获得ts+2时刻的综合风速预测值；依次类推，进入滚动预测，直到获得ts+ms时刻的目标测风站的综合风速预测值，完成一次模拟预测；以目标测风站在模拟预测时刻的综合风速预测值，对比风速与风向误差分析样本中相应时刻的风速真实值，获得模拟预测时刻的风速预测误差值；以目标测风站在模拟预测时刻的风向真实值和风速预测误差值作为二维离散随机变量(D,C)的一次观测值,其中，D为风向真实值，C为风速预测误差值；进行W次模拟预测，W的取值至少为3.6*105，获得二维离散随机变量(D,C)的W次观测值，每个观测值出现的概率为1/W，根据W次模拟预测获得的观测值，构造二维离散随机变量(D,C)的联合概率分布函数，记为F(d,c)，F(d,c)＝P(D≤d,C≤c)，式中，d表示可能的风向观测值，c表示可能的风速预测误差观测值，P(D≤d,C≤c)表示D≤d且C≤c的概率，取值为二维离散随机变量(D,C)在W次观测值中满足D≤d且C≤c的观测值个数之和与W的比值；同时，通过二维离散随机变量(D,C)的联合概率分布函数，获得在风向真实值D取值确定时，对应风速预测误差值C取得各种可能的风速预测误差观测值c的条件概率分布函数，记为F(c|D＝d)，F(c|D＝d)＝P(C≤c,D＝d)，式中，P(C≤c,D＝d)表示D＝d且C≤c的概率；步骤6：利用步骤3获得的基于Elman神经网络的风速预测模型、步骤4获得的基于卷积神经网络的风向预测模型组以及步骤5获得的联合风向的风速预测误差值条件概率分布函数，进行风速高置信度区间预测；记当前时刻为tnow时刻，目标预测时刻为tnow+m时刻；将tnow‑1‑Δt，tnow‑Δt，tnow+1‑Δt三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于Elman神经网络的风速预测模型的输入数据，输出10个tnow+1时刻的风速预测值，对10个结果取平均获得tnow+1时刻综合风速预测值；将tnow‑Δt，tnow+1‑Δt，tnow+1三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于Elman神经网络的风速预测模型的输入数据，输出10个tnow+2时刻的风速预测值，对10个结果取平均获得tnow+2时刻的综合风速预测值；依次类推，进入滚动预测，直到获得tnow+m时刻的目标测风站的综合风速预测值；将tnow‑Δt+m％Δt时刻四个测风站的风向数据作为所述基于卷积神经网络的风向预测模型组的输入数据，获得各测风站在tnow+m％Δt时刻的风向预测值；将四个测风站输出的风向预测值再次作为所述基于卷积神经网络的风向预测模型组的输入数据，迭代多次，直至获得tnow+m时刻的目标测风站的风向预测值，将tnow+m时刻的目标测风站的风向预测值作为tnow+m时刻的目标测风站的风向真实值；其中，m％Δt表示m对Δt取余；结合tnow+m时刻目标测风站的风向预测值和步骤5获得的联合风向的风速预测误差值的条件概率分布函数，选择置信概率为90％，获得多个tnow+m时刻风向预测值条件下风速预测误差值的置信概率为90％的置信区间，随机选择一个风速预测误差值的置信概率为90％的置信区间，叠加tnow+m时刻的综合风速预测值，获得置信概率为90％的最佳风速预测区间。