[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

摘要

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。

主权项

1.一种风向空间关联驱动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；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；从n个LS‑SVM风速预测模型中随机选取20个LS‑SVM风速预测模型；依次选取上述20个LS‑SVM风速预测模型的100个风速测试预测值，将任意两个LS‑SVM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，得到任意两个LS‑SVM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LS‑SVM风速预测模型；其中，si为第i个LS‑SVM风速预测模型同另外9个LS‑SVM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PID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PID神经网络进行训练，获得各测风站预测步长为Δt的基于PID神经网络的风向预测模型组；步骤5：利用步骤3获得的LS‑SVM风速预测模型和步骤4获得的基于PID神经网络风向预测模型组，分别进行风速预测和风向预测；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LS‑SVM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个结果得到tnow+1时刻最优风速预测值；将tnow+1时刻的最优风速预测值作为tnow+1时刻时目标测风站的实测风速值；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LS‑SVM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个结果取平均得到tnow+2时刻的最优风速预测值；依次类推，进入滚动预测，直到得到tnow+m时刻的目标测风站的最优风速预测值；将tnow‑Δt+m％Δt时刻四个测风站的风向数据作为所述基于PID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PID神经网络的风向预测模型组的输入数据，迭代多次，直至得到tnow+m时刻的各测风站的风向预测值；其中，m％Δt表示m对Δt取余。