[发明专利]一种高速铁路沿线风速特征提取智能预测方法

摘要

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。

主权项

1.一种高速铁路沿线风速特征提取智能预测方法，其特征在于，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Aa和风速模型筛选样本Ab；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；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Aa，剩余的风速向量组成风速模型筛选样本Ab；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Aa分为K个对应聚类类别的风速模型训练子样本{Aa，1，Aa，2，…，Aa，K}，将风速模型筛选样本Ab分为K个对应风速模型筛选子样本{Ab，1，Ab，2，…，Ab，K}；步骤5：针对K个风速模型训练子样本，建立K种基于Elman神经网络的风速预测特征预选模型各100个；所述基于Elman神经网络的风速预测特征预选模型输出值命名为风速特征预选值；步骤6：筛选模型，分别将K种基于Elman神经网络的风速预测特征预选模型各100个筛选至各10个；步骤7：每种聚类类别的10个风速预测特征预选模型组成风速预测特征模型组，得到K个风速预测特征模型组；所述风速预测特征模型组包括10个风速预测特征预选模型，每个风速预测特征模型组输出数据组成长度为10的向量命名为风速特征向量；步骤8：针对K个风速预测特征模型组，建立K个基于小波神经网络的风速预测归一模型；所述风速预测归一模型输出值设定为风速归一值；步骤9：实时预测风速；实时采集当前时刻及近期的风速数据，数据采样时间间隔应保持与步骤1中使用的原始风速时间序列数据集的风速采样时间间隔Δt一致，进行实时预测风速的具体过程如下：步骤B1：设置风速预测目标时间T，通过测风站获取与目标时间T最接近的至少200个时刻的原始风速值组成原始风速时间序列，进入步骤B2；步骤B2：对原始风速时间序列进行卡尔曼滤波，得到滤波后的风速时间序列，进入步骤B3；步骤B3：计算风速时间序列中与目标时间T最接近的4个时刻的风速值与步骤3得出的K个聚类中心时间序列的欧式距离，以距离最小原则选择对应聚类类别的风速预测特征模型组，将风速时间序列中与目标时间T最接近的3个时刻的风速值作为输入数据，输入到风速预测特征模型组中，输出得到长度为10的风速特征向量，进入步骤B4；步骤B4：将风速特征向量作为输入数据，输入到对应聚类类别的风速预测归一模型，输出风速归一值，进入步骤B5；步骤B5：判断步骤B4输出风速归一值所在时刻是否大于目标时间T，若是，进入步骤B7，否则，进入步骤B6；步骤B6：将步骤B4输出的风速归一值插入到风速时间序列首位，更新风速时间序列，返回步骤B3；步骤B7：计算风速时间序列中与目标时间T最接近的100个时刻的风速值组成的向量与步骤2中得到的风速时间序列数据集任意连续的100个时刻的风速值组成的向量之间的皮尔逊相关系数，选择皮尔逊相关系数最高的风速时间序列数据集中一组100个时刻的风速值组成的向量，将步骤2中的噪声时间序列数据集对应时刻的滤波噪声附加在风速时间序列与目标时间T最接近的100个时刻中，即还原预测风速真实性，完成目标时刻的风速预测。