一种融合多测风站实测数据的铁路沿线风速预测方法与流程

本发明属于铁路风速预测领域，特别涉及一种融合多测风站实测数据的铁路沿线风速预测方法。
背景技术：
：风严重影响到列车运行的安全性和平稳性，容易引起列车安全事故，这给铁路安全运营带来了挑战，给世界各国造成了巨大的经济损失和人员伤亡。为此，一些国家建立了铁路强风监测预警系统。该类系统通常包含风速风向信息、铁路沿线路况、列车信息等，当区段风速超过一定限值时，系统会发出限速或者停运指令。由于铁路的指挥调度需具备超前性和准确性，所以，在强风监测预警系统中，风速高精度预测属于不可或缺的核心技术之一。风速受气压、海拔、温度、地形等多种因素影响，具有很强的非线性和随机性。在一些铁路沿线地区，地形地貌等条件更为复杂，风速信号更加不稳定，且部分测风站会出现白噪声和随机错误采样数据，这些都加大了风速预测难度，因此，准确高效地预测铁路沿线风速是个技术难题。风速预测的研究对象多为风电场风速，研究方法主要有物理模型，如数值天气预报；统计模型，如时间序列法；智能学习模型，如人工神经网络；以及一些组合预测。一些学者的研究表明，组合预测方法通常比单一预测方法拥有更好的预测性能。介于铁路沿线风速预测的特殊性，预测模型要同时具备较高的适用性、准确性、实时性和鲁棒性，因此，构建合适的组合预测模型来预测铁路沿线风速是一种可行方案。目前，铁路沿线风速预测模型的建立都基于单测风站实测数据，采样数据较为单一，抗干扰能力较差，此外，如果单测风站安装的传感器发生硬件故障，就会造成预测中断，在现场运营的铁路强风监测预警系统中，风速中断输出是不允许的，这将会造成严重的翻车事故。现有的风速预测方法，几乎都是采用统计模型，将大量风速数据分类建立数据库，通过与当前风速数据比较来预测风速；或是采用物理模型，进行流场分析。这两种方法的实时性较差，难以满足铁路沿线风速预测的要求。因此，迫切需要建立一种实时性好、融合多测风站实测数据的铁路沿线风速预测方法。技术实现要素：本发明的目的在于克服现有铁路风速预测方法中存在的不足，提供一种融合多测风站实测数据的铁路沿线风速预测方法。通过多测风站数据提高预测精度，同时由于融合多个测风站之间的风速数据多样性，保证预测模型的稳定性，且能避免单测风站传感器硬件故障造成的预测中断。一种融合多测风站实测数据的铁路沿线风速预测方法，包括以下步骤：步骤1：在目标测风站位置周围至少安装N个辅助测风站，利用辅助测风站实时采集目标测风站的风速数据，获得目标测风站和辅助测风站的风速样本集合；其中，N为大于或等于5的整数；所述辅助测风站以目标测风站位置为原点，以20公里为最大半径，顺着铁路沿线搜索目标测风站位置前后周围的铁路接触网立柱；将N个辅助测风站安装在铁路接触网立柱距铁路轨面4米的高度位置上；目标测风站和辅助测风站位置高度与沿线行驶列车的车顶等高；步骤2：对风速样本集合中的风速数据进行滤波处理去除风速数据中潜在的误差；步骤3：对经过步骤2滤波后的风速样本集合进行2层小波包分解去除样本集合中的高频跳跃特征数据，并从分解后的数据中选取最后一层的低频数据部分；步骤4：将步骤3选取出的各辅助测风站的低频数据部分分别与目标测风站的低频数据部分进行显著性检验，按照显著性从高到低对各辅助测风站进行排序，选出与目标测风站低频数据部分显著性排名前m组辅助测风站的低频数据部分和对应的m个辅助测风站；其中，m为整数，取值范围为[3，60％N]；步骤5：对目标测风站和选出的m个辅助测风站的低频数据部分分别进行2层小波包分解，获得每个测风站的4个风速子序列；步骤6：以所选的m个辅助测风站的4个风速子序列为输入数据，以目标测风站的4个风速子序列为输出结果，采用基于PSO优化的MLP神经网络模型进行训练，得到预测模型；步骤7：将所选的m个辅助测风站的实测风速值依次进行滤波、2层小波包分解，并对经过2层小波包分解后得到的最后一层低频数据部分再次进行2层小波包分解，将分解后得到的各辅助测风站的4个风速子序列输入到训练好的模型，将模型输出的子序列预测值进行累加，得到目标测风站的风速预测值。所述步骤2中采用交互多模型卡尔曼滤波进行滤波处理。所述步骤3和步骤5中使用的2层小波包分解为采用Mallat塔式算法或选取紧支撑双正交小波db3作为母小波的小波分解方法。采用动态时间弯曲距离法进行所述步骤4中的显著性检验。使用2层小波包分解取低频数据，再通过动态时间弯曲距离选出与目标测风站风速信号相关度较高的辅助测风站数据，融合多测风站数据对单一测风站风速进行预测，提高了风速预测的鲁棒性和精度；所述基于PSO优化的MLP神经网络模型的构建步骤如下：(1)利用PSO随机产生MLP神经网络模型的连接权值和隐含层阈值的粒子种群；(2)以实现最小风速预测误差作为PSO算法的训练方向，进行PSO算法的训练学习流程，使得粒子种群中的粒子不断靠拢到最优粒子附近，输出最优的MLP神经网络模型初始连接权值和初始隐含层阈值；(3)将最优的MLP神经网络模型初始连接权值和初始隐含层阈值输入到MLP神经网络模型中，以辅助测风站和目标测风站的实测风速值经过两次2层小波分解后的数据作为MLP神经网络模型的输入和输出数据，完成MLP神经网络模型自身对风速预测的学习和训练，形成能实现高精度铁路风速预测的PSO-MLP混合风速预测模型。标测风站和选出的m个辅助测风站经过滤波和2次小波包分解后，每个辅助测风站拥有4个风速子序列，目标测风站也是拥有4个风速子序列。这些子序列都是等长度的风速数据段。PSO-MLP混合风速预测模型的建模计算分为两个阶段，即学习训练阶段和预测输出阶段。本专利所建立的MLP神经网络均采用多个输入神经元和1个输出神经元的三层网络结构，即：MLP神经网络需要同步用多组输入风速数据和1组输出风速数据对网络进行学习和训练；当PSO优化后的MLP神经网络完成训练后，只要对MLP神经网络的多个输入神经元端口输入多组等长度的风速数据，MLP神经网络就能自动输出1组与输入风速数据等长度的预测风速数据。采用PSO优化的MLP模型进行训练和预测，充分利用了多测风站数据，提高了风速预测精度。由于铁路风速的极大跳跃性，标准的MLP神经网络由于容易陷入局部搜索空间，因此仅靠单种MLP神经网络难以实现高精度的风速预测。而PSO算法在信息空间全局搜索上拥有很大的性能优势，因此通过PSO选择MLP神经网络的各层初始权值和隐含层初始阈值能进一步提高标准MLP神经网络对铁路风速跳跃风速的全局拟合能力，实现铁路风速的高精度预测。有益效果本发明提供了一种融合多测风站实测数据的铁路沿线风速预测方法，包括以下几个步骤：步骤1，在目标测风站位置安装辅助测风站，实时采集风速数据样本；步骤2，对风速数据样本进行滤波处理；步骤3，利用2层小波分解去除高频跳跃特征，取最后一层的低频数据；步骤4，选出与目标测风站数据显著性较高的m个辅助测风站数据；步骤5.对目标测风站和选出的m个辅助测风站的低频数据层分别进行2层小波包分解；步骤6，以m个辅助测风站的各子序列为输入，以目标测风站的4个子序列为输出，采用PSO优化的MLP神经网络模型进行训练；步骤7，将所选的m个辅助测风站的实测风速值进行2层小波包分解，输入到训练好的模型，最终得到目标测风站的风速预测值。该方法通过巧妙的增设辅助测风站，利用MLP模型建立起了几个辅助测风站和目标测风站之间的空间关联性；利用小波分解获取最后一层低频数据的新思维，使得本发明所使用的MLP模型摆脱了风速极端跳跃成分的干扰，模型更健壮；利用小波包分解筛选后的辅助测风站和目标测风站风速数据给MLP神经网络提供了更丰富的输入和输出训练样本数据，使得MLP神经网络能从多维度上耦合风速数据的空间相关性；利用显著性检验对非相关性数据进行剔除，降低了数据处理量，提高了预测输出的实时性；将PSO算法与MLP神经网络模型相结合，克服了MLP神经网络无法收敛的问题，同时大大的提高了传统MLP神经网络预测精度。本发明所述方法能够有效提高铁路沿线风速预测精度、保证预测模型的稳定，且能避免单测风站传感器硬件故障造成的预测中断。附图说明图1为本发明所述方法的原理流程图；图2为本发明中目标测风站A的小波分解图；图3为本发明中A3的小波包分解图；图4为本发明中PSO优化的MLP模型训练图；图5为本发明中PSO优化的MLP模型预测图；图6为利用本发明所提出的预测方法实现风速预测的结果示意图；图7为利用时间序列ARIMA模型实现风速预测的结果示意图。具体实施方式下面将结合附图和实施例对本发明做进一步的说明。如图1所示，一种融合多测风站实测数据的铁路沿线风速预测方法，包括以下步骤：步骤1.为对某目标测风站位置的铁路未来风速实现预测，在该测风站位置周围安装5个辅助测风站。获取同一时段目标测风站及5个辅助测风站的原始风速数据，每组风速数据包含600个数据，将600个数据中的前500个用于建模，第501～600个数据用于验证。步骤2.将目标测风站记为A，5个辅助测风站分别记为B,C,D,E,F，各测风站前500个原始风速数据表示如下：目标测风站A的原始风速数据：{a1,a2,a3...,a499,a500}辅助测风站B的原始风速数据：{b1,b2,b3...,b499,b500}辅助测风站C的原始风速数据：{c1,c2,c3...,c499,c500}辅助测风站D的原始风速数据：{d1,d2,d3...,d499,d500}辅助测风站E的原始风速数据：{e1,e2,e3...,e499,e500}辅助测风站F的原始风速数据：{f1,f2,f3...,f499,f500}步骤3.用交互多模型卡尔曼滤波法对测风站A,B,C,D,E,F的原始风速数据进行滤波处理，去除风速数据中潜在的误差，得到下述滤波后的风速数据：目标测风站A滤波后的风速数据：{a′1,a′2,a′3...,a′499,a′500}辅助测风站B滤波后的风速数据：{b′1,b′2,b′3...,b′499,b′500}辅助测风站C滤波后的风速数据：{c′1,c′2,c′3...,c′499,c′500}辅助测风站D滤波后的风速数据：{d′1,d′2,d′3...,d′499,d′500}辅助测风站E滤波后的风速数据：{e′1,e′2,e′3...,e′499,e′500}辅助测风站F滤波后的风速数据：{f′1,f′2,f′3...,f′499,f′500}步骤4.使用Mallat塔式算法、选取紧支撑双正交小波db3作为母小波对测风站A,B,C,D,E,F滤波后的风速数据分别进行2层深度的小波包分解，取最后一层的低频部分。目标测风站A的小波分解过程如图2所示，经2层分解后：A＝A2+A3+A4。去除高频跳跃分量，只保留第二层低频部分A3。同理，可以得到辅助测风站B,C,D,E,F小波分解后的低频部分。则得到下述小波分解后的低频数据：目标测风站A小波分解后的低频数据A3：{a″1,a″2,a″3...,a″499,a″500}辅助测风站B小波分解后的低频数据B3：{b″1,b″2,b″3...,b″499,b″500}辅助测风站C小波分解后的低频数据C3：{c″1,c″2,c″3...,c″499,c″500}辅助测风站D小波分解后的低频数据D3：{d″1,d″2,d″3...,d″499,d″500}辅助测风站E小波分解后的低频数据E3：{e″1,e″2,e″3...,e″499,e″500}辅助测风站F小波分解后的低频数据F3：{f″1，f″2,f″3...,f″499,f″500}步骤5.将各辅助测风站小波分解后的低频数据(B3,C3,D3,E3,F3)通过动态时间弯曲距离法分别和目标测风站小波分解后的低频数据(A3)进行显著性检验，将辅助测风站的5组数据按组别进行显著性排序，选出显著性最大且合适的前3组数据及其对应的3个辅助测风站。如选出的这3个辅助测风站分别为辅助测风站B、辅助测风站C、辅助测风站D。步骤6.使用Mallat塔式算法、选取紧支撑双正交小波db10作为母小波对目标测风站A小波分解后的低频数据(A3)及选出的3个辅助测风站小波分解后的低频数据(B3,C3,D3)进行2层深度的小波包分解，每组风速数据可以得到4个风速子序列，每个子序列包含500个数据。A3的小波包分解过程如图3所示，经两层分解后：A3＝A311+A312+A321+A322。同理，可以得到辅助测风站B,C,D,E,F小波包分解后的子序列。步骤7.如图4所示，以3个辅助测风站的共12个子序列为输入，以目标测风站的4个子序列为输出，对PSO优化的MLP模型进行训练。比如，经过显著性比较后筛选出的辅助测风站有3个，每个辅助测风站有一组长500的低频风速数据(即每个辅助测风站有500个低频风速数据样本)。通过2层小波包对这些长度500的低频风速数据进行分解后，每个辅助测风站就都有4组风速子序列，每个风速子序列还是包含500个分解风速数据。这样3个辅助测风站就有12组、长度均为500的分解风速数据。本专利所建立的MLP神经网络的输入神经元个数取决于这些被选中的辅助测风站经过小波包分解后所获得的风速子序列的个数。比如这个例子，3个辅助测风站，每个辅助测风站经过小波包分解后，就有4组风速子序列。那么为了输入这共计12组的风速子序列，MLP神经网络就需要有12个神经元个数，用于读取这12组风速子序列。换句话说，MLP神经网络的输入数据就是经过第二次小波包分解后所产生的辅助测风站的风速子序列。在本专利中，目标测风站的低频风速数据也需要经过2层小波包分解，但因为只有1个目标测风站，因此它永远只有4组风速子序列，他们将作为MLP神经网络的输出数据，对MLP神经网络进行学习训练。当PSO-MLP混合模型完成学习训练后，就可以等着利用新的输入风速数据获得等长度的风速预测输出数据。当这些被筛选中的3个辅助测风站有了新的实测原始风速后(比如每个辅助测风站新采集了100个样本风速数据)，就可以经过本专利上述的步骤，转化为还是12组、长度变成100的分解风速数据，他们将同步地输入到上述建立的、拥有12个输入神经元个数的MLP神经网络中，那么MLP神经网络就能自动输出4组、长度也为100的风速输出子序列数据。把这4组风速输出子序列数据相加，就获得1组、长度为100的风速序列数据，该序列数据即为目标测风站的预测风速。步骤8.将模型训练好后，将用于验证的实测B、C、D辅助测风站风速数据：{b501,b502,b503...,b599,b600}，{c501,c502,c503...,c599,c600}，{d501,d502,d503...,d599,d600}依次进行上述交互多模型卡尔曼滤波、小波分解、小波包分解过程，再如图5所示，将得到的各子序列输入到训练好的PSO优化的MLP模型，预测目标测风站A的4个子序列。将预测的目标测风站A的4个子序列累加计算得到目标测风站A的风速预测值将目标测风站A风速预测值与目标测风站A风速实测数据{a501,a502,a503...,a599,a600}进行对比，检验模型的预测效果。利用本发明所提出的预测方法实现风速预测的结果如图6所示。利用时间序列ARIMA模型实现风速预测的结果如图7所示。利用公式(1-3)对图6和图7的预测结果进行精度计算，结果见表1和表2。对比表1和表2。平均绝对误差σ:平均绝对相对误差τ:均方根误差δ:上述公式中，n为用于模型检验的风速数据个数，本实例中取n为100。X(i)为实测风速数据，为预测风速数据。表1：利用本专利所提出预测方法的预测精度平均绝对误差1.2590m/s平均绝对相对误差7.66％均方根误差2.0589m/s表2：利用时间序列ARIMA模型的预测精度平均绝对误差2.4513m/s平均绝对相对误差14.51％均方根误差2.1996m/s从图6和图7，并结合表1和表2来看，本发明所述的方法，从平均绝对误差、平均绝对相对误差以及均方根误差来看，明显优于现有技术，表明本发明所述方法具有较好的应用效果。本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属
技术领域：
的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。当前第1页1 2 3