专利名称：一种高速铁路沿线风速智能混合预测方法
技术领域：
本发明涉及一种高速铁路沿线风速智能混合预测方法。
背景技术：
我国国土幅员辽阔，新疆、西藏等西部省份强风资源丰富。随着我国列车开行速度的快速提高，该气象特征对于铁路运营安全来说是个不小的挑战。强风导致的列车翻车事故在世界各国时有发生。为防止大风给列车运行安全带来的危害，研建强风监控预警系统是一种有效的方法。如德国国家铁路公司(Deutsche Bahn AG)研建了 Nowcasting System 铁路强风监测预警系统；东日本铁路公司(JR-EAST)开发了 Windas System强风列车预警系统。我国也建立了兰新等相关线路的强风监测预警指挥系统。对这类系统而言，除了需要实时监控列车车型载重、路况参数、沿线实时风速等信息外，更需要提前预测获得沿线风速的变化规律，做到提前预警。因此，风速预测是研建列车预警系统和保障强风环境下的行车安全的核心技术之一。为此，国内外学者相继开展了基于时间序列统计分析、神经网络、卡尔曼滤波等理论的风速预测研究。但截至目前为止，能用于实际铁路(列车)预警系统的风速预测方法(模型)仅为下述两个德国Nowcasting System系统采取了基于风速超前两分钟线性外推统计预测的铁路风速预测功能，该预测方法通过对所采集的历史三十分钟风速序列进行两分钟线性统计外推计算，再外推风速加权误差方差和阵风系数误差，最终获得超前两分钟的风速预测值。该方法属于风速统计预测范畴，虽具有建模简单、计算量小等优点，但面临统计分析方法所普遍具有的预测精度低、预测时长过短的算法局限；日本Windas System系统拥有基于卡尔曼滤波预测递推方程组的铁路风速预测功能。该预测方法依靠建立的卡尔曼滤波测量方程和状态方程对铁路沿线采样的风速时间序列样本进行卡尔曼滤波递推方程递推计算，以获得风速的预测值。虽然该方法具有较好的信息挖掘和较高的预测精度。但该方法需要海量风速样本和大量前期计算以获得较为准确的卡尔曼滤波测量方程和状态方程，否则就无法使用卡尔曼滤波递推方程。因此该方法前期计算工作量大，输出实时性差， 现场运用难度大。随着我国列车运行速度的提高,沿线风速对列车气动性能的影响越来越大，及时提出一种能够用于铁路现场强风预警的、同时兼顾高精度和建模简便性的铁路风速预测方法已迫在眉睫。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种建模简单、预测精度高、不需要分析风速产生来源、能够直接实施于风速预测现场的高速铁路沿线风速智能混合预测方法。
本发明的目的通过下述技术方案予以实现所述方法的步骤包括数据采集与输入、数据序列分层、建立数学模型、预测综合计算和预测结果输出，所述预测综合计算是对数学模型中的数据进行加权计算；
所述数据序列分层是对输入的数据采用模式经验分解法，将原始数据分解成至少两层的风速数据并输出；
所述建立数学模型中设置有与数据序列分层数据输出层数相同数量的通道，即每个通道对应一个层的风速数据输出；在每个通道中，先对对应层的风速数据在遗传算法寻优处理的步骤中进行处理，其处理结果再在BP神经网络模型的步骤中进行处理；
所述建立数学模型和预测综合计算之间设置数据栈，数据栈的输入端数量与所有BP 神经网络模型输出端的数量相等，当所有BP神经网络模型输出端的数据全部到达数据栈后，数据栈内的所有数据同时向预测综合计算输出数据并进行加权计算，最后由预测结果输出输出预测计算结果。所述遗传算法寻优处理与BP神经网络模型之间设置最优判断，当遗传算法寻优处理输出的数据与事先设定的数据趋于吻合时，最优判断自动判定为“是”，此时，该数据被送入BP神经网络模型的步骤中进行处理；否则，程序进入并执行选择、交叉与变异、产生新样种后获得新样种数据，此时，新样种数据被送回到该遗传算法寻优处理的输入端进行新一轮的循环处理，直到最优判断自动判定为“是”时，循环结束。所述数据序列分层中采用的模式经验分解法包括以下两个步骤
步骤一，获取极值和包络线数据采集与输入输出N个风速样本数据到数据序列分层中进行处理，首先计算出每个风速样本数据的局部数据的两个极值，即局部极大值和局部极小值；然后采用三次样条法将局部极大值的点连接起来形成上包络线，将局部极小值的点连接起来形成下包络线；
步骤二，确定序列分层计算出每个局部数据对应的上包络线和下包络线的包络线平均值，每个包络线平均值再逐一与风速样本数据进行比较，逐一求出风速样本数据与包络线平均值之间的残差，当残差满足以下两个条件时就确定为某个分层的序列
①、在某局部数据段内，极值点的个数和零交叉点的个数相等或只相差一个；
②、对于某局部数据段内，其局部极大值点形成的上包络线和局部极小值点形成的下包络线的平均值趋向为零；
该序列代表的数据为模式经验分解后确定的某个分层的风速数据。与现有技术相比，本发明具有以下优点预测方法科学合理，简单易行，能够直接对铁路沿线现场测风站所获得的风速样本数据进行高精度的、超前多步的预测分析。
图I为本发明方法的流程框图。图2为实施例I在甲地区的高速铁路沿线采集的非平稳风速数据。图3为图2数据经过模式经验分解法处理后被转化为9个序列分层数据。图4为实施例I超前三分钟预测结果输出。图5为实施例I超前六分钟预测结果输出。图6为实施例I超前九分钟预测结果输出。
图7为实施例2在乙地区的高速铁路沿线采集的非平稳风速数据。图8为图7数据经过模式经验分解法处理后被转化为10个序列分层数据。图9为实施例2超前三分钟预测结果输出。图10为实施例2超前六分钟预测结果输出。图11为实施例2超前九分钟预测结果输出。图I中1_数据采集与输入，2-数据序列分层，3-产生新样种，4-交叉与变异， 5-选择，6-最优判断，7-BP神经网络模型，8-数据栈，9-预测综合计算，10-预测结果输出， 11-建立数学模型，12-遗传算法寻优处理。
具体实施例方式下面结合附图和实施例对本发明作进一步说明
参考附图1，所述方法的步骤包括数据采集与输入I、数据序列分层2、建立数学模型
11、预测综合计算9和预测结果输出10，所述预测综合计算9是对数学模型中的数据进行加权计算；
所述数据序列分层2是对输入的数据采用模式经验分解法，将原始数据分解成至少两层的风速数据并输出；
所述建立数学模型11中设置有与数据序列分层2数据输出层数相同数量的通道，即每个通道对应一个层的风速数据输出；在每个通道中，先对对应层的风速数据在遗传算法寻优处理12的步骤中进行处理，其处理结果再在BP神经网络模型7的步骤中进行处理； 所述建立数学模型11和预测综合计算9之间设置数据栈8，数据栈8的输入端数量与所有BP神经网络模型7输出端的数量相等，当所有BP神经网络模型7输出端的数据全部到达数据栈8后，数据栈8内的所有数据同时向预测综合计算9输出数据并进行加权计算， 最后由预测结果输出10输出预测计算结果。所述遗传算法寻优处理12与BP神经网络模型7之间设置最优判断6，当遗传算法寻优处理12输出的数据与事先设定的数据趋于吻合时，最优判断6自动判定为“是”，此时， 该数据被送入BP神经网络模型7的步骤中进行处理；否则，程序进入并执行选择5、交叉与变异4、产生新样种3后获得新样种数据，此时，新样种数据被送回到该遗传算法寻优处理 12的输入端进行新一轮的循环处理，直到最优判断6自动判定为“是”时，循环结束。所述数据序列分层2中采用的模式经验分解法包括以下两个步骤
步骤一，获取极值和包络线数据采集与输入I输出N个风速样本数据到数据序列分层 2中进行处理，首先计算出每个风速样本数据的局部数据的两个极值，即局部极大值和局部极小值；然后采用三次样条法将局部极大值的点连接起来形成上包络线，将局部极小值的点连接起来形成下包络线；
步骤二，确定序列分层计算出每个局部数据对应的上包络线和下包络线的包络线平均值，每个包络线平均值再逐一与风速样本数据进行比较，逐一求出风速样本数据与包络线平均值之间的残差，当残差满足以下两个条件时就确定为某个分层的序列
①、在某局部数据段内，极值点的个数和零交叉点的个数相等或只相差一个；
②、对于某局部数据段内，其局部极大值点形成的上包络线和局部极小值点形成的下包络线的平均值趋向为零；该序列代表的数据为模式经验分解后确定的某个分层的风速数据。所述模式经验分解法，属于现有技术新的应用。本发明在步骤数据序列分层2中采用模式经验分解法的好处是模式经验分解法依据数据自身的时间尺度特征来处理复杂的、非平稳的信号，无须人工干预预先设定任何基函数。采用模式经验分解法获得的序列分层，每个序列分层的数据中包含了原始信号在不同时间尺度的局部特征信号。由此可以看出，与建立在先验性的谐波基函数法、小波基函数上的傅里叶分解法、小波分解法等相比较，本发明在步骤数据序列分层2中采用模式经验分解法所获得的结果具有更接近实际的程度，降低后期神经网络预测模型对原始突变风速实现高精度预测的难度，提高了预测计算的精确度。实施例I :
I、数据采集与输入I :采集的单个风速样本参考附图2，在本实施例中共采集了 500个原始数据，前300个原始数据被送入数据序列分层2。2、数据序列分层2 :采用的模式经验分解法，采用两个步骤，满足两个条件，将前 300个原始数据分解成9个序列分层的数据，序列分层的数据参考附图3。序列分层采用模式经验分解法两个步骤并满足两个条件
步骤一，获取极值和包络线数据采集与输入I输出N个风速样本数据到数据序列分层 2中进行处理，首先计算出每个风速样本数据的局部数据的两个极值，即局部极大值和局部极小值；然后采用三次样条法将局部极大值的点连接起来形成上包络线，将局部极小值的点连接起来形成下包络线；
步骤二，确定序列分层计算出每个局部数据对应的上包络线和下包络线的包络线平均值，每个包络线平均值再逐一与风速样本数据进行比较，逐一求出风速样本数据与包络线平均值之间的残差，当残差满足以下两个条件时就确定为某个分层的序列
①、在某局部数据段内，极值点的个数和零交叉点的个数相等或只相差一个；
②、对于某局部数据段内，其局部极大值点形成的上包络线和局部极小值点形成的下包络线的平均值趋向为零；
该序列代表的数据为模式经验分解后确定的某个分层的风速数据。3、建立数学模型11 :连段式处理方法，即对数据先在遗传算法寻优处理12的步骤中进行处理，其处理结果再在BP神经网络模型7的步骤中进行处理。为了提高预测的精确度，在遗传算法寻优处理12的输出端，可以设置一个判断和有条件的循环迭代的优化程序。(I)、遗传算法寻优处理12 :采用成熟的现有技术。(2)、最优判断6和有条件的循环迭代的优化程序设定标准数据为A，当遗传算法寻优处理12输出的数据趋近于A时，自动判定为“是”，此时，该数据被送入BP神经网络模型7的步骤中进行处理；当遗传算法寻优处理12输出的数据没有趋近于A时，自动判定为 “否”，此时，程序进入并执行选择5、交叉与变异4、产生新样种3后获得新样种数据，此时， 新样种数据被送回到该遗传算法寻优处理12的输入端进行新一轮的循环迭代处理，直到最优判断6自动判定为“是”时，循环才结束。所述选择5:选择的目的是为了从当前群体中选出优良的个体，使得他们有机会作为父代为下一代繁衍子孙。进行选择的总体原则是适应性强的个体为下一代贡献一个或多个后代的概率大，这符合达尔文的进化论思想。本发明选择轮盘选择算子来完成选择操作。所述交叉与变异4 :交叉操作是将群体内的各个个体随机搭配成对，对每一个个体，以某种概率或称为交叉概率交换它们之间的部分染色体。交叉体现了信息交换思想。 采用对于解空间里的任意两点m 、 的交换组合来进行变异操作，即
a m (I a) n, a
所述产生新样种3 :按照神经网络的神经元和阈值个数，在限定数值区间内随机产生新样种。采用随机产生的目的是为了保证样种的多样性。同时，为克服传统二进制编码方式所产生的新种群存在数据冗长、算法运行效率低等问题，本发明采用实数编码方式。(3)、BP神经网络模型7 :采用成熟的现有技术。4、预测综合计算9 :对数学模型中的数据进行加权计算。5、预测结果输出10 :采用成熟的现有技术。预测结果输出10输出的结果参考附图4-6。如果以每三分钟为提前一步的话，那么
图4为实施例I超前一步预测结果输出；
图5为实施例I超前两步预测结果输出；
图6为实施例I超前三步预测结果输出。实施例I风速预测结果参考表I。表I实施例I风速预测结果分析表
权利要求
1.一种高速铁路沿线风速智能混合预测方法，所述方法的步骤包括数据采集与输入(I)、数据序列分层(2)、建立数学模型(11)、预测综合计算(9)和预测结果输出(10)，所述预测综合计算(9)是对数学模型中的数据进行加权计算；其特征在于所述数据序列分层(2)是对输入的数据采用模式经验分解法，将原始数据分解成至少两层的风速数据并输出；所述建立数学模型(11)中设置有与数据序列分层(2)数据输出层数相同数量的通道， 即每个通道对应一个层的风速数据输出；在每个通道中，先对对应层的风速数据在遗传算法寻优处理(12)的步骤中进行处理，其处理结果再在BP神经网络模型(7)的步骤中进行处理；所述建立数学模型(11)和预测综合计算(9)之间设置数据栈(8)，数据栈(8)的输入端数量与所有BP神经网络模型(7)输出端的数量相等，当所有BP神经网络模型(7)输出端的数据全部到达数据栈(8)后，数据栈(8)内的所有数据同时向预测综合计算(9)输出数据并进行加权计算，最后由预测结果输出(10)输出预测计算结果。
2.根据权利要求I所述的高速铁路沿线风速智能混合预测方法，其特征在于所述遗传算法寻优处理(12)与BP神经网络模型(7)之间设置最优判断(6)，当遗传算法寻优处理(12)输出的数据与事先设定的数据趋于吻合时，最优判断(6)自动判定为“是”，此时，该数据被送入BP神经网络模型(7)的步骤中进行处理；否则，程序进入并执行选择(5)、交叉与变异(4)、产生新样种(3)后获得新样种数据，此时，新样种数据被送回到该遗传算法寻优处理(12)的输入端进行新一轮的循环处理，直到最优判断(6)自动判定为“是”时，循环结束。
3.根据权利要求I或2所述的高速铁路沿线风速智能混合预测方法，其特征在于所述数据序列分层(2)中采用的模式经验分解法包括以下两个步骤步骤一，获取极值和包络线数据采集与输入(I)输出N个风速样本数据到数据序列分层(2)中进行处理，首先计算出每个风速样本数据的局部数据的两个极值，即局部极大值和局部极小值；然后采用三次样条法将局部极大值的点连接起来形成上包络线，将局部极小值的点连接起来形成下包络线；步骤二，确定序列分层计算出每个局部数据对应的上包络线和下包络线的包络线平均值，每个包络线平均值再逐一与风速样本数据进行比较，逐一求出风速样本数据与包络线平均值之间的残差，当残差满足以下两个条件时就确定为某个分层的序列①、在某局部数据段内，极值点的个数和零交叉点的个数相等或只相差一个；②、对于某局部数据段内，其局部极大值点形成的上包络线和局部极小值点形成的下包络线的平均值趋向为零；该序列代表的数据为模式经验分解后确定的某个分层的风速数据。
全文摘要
一种高速铁路沿线风速智能混合预测方法，所述方法的步骤包括数据采集与输入、数据序列分层、建立数学模型、预测综合计算和预测结果输出；数据序列分层是对输入的数据采用模式经验分解法，将原始数据分解成至少两层的风速数据并输出；建立数学模型中设置有与数据序列分层数据输出层数相同数量的通道，在每个通道中，对应层的风速数据在遗传算法寻优处理中进行处理后，再在BP神经网络模型中进行处理；建立数学模型和预测综合计算之间设置供所有数据同时输出的数据栈。本发明具有以下优点预测方法科学合理，简单易行，能够直接对铁路沿线现场测风站所获得的风速样本数据进行高精度的、超前多步的预测分析。
文档编号G06Q10/04GK102609788SQ201210036109
公开日2012年7月25日 申请日期2012年2月17日 优先权日2012年2月17日
发明者刘辉, 姚松, 张雷, 杨明智, 梁习锋, 田红旗, 鲁寨军 申请人:中南大学