一种高速铁路沿线风速多点多层耦合预测方法与流程

本发明属于铁路风速预测领域，特别涉及一种高速铁路沿线风速多点多层耦合预测方法。
背景技术：
：我国幅员辽阔，铁路风环境复杂，一些地方经常出现大风天气。大风是导致列车事故的主要灾害之一，轻则列车停运，重则列车车毁人亡。在特殊的风场区域，如隧道口、桥梁、风口、不同挡风设施相接区域、曲线路段等，列车周围流场变化更为明显，气动载荷变化显著，使得列车更容易出现事故。随着我国铁路的发展，列车速度也在逐渐提升。动车组的外形、牵引方式、结构等都与普速列车有着很大的不同。而随着列车速度的提升，空气压力对动车组的影响显著增强，当动车组车速达到200km/h以上后，空气阻力将占动车组运行阻力的70％以上，大风条件对于动车组运行安全影响不容忽视。因此，需要建立铁路大风监测预警系统。由于铁路部门需要提前调度指挥，铁路沿线风速预测技术就成为该系统的核心技术之一。风速具有很强的间歇性和随机性，属于最难预测的气象参数之一。目前风速预测的研究多为风电场风速预测，多关注较大范围的风速情况，方法主要有统计方法、物理方法和学习方法，常用的模型主要有卡尔曼滤波、小波分析、人工神经网络、时间序列、经验模式分解、支持向量机等。铁路沿线地形环境复杂，同一时间不同地形点的风速会有很大差异，而列车在危险风速下几秒钟就可能发生事故。因此对于一些特定区段，铁路沿线风速预测必须准确，且不容许中断数据输出。现有的铁路风速预测方法多基于单测风站，采样信号单一，无法避免单测风站硬件故障带来的问题。基于多测风站的风速预测，具有数据多样性条件，且具备优良的超前多步预测性能。因此，建立一种高速铁路沿线风速多层重构多步智能预测方法是非常必要的。技术实现要素：本发明的目的在于克服现有铁路沿线风速预测方法中存在的不足，提供一种高速铁路沿线风速多点多层耦合预测方法，通过多测风站数据提高预测精度、保证预测模型的稳定性，通过辅助测风站的超前多步预测，实现目标测风站的超前多步预测。一种高速铁路沿线风速多点多层耦合预测方法，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；步骤2：对辅助测风站数据和目标测风站数据依次进行滤波和LMD分解，获得分解数据；步骤3：对分解后的数据进行小波降噪处理后，再进行信号重构，获得重构数据；步骤4：将各辅助测风站的风速重构数据与目标测风站的风速重构数据进行相关性检验，按相关度从高到低排序，选出与目标测风站风速重构数据相关度排名前m组辅助测风站的风速重构数据和对应的m个辅助测风站；其中，m为整数，取值范围为[3，60％N]；步骤5：将目标测风站和步骤4选出的辅助测风站的风速重构数据按照频率划分成高频子序列、中频子序列、低频子序列，再将所有选出的辅助测风站的高频子序列、中频子序列、低频子序列分别归类到高频层、中频层和低频层；步骤6：利用所选的辅助测风站各频层数据进行辅助站各频层建模获取辅助测风站各频层的超前多步预测值；所述辅助站各频层建模包括：对辅助测风站高频子序列的各PF分量分别进行高频基于CS的小波神经网络的训练，构建辅助测风站高频高频基于CS的小波神经网络预测模型；对辅助测风站中频子序列的各PF分量分别建立基于PSO的LSSVM进行训练，构建辅助测风站中频基于基于PSO的LSSVM预测模型；对辅助测风站低频子序列的各PF分量分别建立RARIMA进行训练，构建辅助测风站低频RARIMA预测模型；步骤7：利用所选的辅助测风站各频层数据和目标测风站各频率的子序列，进行基于GA的RBF神经网络训练，构建目标测风站各频率的超前多步预测模型，并且以步骤6获得的辅助站各频层的超前多步预测值输入目标测风站各频率的超前多步预测模型，获得目标测风站的超前多步预测值。采用GA(遗传算法)优化的RBF(径向基函数)神经网络进行训练的本质是利用GA算法选择RBF神经网络的初始隐层中心值与初始宽度值。进一步地，所述进行基于GA的RBF神经网络训练，构建目标测风站各频率的超前多步预测模型，具体步骤如下：(1)利用遗传算法随机产生100组代表RBF神经网络的初始隐层中心值与宽度值的染色体初始种群，每组染色体对应着一组RBF神经网络的初始隐层中心值和宽度值；(2)以风速预测平均绝对相对误差最小为原则作为遗传算法的适应度函数，进行遗传算法的选择、交叉和变异操作，选择出最优的RBF神经网络的初始隐层中心值和宽度值；其中，每次遗传算法迭代中适应度值最高的10组染色体将不进行常规的交叉和变异操作，直接保留到下一代中。为了平衡遗传算法的寻优速度和寻优精度，取迭代步数为200，交叉概率为0.5，变异概率为0.05；RBF神经网络的迭代目标平均绝对相对误差取5％。RBF神经网络在获得GA算法赋予的最优初始隐层中心值与初始宽度值后的自身学习的最大迭代次数取100步。为了保证遗传算法最后一定能为RBF神经网络获得一组可用的初始隐层中心值与初始宽度值，在遗传算法的寻优执行过程中同时采用了精英策略，即每次遗传算法迭代中最健壮(即适应度值最高)的10组染色体将不进行常规的交叉和变异操作，而是直接保留到下一代中。进一步地，所述高频基于CS的小波神经网络预测模型的具体构建步骤如下：步骤1：利用CS算法随机产生50组小波神经网络的初始网络连接权值和阈值的鸟巢位置种群；其中，每一个鸟巢位置对应着一组小波神经网络的初始连接权值和阈值，鸟巢位置的更新代数为100；步骤2：根据风速预测均方根误差最小原则，利用风速样本对每个鸟巢位置进行对比，筛选出最优的鸟巢位置；在每次筛选中，对原始50组鸟巢位置中最劣的10组鸟巢用重新随机产生的10组鸟巢进行更换，并且将上一步50组鸟巢位置中最优的5组鸟巢进行保留到下一步的性能对比中；步骤3：当达到100步后，CS算法输出最佳鸟巢位置，将这一步的最优初始连接权值和阈值赋予给小波神经网络模型；步骤4：将辅助测风站的各子序列作为小波神经网络模型的输入和输出，完成自身的学习训练过程，得到基于CS的小波神经网络预测模型；其中用于训练的输入数据中，每组数据的采集时间均比前一组输入数据超前一个时刻，输出数据的采集时间比最后一组输入数据超前一个时刻；其中，高频基于CS的小波神经网络预测模型的隐含层节点的传递函数为小波母函数。利用所建立的CS优化的小波神经网络对风速高频子序列中的各个PF风速分量完成超前多步预测计算，以获得各自PF分量对应的风速超前多步预测值。所建立的小波神经网络均采用3个输入神经元和1个输出神经元的结构，即：小波神经网络需要同步用3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CS优化的小波神经网络完成训练后，只要对小波神经网络的3个输入神经元端口输入3个对应的风速数据，小波神经网络就能自动输出1个风速预测值。高频子序列的各PF分量分别建立CS优化的小波神经网络进行训练的目的是利用CS算法(即布谷鸟算法)产生小波神经网络最优的初始网络连接权值和隐含层阈值；小波神经网络的迭代目标平均绝对相对误差取5％。小波神经网络在获得CS算法赋予的最优初始连接权值和隐含层阈值后的自身学习的最大迭代次数取100步。进一步地，所述中频基于PSO的LSSVM预测模型的构建步骤如下：(1)利用PSO随机产生LSSVM模型的初始惩罚因子和高斯核函数参数的粒子种群；(2)以实现最小风速预测平均绝对相对误差作为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LSSVM模型的初始参数；(3)将PSO获得的LSSVM模型最优初始参数输入到LSSVM模型中，将辅助测风站的各子序列作为LSSVM模型的输入和输出，完成LSSVM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-LSSVM混合风速预测模型；其中用于训练的输入数据中，每组数据的采集时间均比前一组输入数据超前一个时刻，输出数据的采集时间比最后一组输入数据超前一个时刻。把获得的分解后的PF分量分为低频、中频和高频子序列三类。这三类风速子序列都有1组以上的PF风速分量。利用所建立的PSO优化的LSSVM模型对风速中频子序列中的各个PF风速分量完成超前多步预测计算，以获得各自PF分量对应的风速超前多步预测值。所建立的LSSVM模型均采用3个输入神经元和1个输出神经元的结构，即：LSSVM模型需要同步用3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优化的GRNN神经网络完成训练后，只要对LSSVM模型的3个输入神经元端口输入3个对应的风速数据，LSSVM模型就能自动输出1个风速预测值。初始种群设置取50，迭代次数取300次，粒子运行速度最大值为0.8，粒子运行速度的最小值为0.03。LSSVM模型的迭代目标平均绝对相对误差取5％。LSSVM模型在获得PSO赋予的最优初始惩罚因子和高斯核函数参数后的自身学习的最大迭代步数为200步。进一步地，所述低频RARIMA预测模型的构建步骤如下：(1)利用非参数游轮检验法对各个低频子序列所分解获得的全部PF分量风速数据进行数据平稳性检验；如遇到某PF分量风速数据呈现非平稳性，则对该段PF分量风速数据进行差分计算直到其显示平稳性为止；(2)对各个低频子序列所分解获得对经过步骤1平稳性检验后的全部PF分量风速数据进行样本自相关和样本偏相关计算，并根据各自分量风速数据的自相关和偏相关值确定RARIMA模型的最优类型和最优阶次；(3)对步骤(2)所获得的RARIMA模型的最优类型和最优阶次，利用极大似然法求解各个PF分量风速数据对应RARIMA模型的方程系数，形成低频RARIMA预测模型。RARIMA模型方程实际上就是一个自相关表达式，也就是描述当前风速值与历史风速值的关系。对低频子序列里面的全部PF分量都建立RARIMA模型，也是用各个PF分量数据拟合出不同参数的RARIMA模型。某PF分量有500个数据，就建立一个RARIMA模型。所对某段PF分量数据建立一个自相关表达式，需要预测时候，就输入历史时刻的数据，获得当前时刻的数据，以此类推，一直到获得所要时刻对应的风速预测值为止。进一步地，所述步骤2中对辅助测风站数据和目标测风站数据依次进行滤波是采用交互多模型卡尔曼滤波器。进一步地，采用copula函数进行相关性检验。有益效果本发明所提出的预测方法的巧妙之处在于：1.在目标测风站位置周围安装5个辅助测风站，通过辅助测风站每秒实时采集目标测风站周围的风场风速数据，形成包括目标测风站和辅助测风站在内的风速样本集合。2.对原始风速数据用交互多模型卡尔曼滤波处理，剔除传感器带来的测量误差，利用LMD分解和小波除噪，直接剔除了原始风速数据中的高频跳跃潜在特征，通过两次滤波和两次分解，为后面的高精度预测提供了纯净的原始风速样本；3.用copula函数准确选出当前时段与目标测风站风速信号相关度较高的辅助测风站。4.对选出的辅助测风站PF分量按照频率建立不同的预测模型，得到超前多步预测值。5.运用GA优化后的RBF神经网络对目标测风站和筛选出的辅助测风站的纯净的PF分量建立起风速空间相关非线性模型；6.利用辅助测风站自身获得的超前多步预测值输入到已经建立好的辅助测风站和目标测风站之间的空间GA-RBF预测模型，最后获得了目标测风站的高精度超前多步预测风速值。附图说明图1为本发明所述方法的原理流程图；图2为本发明中的GA优化的RBF神经网络训练图；图3为本发明中目标测风站超前多步预测模型图。图4为利用本发明所提出的预测方法所获得的铁路风速预测结果示意图；图5为利用传统单种RBF神经网络模型所获得的铁路风速预测结果示意图；图6为利用传统单种ARIMA模型所获得的铁路风速预测结果示意图。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，一种高速铁路沿线风速多点多层耦合预测方法，包括以下步骤：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。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}2.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：{a1′,a′2,a3′...,a′499,a′500}辅助测风站B滤波后的风速数据：{b1′,b2′,b3′...,b′499,b′500}辅助测风站C滤波后的风速数据：{c1′,c′2,c3′...,c′499,c′500}辅助测风站D滤波后的风速数据：{d1′,d2′,d3′...,d′499,d′500}辅助测风站E滤波后的风速数据：{e1′,e′2,e3′...,e′499,e′500}辅助测风站F滤波后的风速数据：{f1′,f2′,f3′...,f′499,f′500}3.使用局部均值分解，得到下述分量：目标测风站A：APF1,APF2,...APF8辅助测风站B：BPF1,BPF2,...BPF8辅助测风站C：CPF1,CPF2,...CPF8辅助测风站D：DPF1,DPF2,...DPF8辅助测风站E：EPF1,EPF2,...EPF8辅助测风站F：FPF1,FPF2,...FPF84.对各组分解得到的PF分量进行小波降噪，得到下述分量：目标测风站A：APF1,APF2,...APF8辅助测风站B：BPF1,BPF2,...BPF8辅助测风站C：CPF1,CPF2,...CPF8辅助测风站D：DPF1,DPF2,...DPF8辅助测风站E：EPF1,EPF2,...EPF8辅助测风站F：FPF1,FPF2,...FPF85.对各组的小波降噪后的PF分量进行信号重构，得到下述信号重构后的风速数据：目标测风站A：{a1″,a″2,a3″...,a″499,a″500}辅助测风站B：{b1″,b2″,b3″...,b″499,b″500}辅助测风站C：{c1″,c″2,c3″...,c″499,c″500}辅助测风站D：{d1″,d2″,d3″...,d″499,d″500}辅助测风站E：{e1″,e″2,e3″...,e″499,e″500}辅助测风站F：{f1″,f2″,f3″...,f″499,f″500}6.将各辅助测风站信号重构后的风速数据通过copula函数分别和目标测风站信号重构后的风速数据进行显著性检验，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。7.对选出的3个辅助测风站小波降噪后的PF分量按频率分为高频子序列PF1,PF2,PF3、中频子序列PF4,PF5,PF6、低频子序列PF7,PF8，对低频子序列的各PF分量分别建立RARIMA(自回归求和移动平均模型)模型进行训练，对中频子序列的各PF分量分别建立PSO(粒子群)优化的LSSVM(最小二乘支持向量机)模型进行训练，高频子序列的各PF分量分别建立CS优化的小波神经网络进行训练，通过迭代得到各PF分量的超前多步预测值。所述高频基于CS的小波神经网络预测模型的具体构建步骤如下：小波神经网络的迭代目标平均绝对相对误差取5％。小波神经网络在获得CS算法赋予的最优初始连接权值和隐含层阈值后的自身学习的最大迭代次数取100步。步骤1：利用CS算法随机产生50组小波神经网络的初始网络连接权值和阈值的鸟巢位置种群；其中，每一个鸟巢位置对应着一组小波神经网络的初始连接权值和阈值，鸟巢位置的更新代数为100；步骤2：根据风速预测均方根误差最小原则，利用风速样本对每个鸟巢位置进行对比，筛选出最优的鸟巢位置；在每次筛选中，对原始50组鸟巢位置中最劣的10组鸟巢用重新随机产生的10组鸟巢进行更换，并且将上一步50组鸟巢位置中最优的5组鸟巢进行保留到下一步的性能对比中；步骤3：当达到100步后，CS算法输出最佳鸟巢位置，将这一步的最优初始连接权值和阈值赋予给小波神经网络模型；步骤4：将辅助测风站的各子序列作为小波神经网络模型的输入和输出，完成自身的学习训练过程，得到基于CS的小波神经网络预测模型；其中，基于CS的小波神经网络预测模型的隐含层节点的传递函数为小波母函数。例如，风速高频子序列里面有2组高频PF风速分量(假如分别称为PF1和PF2)，他们的风速数据长度均为500。PF1分量有500个风速样本数据，那么将第1-497个风速样本作为小波神经网络的第1个输入神经元的输入风速数据，将第2-498个风速数据作为小波神经网络的第2个输入神经元的输入风速数据，将第3-499个风速数据作为小波神经网络的第3个输入神经元的输入风速数据，将第4-500个风速数据作为小波神经网络的唯一输出神经元的输出风速数据，然后同步地将这些风速数据组加载到小波神经网络模型上，完成所述的CS算法优化小波神经网络的步骤完成全部的学习和训练。当CS-小波神经网络混合模型完成学习后，对小波神经网络的第1个输入神经元输入PF1分量的第498个风速数据，对小波神经网络的第2个输入神经元输入PF1分量的第499个风速数据，对小波神经网络的第3个输入神经元输入PF1分量的第500个风速数据，那么小波神经网络将自动输出1个风速值，该值即为PF1分量的第501个风速预测值(也就是说，上述步骤实现了利用PF1分量的第1-500个已有的分解风速样本获得了超前1步预测值，即第501个风速预测值)。以此类推，进行多步迭代计算，对小波神经网络的第1个输入神经元输入PF1分量的第499个风速数据，对小波神经网络的第2个输入神经元输入PF1分量的第500个风速数据，对小波神经网络的第3个输入神经元输入经过前面超前1步预测已经获得的第501个风速预测值，那么小波神经网络将再次自动输出1个风速值，那么该值即为PF1分量的第502个风速预测值(也就是上述步骤利用PF1分量的第1-500个已有的风速样本经过超前2步预测所获得的第502个风速预测值)。就这样，CS算法优化后的小波神经网络可以对PF1分量完成所需任意步数的超前多步风速预测计算。高频风速子序列中的其他分解分量(如PF2分量)通过CS-小波神经网络混合模型所获得的超前多步风速预测值的步骤与上述的PF1分量的步骤一样。高频子序列的各PF分量分别建立CS优化的小波神经网络进行训练的目的是利用CS算法(即布谷鸟算法)产生小波神经网络最优的初始网络连接权值和隐含层阈值；所述中频基于基于PSO的LSSVM预测模型的构建步骤如下：初始种群设置取50，迭代次数取300次，粒子运行速度最大值为0.8，粒子运行速度的最小值为0.03。LSSVM模型的迭代目标平均绝对相对误差取5％。LSSVM模型在获得PSO赋予的最优初始惩罚因子和高斯核函数参数后的自身学习的最大迭代步数为200步。(1)利用PSO随机产生LSSVM模型的初始惩罚因子和高斯核函数参数的粒子种群；(2)以实现最小风速预测平均绝对相对误差作为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LSSVM模型的初始参数；(3)将PSO获得的最优初始参数输入到LSSVM模型中，完成LSSVM模型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-LSSVM混合风速预测模型。风速中频子序列里面有2组中频PF风速分量(分别称为PF1和PF2)，他们的风速数据长度均为500。PF1分量有500个风速样本数据，那么将第1-497个风速样本作为LSSVM模型的第1个输入神经元的输入风速数据，将第2-498个风速数据作为LSSVM模型的第2个输入神经元的输入风速数据，将第3-499个风速数据作为LSSVM模型的第3个输入神经元的输入风速数据，将第4-500个风速数据作为LSSVM模型的唯一输出神经元的输出风速数据，然后同步地将这些风速数据组加载到LSSVM模型上，按照权利项4所述的PSO算法优化LSSVM模型的步骤完成全部的学习和训练。当PSO-LSSVM模型完成学习后，对LSSVM模型的第1个输入神经元输入PF1分量的第498个风速数据，对LSSVM模型的第2个输入神经元输入PF1分量的第499个风速数据，对LSSVM模型的第3个输入神经元输入PF1分量的第500个风速数据，那么LSSVM模型将自动输出1个风速值，该值即为PF1分量的第501个风速预测值(也就是说，上述步骤实现了利用PF1分量的第1-500个已有的分解风速样本获得了超前1步预测值，即第501个风速预测值)。以此类推，进行多步迭代计算，对LSSVM模型的第1个输入神经元输入PF1分量的第499个风速数据，对LSSVM模型的第2个输入神经元输入PF1分量的第500个风速数据，对LSSVM模型的第3个输入神经元输入经过前面超前1步预测已经获得的第501个风速预测值，那么LSSVM模型将再次自动输出1个风速值，那么该值即为PF1分量的第502个风速预测值(也就是上述步骤利用PF1分量的第1-500个已有的风速样本经过超前2步预测所获得的第502个风速预测值)。PSO算法优化后的LSSVM模型可以对PF1分量完成所需任意步数的超前多步风速预测计算。中频风速子序列中的其他分解分量(如PF2分量)通过PSO-LSSVM混合模型所获得的超前多步风速预测值的步骤与上述的PF1分量的步骤一样。所述低频RARIMA预测模型的构建步骤如下：(1)利用非参数游轮检验法对各个低频子序列所分解获得的全部PF分量风速数据进行数据平稳性检验；如遇到某PF分量风速数据呈现非平稳性，则对该段PF分量风速数据进行差分计算直到其显示平稳性为止；(2)对各个低频子序列所分解获得对经过步骤1平稳性检验后的全部PF分量风速数据进行样本自相关和样本偏相关计算，并根据各自分量风速数据的自相关和偏相关值确定RARIMA模型的最优类型和最优阶次；(3)对步骤(2)所获得的RARIMA模型的最优类型和最优阶次，利用极大似然法求解各个PF分量风速数据对应RARIMA模型的方程系数，形成低频RARIMA预测模型。8.如图2所示，对高频子序列、中频子序列、低频子序列分别建模，各序列均以B、C、D辅助测风站的各PF分量为输入，均以目标测风站的各PF分量为输出，均采用GA(遗传算法)优化的RBF(径向基函数)神经网络进行训练。所述进行基于GA的RBF神经网络训练，构建目标测风站各频率的超前多步预测模型，具体步骤如下：为了平衡遗传算法的寻优速度和寻优精度，取迭代步数为200，交叉概率为0.5，变异概率为0.05；RBF神经网络的迭代目标平均绝对相对误差取5％。RBF神经网络在获得GA算法赋予的最优初始隐层中心值与初始宽度值后的自身学习的最大迭代次数取100步。为了保证遗传算法最后一定能为RBF神经网络获得一组可用的初始隐层中心值与初始宽度值，在遗传算法的寻优执行过程中同时采用了精英策略，即每次遗传算法迭代中最健壮(即适应度值最高)的10组染色体将不进行常规的交叉和变异操作，而是直接保留到下一代中。(1)利用遗传算法随机产生100组代表RBF神经网络的初始隐层中心值与宽度值的染色体初始种群，每组染色体对应着一组RBF神经网络的初始隐层中心值和宽度值；(2)以风速预测平均绝对相对误差最小为原则作为遗传算法的适应度函数，进行遗传算法的选择、交叉和变异操作，选择出最优的RBF神经网络的初始隐层中心值和宽度值；其中，每次遗传算法迭代中适应度值最高的10组染色体将不进行常规的交叉和变异操作，直接保留到下一代中。9.如图3所示，对预测得到的B、C、D辅助测风站的PF分量超前多步预测值带入训练好的GA优化的RBF神经网络，再进行信号重构，最终得到目标测风站的超前多步风速预测值。利用本发明所提出的预测方法实现风速预测的结果如图4所示。利用现有RBF神经网络模型实现风速预测的结果如图5所示。利用现有ARIMA模型实现风速预测的结果如图6所示。利用公式(1-3)对图4-图6所示的预测结果进行精度指标计算，结果见表1和表2。平均绝对误差:平均绝对相对误差:均方根误差:上述公式中，n为用于模型检验的风速数据个数，本专利取n为100。X(i)为实测风速数据，为预测风速数据。表1：利用本发明所提出预测方法的预测精度平均绝对误差0.2223m/s平均绝对相对误差2.90％均方根误差0.2821m/s表2：利用现有RBF神经网络模型的预测精度平均绝对误差0.8226m/s平均绝对相对误差11.47％均方根误差1.0335m/s表3：利用现有ARIMA模型的预测精度平均绝对误差0.9704m/s平均绝对相对误差11.86％均方根误差1.1677m/s从图4、图5和图6，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。当前第1页1 2 3