一種融合多測風站實測數據的鐵路沿線風速預測方法與流程
2023-05-14 22:34:36
本發明屬於鐵路風速預測領域，特別涉及一種融合多測風站實測數據的鐵路沿線風速預測方法。
背景技術：
：風嚴重影響到列車運行的安全性和平穩性，容易引起列車安全事故，這給鐵路安全運營帶來了挑戰，給世界各國造成了巨大的經濟損失和人員傷亡。為此，一些國家建立了鐵路強風監測預警系統。該類系統通常包含風速風向信息、鐵路沿線路況、列車信息等，當區段風速超過一定限值時，系統會發出限速或者停運指令。由於鐵路的指揮調度需具備超前性和準確性，所以，在強風監測預警系統中，風速高精度預測屬於不可或缺的核心技術之一。風速受氣壓、海拔、溫度、地形等多種因素影響，具有很強的非線性和隨機性。在一些鐵路沿線地區，地形地貌等條件更為複雜，風速信號更加不穩定，且部分測風站會出現白噪聲和隨機錯誤採樣數據，這些都加大了風速預測難度，因此，準確高效地預測鐵路沿線風速是個技術難題。風速預測的研究對象多為風電場風速，研究方法主要有物理模型，如數值天氣預報；統計模型，如時間序列法；智能學習模型，如人工神經網絡；以及一些組合預測。一些學者的研究表明，組合預測方法通常比單一預測方法擁有更好的預測性能。介於鐵路沿線風速預測的特殊性，預測模型要同時具備較高的適用性、準確性、實時性和魯棒性，因此，構建合適的組合預測模型來預測鐵路沿線風速是一種可行方案。目前，鐵路沿線風速預測模型的建立都基於單測風站實測數據，採樣數據較為單一，抗幹擾能力較差，此外，如果單測風站安裝的傳感器發生硬體故障，就會造成預測中斷，在現場運營的鐵路強風監測預警系統中，風速中斷輸出是不允許的，這將會造成嚴重的翻車事故。現有的風速預測方法，幾乎都是採用統計模型，將大量風速數據分類建立資料庫，通過與當前風速數據比較來預測風速；或是採用物理模型，進行流場分析。這兩種方法的實時性較差，難以滿足鐵路沿線風速預測的要求。因此，迫切需要建立一種實時性好、融合多測風站實測數據的鐵路沿線風速預測方法。技術實現要素：本發明的目的在於克服現有鐵路風速預測方法中存在的不足，提供一種融合多測風站實測數據的鐵路沿線風速預測方法。通過多測風站數據提高預測精度，同時由於融合多個測風站之間的風速數據多樣性，保證預測模型的穩定性，且能避免單測風站傳感器硬體故障造成的預測中斷。一種融合多測風站實測數據的鐵路沿線風速預測方法，包括以下步驟：步驟1：在目標測風站位置周圍至少安裝N個輔助測風站，利用輔助測風站實時採集目標測風站的風速數據，獲得目標測風站和輔助測風站的風速樣本集合；其中，N為大於或等於5的整數；所述輔助測風站以目標測風站位置為原點，以20公裡為最大半徑，順著鐵路沿線搜索目標測風站位置前後周圍的鐵路接觸網立柱；將N個輔助測風站安裝在鐵路接觸網立柱距鐵路軌面4米的高度位置上；目標測風站和輔助測風站位置高度與沿線行駛列車的車頂等高；步驟2：對風速樣本集合中的風速數據進行濾波處理去除風速數據中潛在的誤差；步驟3：對經過步驟2濾波後的風速樣本集合進行2層小波包分解去除樣本集合中的高頻跳躍特徵數據，並從分解後的數據中選取最後一層的低頻數據部分；步驟4：將步驟3選取出的各輔助測風站的低頻數據部分分別與目標測風站的低頻數據部分進行顯著性檢驗，按照顯著性從高到低對各輔助測風站進行排序，選出與目標測風站低頻數據部分顯著性排名前m組輔助測風站的低頻數據部分和對應的m個輔助測風站；其中，m為整數，取值範圍為[3，60％N]；步驟5：對目標測風站和選出的m個輔助測風站的低頻數據部分分別進行2層小波包分解，獲得每個測風站的4個風速子序列；步驟6：以所選的m個輔助測風站的4個風速子序列為輸入數據，以目標測風站的4個風速子序列為輸出結果，採用基於PSO優化的MLP神經網絡模型進行訓練，得到預測模型；步驟7：將所選的m個輔助測風站的實測風速值依次進行濾波、2層小波包分解，並對經過2層小波包分解後得到的最後一層低頻數據部分再次進行2層小波包分解，將分解後得到的各輔助測風站的4個風速子序列輸入到訓練好的模型，將模型輸出的子序列預測值進行累加，得到目標測風站的風速預測值。所述步驟2中採用交互多模型卡爾曼濾波進行濾波處理。所述步驟3和步驟5中使用的2層小波包分解為採用Mallat塔式算法或選取緊支撐雙正交小波db3作為母小波的小波分解方法。採用動態時間彎曲距離法進行所述步驟4中的顯著性檢驗。使用2層小波包分解取低頻數據，再通過動態時間彎曲距離選出與目標測風站風速信號相關度較高的輔助測風站數據，融合多測風站數據對單一測風站風速進行預測，提高了風速預測的魯棒性和精度；所述基於PSO優化的MLP神經網絡模型的構建步驟如下：(1)利用PSO隨機產生MLP神經網絡模型的連接權值和隱含層閾值的粒子種群；(2)以實現最小風速預測誤差作為PSO算法的訓練方向，進行PSO算法的訓練學習流程，使得粒子種群中的粒子不斷靠攏到最優粒子附近，輸出最優的MLP神經網絡模型初始連接權值和初始隱含層閾值；(3)將最優的MLP神經網絡模型初始連接權值和初始隱含層閾值輸入到MLP神經網絡模型中，以輔助測風站和目標測風站的實測風速值經過兩次2層小波分解後的數據作為MLP神經網絡模型的輸入和輸出數據，完成MLP神經網絡模型自身對風速預測的學習和訓練，形成能實現高精度鐵路風速預測的PSO-MLP混合風速預測模型。標測風站和選出的m個輔助測風站經過濾波和2次小波包分解後，每個輔助測風站擁有4個風速子序列，目標測風站也是擁有4個風速子序列。這些子序列都是等長度的風速數據段。PSO-MLP混合風速預測模型的建模計算分為兩個階段，即學習訓練階段和預測輸出階段。本專利所建立的MLP神經網絡均採用多個輸入神經元和1個輸出神經元的三層網絡結構，即：MLP神經網絡需要同步用多組輸入風速數據和1組輸出風速數據對網絡進行學習和訓練；當PSO優化後的MLP神經網絡完成訓練後，只要對MLP神經網絡的多個輸入神經元埠輸入多組等長度的風速數據，MLP神經網絡就能自動輸出1組與輸入風速數據等長度的預測風速數據。採用PSO優化的MLP模型進行訓練和預測，充分利用了多測風站數據，提高了風速預測精度。由於鐵路風速的極大跳躍性，標準的MLP神經網絡由於容易陷入局部搜索空間，因此僅靠單種MLP神經網絡難以實現高精度的風速預測。而PSO算法在信息空間全局搜索上擁有很大的性能優勢，因此通過PSO選擇MLP神經網絡的各層初始權值和隱含層初始閾值能進一步提高標準MLP神經網絡對鐵路風速跳躍風速的全局擬合能力，實現鐵路風速的高精度預測。有益效果本發明提供了一種融合多測風站實測數據的鐵路沿線風速預測方法，包括以下幾個步驟：步驟1，在目標測風站位置安裝輔助測風站，實時採集風速數據樣本；步驟2，對風速數據樣本進行濾波處理；步驟3，利用2層小波分解去除高頻跳躍特徵，取最後一層的低頻數據；步驟4，選出與目標測風站數據顯著性較高的m個輔助測風站數據；步驟5.對目標測風站和選出的m個輔助測風站的低頻數據層分別進行2層小波包分解；步驟6，以m個輔助測風站的各子序列為輸入，以目標測風站的4個子序列為輸出，採用PSO優化的MLP神經網絡模型進行訓練；步驟7，將所選的m個輔助測風站的實測風速值進行2層小波包分解，輸入到訓練好的模型，最終得到目標測風站的風速預測值。該方法通過巧妙的增設輔助測風站，利用MLP模型建立起了幾個輔助測風站和目標測風站之間的空間關聯性；利用小波分解獲取最後一層低頻數據的新思維，使得本發明所使用的MLP模型擺脫了風速極端跳躍成分的幹擾，模型更健壯；利用小波包分解篩選後的輔助測風站和目標測風站風速數據給MLP神經網絡提供了更豐富的輸入和輸出訓練樣本數據，使得MLP神經網絡能從多維度上耦合風速數據的空間相關性；利用顯著性檢驗對非相關性數據進行剔除，降低了數據處理量，提高了預測輸出的實時性；將PSO算法與MLP神經網絡模型相結合，克服了MLP神經網絡無法收斂的問題，同時大大的提高了傳統MLP神經網絡預測精度。本發明所述方法能夠有效提高鐵路沿線風速預測精度、保證預測模型的穩定，且能避免單測風站傳感器硬體故障造成的預測中斷。附圖說明圖1為本發明所述方法的原理流程圖；圖2為本發明中目標測風站A的小波分解圖；圖3為本發明中A3的小波包分解圖；圖4為本發明中PSO優化的MLP模型訓練圖；圖5為本發明中PSO優化的MLP模型預測圖；圖6為利用本發明所提出的預測方法實現風速預測的結果示意圖；圖7為利用時間序列ARIMA模型實現風速預測的結果示意圖。具體實施方式下面將結合附圖和實施例對本發明做進一步的說明。如圖1所示，一種融合多測風站實測數據的鐵路沿線風速預測方法，包括以下步驟：步驟1.為對某目標測風站位置的鐵路未來風速實現預測，在該測風站位置周圍安裝5個輔助測風站。獲取同一時段目標測風站及5個輔助測風站的原始風速數據，每組風速數據包含600個數據，將600個數據中的前500個用於建模，第501～600個數據用於驗證。步驟2.將目標測風站記為A，5個輔助測風站分別記為B,C,D,E,F，各測風站前500個原始風速數據表示如下：目標測風站A的原始風速數據：{a1,a2,a3...,a499,a500}輔助測風站B的原始風速數據：{b1,b2,b3...,b499,b500}輔助測風站C的原始風速數據：{c1,c2,c3...,c499,c500}輔助測風站D的原始風速數據：{d1,d2,d3...,d499,d500}輔助測風站E的原始風速數據：{e1,e2,e3...,e499,e500}輔助測風站F的原始風速數據：{f1,f2,f3...,f499,f500}步驟3.用交互多模型卡爾曼濾波法對測風站A,B,C,D,E,F的原始風速數據進行濾波處理，去除風速數據中潛在的誤差，得到下述濾波後的風速數據：目標測風站A濾波後的風速數據：{a′1,a′2,a′3...,a′499,a′500}輔助測風站B濾波後的風速數據：{b′1,b′2,b′3...,b′499,b′500}輔助測風站C濾波後的風速數據：{c′1,c′2,c′3...,c′499,c′500}輔助測風站D濾波後的風速數據：{d′1,d′2,d′3...,d′499,d′500}輔助測風站E濾波後的風速數據：{e′1,e′2,e′3...,e′499,e′500}輔助測風站F濾波後的風速數據：{f′1,f′2,f′3...,f′499,f′500}步驟4.使用Mallat塔式算法、選取緊支撐雙正交小波db3作為母小波對測風站A,B,C,D,E,F濾波後的風速數據分別進行2層深度的小波包分解，取最後一層的低頻部分。目標測風站A的小波分解過程如圖2所示，經2層分解後：A＝A2+A3+A4。去除高頻跳躍分量，只保留第二層低頻部分A3。同理，可以得到輔助測風站B,C,D,E,F小波分解後的低頻部分。則得到下述小波分解後的低頻數據：目標測風站A小波分解後的低頻數據A3：{a″1,a″2,a″3...,a″499,a″500}輔助測風站B小波分解後的低頻數據B3：{b″1,b″2,b″3...,b″499,b″500}輔助測風站C小波分解後的低頻數據C3：{c″1,c″2,c″3...,c″499,c″500}輔助測風站D小波分解後的低頻數據D3：{d″1,d″2,d″3...,d″499,d″500}輔助測風站E小波分解後的低頻數據E3：{e″1,e″2,e″3...,e″499,e″500}輔助測風站F小波分解後的低頻數據F3：{f″1，f″2,f″3...,f″499,f″500}步驟5.將各輔助測風站小波分解後的低頻數據(B3,C3,D3,E3,F3)通過動態時間彎曲距離法分別和目標測風站小波分解後的低頻數據(A3)進行顯著性檢驗，將輔助測風站的5組數據按組別進行顯著性排序，選出顯著性最大且合適的前3組數據及其對應的3個輔助測風站。如選出的這3個輔助測風站分別為輔助測風站B、輔助測風站C、輔助測風站D。步驟6.使用Mallat塔式算法、選取緊支撐雙正交小波db10作為母小波對目標測風站A小波分解後的低頻數據(A3)及選出的3個輔助測風站小波分解後的低頻數據(B3,C3,D3)進行2層深度的小波包分解，每組風速數據可以得到4個風速子序列，每個子序列包含500個數據。A3的小波包分解過程如圖3所示，經兩層分解後：A3＝A311+A312+A321+A322。同理，可以得到輔助測風站B,C,D,E,F小波包分解後的子序列。步驟7.如圖4所示，以3個輔助測風站的共12個子序列為輸入，以目標測風站的4個子序列為輸出，對PSO優化的MLP模型進行訓練。比如，經過顯著性比較後篩選出的輔助測風站有3個，每個輔助測風站有一組長500的低頻風速數據(即每個輔助測風站有500個低頻風速數據樣本)。通過2層小波包對這些長度500的低頻風速數據進行分解後，每個輔助測風站就都有4組風速子序列，每個風速子序列還是包含500個分解風速數據。這樣3個輔助測風站就有12組、長度均為500的分解風速數據。本專利所建立的MLP神經網絡的輸入神經元個數取決於這些被選中的輔助測風站經過小波包分解後所獲得的風速子序列的個數。比如這個例子，3個輔助測風站，每個輔助測風站經過小波包分解後，就有4組風速子序列。那麼為了輸入這共計12組的風速子序列，MLP神經網絡就需要有12個神經元個數，用於讀取這12組風速子序列。換句話說，MLP神經網絡的輸入數據就是經過第二次小波包分解後所產生的輔助測風站的風速子序列。在本專利中，目標測風站的低頻風速數據也需要經過2層小波包分解，但因為只有1個目標測風站，因此它永遠只有4組風速子序列，他們將作為MLP神經網絡的輸出數據，對MLP神經網絡進行學習訓練。當PSO-MLP混合模型完成學習訓練後，就可以等著利用新的輸入風速數據獲得等長度的風速預測輸出數據。當這些被篩選中的3個輔助測風站有了新的實測原始風速後(比如每個輔助測風站新採集了100個樣本風速數據)，就可以經過本專利上述的步驟，轉化為還是12組、長度變成100的分解風速數據，他們將同步地輸入到上述建立的、擁有12個輸入神經元個數的MLP神經網絡中，那麼MLP神經網絡就能自動輸出4組、長度也為100的風速輸出子序列數據。把這4組風速輸出子序列數據相加，就獲得1組、長度為100的風速序列數據，該序列數據即為目標測風站的預測風速。步驟8.將模型訓練好後，將用於驗證的實測B、C、D輔助測風站風速數據：{b501,b502,b503...,b599,b600}，{c501,c502,c503...,c599,c600}，{d501,d502,d503...,d599,d600}依次進行上述交互多模型卡爾曼濾波、小波分解、小波包分解過程，再如圖5所示，將得到的各子序列輸入到訓練好的PSO優化的MLP模型，預測目標測風站A的4個子序列。將預測的目標測風站A的4個子序列累加計算得到目標測風站A的風速預測值將目標測風站A風速預測值與目標測風站A風速實測數據{a501,a502,a503...,a599,a600}進行對比，檢驗模型的預測效果。利用本發明所提出的預測方法實現風速預測的結果如圖6所示。利用時間序列ARIMA模型實現風速預測的結果如圖7所示。利用公式(1-3)對圖6和圖7的預測結果進行精度計算，結果見表1和表2。對比表1和表2。平均絕對誤差σ:平均絕對相對誤差τ:均方根誤差δ:上述公式中，n為用於模型檢驗的風速數據個數，本實例中取n為100。X(i)為實測風速數據，為預測風速數據。表1：利用本專利所提出預測方法的預測精度平均絕對誤差1.2590m/s平均絕對相對誤差7.66％均方根誤差2.0589m/s表2：利用時間序列ARIMA模型的預測精度平均絕對誤差2.4513m/s平均絕對相對誤差14.51％均方根誤差2.1996m/s從圖6和圖7，並結合表1和表2來看，本發明所述的方法，從平均絕對誤差、平均絕對相對誤差以及均方根誤差來看，明顯優於現有技術，表明本發明所述方法具有較好的應用效果。本文中所描述的具體實施例僅僅是對本發明精神作舉例說明。本發明所屬
技術領域：
的技術人員可以對所描述的具體實施例做各種各樣的修改或補充或採用類似的方式替代，但並不會偏離本發明的精神或者超越所附權利要求書所定義的範圍。當前第1頁1 2 3