一種多模型多特徵融合的高速鐵路沿線風速預測方法與流程
2023-12-08 23:07:31
本發明屬於鐵路風速預測領域，特別涉及一種多模型多特徵融合的高速鐵路沿線風速預測方法。
背景技術：
：隨著我國經濟持續穩定發展，我國鐵路建設進入了高速發展期。而隨著鐵路運營線路的增加和列車速度的提升，列車運行的安全性、平穩性、舒適性受到越來越多的關注。強風是導致列車事故的主要自然災害之一，我國一些鐵路沿線地區時常出現強風天氣，這給列車安全平穩運行帶來了巨大挑戰。為了防止列車事故的發生，需要建立鐵路大風監測預警系統，以便鐵路部門提前調度指揮，鐵路沿線風速預測技術就是該系統的核心技術之一。風速信號是一種隨機、非線性信號，預測難度很高。目前，風速預測的研究領域多集中在風電場預測，方法分為統計方法、物理方法和學習方法，常用的模型包括神經網絡、支持向量機、卡爾曼濾波、時間序列、小波分解、經驗模式分解等，還有一些混合模型。風電場通常建在地勢平坦、風向穩定的地區，較小範圍內風速差異不大。不同於風電場，鐵路沿線地形環境複雜，不同位置點風速差異顯著，而足夠強的瞬態風就可能引發列車事故，因此，鐵路沿線各位置點風速預測必須準確。同時，由於硬體設備存在可靠性問題、單一模型預測效果不穩定，而鐵路沿線風速預測數據不容許中斷輸出，所以，鐵路沿線風速預測必須性能穩定，能在多種異常狀況下不間斷輸出高精度預測數據。因此，迫切需要建立一種預測精度高、性能穩定，能融入多種因素和多種預測模型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沿線風速預測方法中存在的不足，提供一種多模型多特徵融合的鐵路沿線風速預測方法。該方法融合了4個基本模型，包含空間、時間、氣象、物理等多種元素，預測時各模型數據存在交織，最後的組合模型能自適應地調整4個基本預測模型的權值，預測穩定性高，可以實現超前多步預測，具有工程應用價值。一種多模型多特徵融合的高速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；步驟2：對輔助測風站數據和目標測風站數據依次進行濾波和1層深度小波分解，提取低頻數據部分；步驟3：利用步驟2獲得的輔助測風站和目標測風站的低頻數據部分構建空間-目標測風站超前多步預測模型，同時，利用目標測風站的低頻數據部分構建自我-目標測風站超前多步預測模型；步驟4：利用目標測風站的低頻數據部分和目標測風站所處位置的氣壓、溼度和溫度數據構建氣象-目標測風站超前多步預測模型；步驟5：利用數值天氣預報信息獲取目標測風站風速預測值；步驟6：將空間-目標測風站超前多步預測模型、自我-目標測風站超前多步預測模型以及氣象-目標測風站超前多步預測模型獲得的目標測風站超前多步預測值和步驟5獲得的目標測風站風速預測值輸入貝葉斯組合模型，獲取最終的目標測風站預測值；所述超前多步預測是指利用當前時刻T的風速數據輸入對應預測模型獲得下一時刻T+1的風速預測，然後，利用下一時刻T+1的風速預測值再次輸入對應預測模型，獲得T+2時刻的風速預測值，往復迭代獲得超前多步預測值。利用貝葉斯組合模型對4個預測模型所獲得超前多步預測值不進行簡單的平等加權，而是對更高精度的預測模型輸出賦予更大的比例係數，即讓更高精度的預測模型所輸出的風速預測值在加權中佔有更大比例。進一步地，所述步驟2中的空間-目標測風站超前多步預測模型和自我-目標測風站超前多步預測模型的構建步驟如下：步驟2.1：對輔助測風站和目標測風站的低頻數據部分進行FEEMD分解，獲得每個測風站對應的低頻、中頻和高頻子序列；步驟2.2：對輔助測風站和目標測風站的高頻子序列的各IMF分量分別進行基於PSO的LVQ神經網絡的訓練，構建輔助測風站和目標測風站各自的自我高頻基於PSO的LVQ神經網絡模型，獲取輔助測風站和目標測風站的自我高頻超前多步預測值；對輔助測風站和目標測風站的中頻子序列的各IMF分量分別建立基於CBA的極限學習機進行訓練，構建輔助測風站和目標測風站各自的自我中頻基於CBA的極限學習機模型，獲取輔助測風站和目標測風站的自我中頻超前多步預測值；對輔助測風站和目標測風站的低頻子序列的各IMF分量分別建立RARIMA進行訓練，構建構建輔助測風站和目標測風站各自的自我低頻RARIMA模型，獲取輔助測風站和目標測風站的自我低頻超前多步預測值；步驟2.3：將目標測風站的高頻基於PSO的LVQ神經網絡模型、中頻基於CBA的極限學習機模型以及低頻RARIMA模型合併，形成自我-目標測風站超前多步預測模型；步驟2.4：以輔助測風站的低頻、中頻和高頻子序列數據作為輸入，目標測風站的低頻、中頻和高頻子序列數據作為輸出，構建各頻段子序列基於Adaboost的BP神經網絡模型，利用輔助測風站的各頻段子序列對應的超前多步預測值輸入各頻段子序列基於Adaboost的BP神經網絡模型，獲得目標測風站對應各頻段的超前多步預測值，以各頻段子序列基於Adaboost的BP神經網絡模型形成空間-目標測風站超前多步預測模型；所述各頻段子序列基於Adaboost的BP神經網絡模型是指，利用Adaboost算法對多個BP神經網絡依據各BP神經網絡輸出的預測值的平均絕對誤差進行不等分加權求和，每個BP神經網絡均採用多個輸入神經元和1個輸出神經元的3層網絡結構，用於訓練的輸入數據中，每組數據的採集時間均比前一組輸入數據超前一個時刻，輸出數據的採集時間比最後一組輸入數據超前一個時刻。該混合模型中，Adaboost的BP神經網絡模型包括了10個BP神經網絡作為弱學習器，以風速預測的平均絕對相對誤差超過5％的BP神經網絡視為需要加強學習的對象，BP神經網絡的最大迭代步數取300步。通過Adaboost算法對所包含的10個BP神經網絡的預測輸出進行了不等分加權求和，即Adaboost算法在迭代過程中，根據每個BP神經網絡的預測輸出的平均絕對相對誤差，實時地調整該BP神經網絡在下一次迭代計中在全部神經網絡群中所佔的加權比例。性能越好的單個BP神經網絡將被賦予越高的權值。Adaboost-BP神經網絡混合模型分為訓練學習和預測計算兩個方面。在訓練學習階段，每個BP神經網絡都將輸入被篩選中的輔助測風站的低頻、中頻和高頻子序列所轄的全部IMF分量，每個BP神經網絡的輸出為目標測風站的低頻、中頻和高頻子序列所轄的全部IMF分量，每個BP神經網絡都將完成自身的訓練學習，然後通過Adaboost算法對全部BP神經網絡的加權比例進行調整，直到最後獲得這10個BP神經網絡的最優加權比例值。在本發明中，每個BP神經網絡自身內在的神經元連接權值和隱含層閾值都是隨機分配的。單個BP神經網絡均採用多個輸入神經元和1個輸出神經元的3層網絡結構，即：單個BP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Adaboost算法優化的10個BP神經網絡都完成訓練後，只要對每個BP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，每個BP神經網絡就能自動輸出1組與輸入風速等長度的預測風速序列，然後利用Adaboost算法所確定的BP神經網絡加權比例值進行不等分加權求和，獲得Adaboost-BP神經網絡混合模型的最終預測風速序列。當Adaboost-BP神經網絡混合模型完成全部學習訓練後，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。也就是對每個訓練好的BP神經網絡輸入所獲得的各個頻層運用不同組合預測模型所獲得的輔助測風站超前多步預測值後，該BP神經網絡就能夠預測出目標測風站的超前多步預測值。當完成全部10個BP神經網絡的超前多步預測值輸出後，就可以運用Adaboost算法所提供的加權比例進行求和，最終獲得目標測風站的超前多步風速預測值。Adaboost的BP神經網絡模型包括了10個BP神經網絡作為弱學習器，以風速預測的平均絕對相對誤差超過5％的BP神經網絡視為需要加強學習的對象，BP神經網絡的最大迭代步數取300步。進一步地，所述自我高頻基於PSO的LVQ神經網絡模型的具體構建步驟如下：(1)利用PSO隨機產生LVQ模型的連接權值的粒子種群，每個粒子代表一組LVQ模型的初始連接權值；(2)以實現最小風速平均絕對相對誤差達到設定值作為PSO算法的訓練方向，完成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LVQ神經網絡初始連接權值；(3)將經過前面兩個步驟中PSO訓練所獲得的LVQ神經網絡初始連接權值對LVQ神經網絡進行設置，將風站的高頻子序列的各IMF分量作為神經網絡的輸入和輸出數據，完成LVQ神經網絡自身對風速的學習和訓練，形成自我高頻子序列風速數據高精度預測的PSO-LVQ混合模型；用於訓練的輸入數據中，每組數據的採集時間均比前一組輸入數據超前一個時刻，輸出數據的採集時間比最後一組輸入數據超前一個時刻。利用所建立的PSO優化的LVQ神經網絡對風速高頻子序列中的各個IMF風速分量完成超前多步預測計算，以獲得各自IMF分量對應的風速超前多步預測值。所建立的LVQ神經網絡均採用3個輸入神經元和1個輸出神經元的結構，即：LVQ神經網絡需要同步用3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優化的LVQ神經網絡完成訓練後，只要對LVQ神經網絡的3個輸入神經元埠輸入3個對應的風速數據，LVQ神經網絡就能自動輸出1個風速預測值。利用PSO生成的初始種群數量設置取50，PSO優化選擇LVQ神經網絡時的迭代次數取200次，粒子運行速度最大值為0.5，粒子運行速度的最小值為0.01；LVQ神經網絡的迭代目標平均絕對相對誤差取5％；LVQ神經網絡在獲得PSO賦予的最優網絡初始連接權值後自身的最大學習迭代步數取100步。高頻子序列的各IMF分量分別建立PSO優化的LVQ神經網絡進行訓練的本質是利用PSO選擇LVQ神經網絡的初始連接權值，使得優化的LVQ神經網絡能夠更好地追蹤高頻子序列所轄的各個IMF分量風速數據的極端突變規律，實現高精度的中頻子序列的預測。進一步地，所述自我中頻基於CBA的極限學習機模型的構建步驟如下：(1)初始化蝙蝠算法；每隻蝙蝠的位置參數代表極限學習機的一組輸出權值和隱含層節點閾值，每隻蝙蝠的初始響度和脈衝速率均取0.5，蝙蝠個數50隻，迭代次數為100，每隻蝙蝠的飛行步長取值範圍為[0.001,0.05]；(2)以極限學習機的輸出風速平均絕對相對誤差達到設定值為蝙蝠算法的適應度引導函數，實時更新每隻蝙蝠的響度和脈衝速率，使得蝙蝠飛向極限學習機的輸入權值和隱含層節點閾值對應的最優解；在前50次迭代中，蝙蝠的飛行步長取最大值，從第51次迭代開始，蝙蝠的飛行步長取最小值；(3)利用(2)獲取的極限學習機的輸入權值和隱含層節點閾值對應的最優解，將風站的中頻子序列的各IMF分量作為極限學習機的輸入和輸出數據，進行極限學習機模型訓練，得到基於CBA的極限學習機模型；用於訓練的輸入數據中，每組數據的採集時間均比前一組輸入數據超前一個時刻，輸出數據的採集時間比最後一組輸入數據超前一個時刻。利用所建立的CBA優化的極限學習機對風速中頻子序列中的各個IMF風速分量完成超前多步預測計算，以獲得各自IMF分量對應的風速超前多步預測值。所建立的極限學習機均採用3個輸入神經元和1個輸出神經元的結構，即：極限學習機需要同步用3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CBA優化的極限學習機完成訓練後，只要對極限學習機的3個輸入神經元埠輸入3個對應的風速數據，極限學習機就能自動輸出1個風速預測值。極限學習機模型的迭代目標平均絕對相對誤差取5％，在CBA優化選擇極限學習機的初始輸入權值和隱含層節點閾值階段及極限學習機在獲得CBA算法尋優後賦值階段，極限學習機的最大迭代步數均取200步。對中頻子序列的各IMF分量分別建立CBA優化的極限學習機進行訓練的本質是利用變步長自適應蝙蝠算法優化極限學習機的初始輸入權值與隱含層節點閾值，使得優化的極限學習機能夠更好地追蹤中頻子序列所轄的各個IMF分量風速數據的突變規律，實現高精度的中頻子序列的預測。蝙蝠的飛行步長隨著迭代次數的遞增自動地改變，保證了蝙蝠算法對極限學習機在風速預測上的全局搜索能力，使在算法尋優的前面50步迭代時取最大值，目的是避免算法過早的陷入局部最優解；隨著迭代次數的增加(即從50步開始到100步為止)，蝙蝠的飛行步長主動減小，取最小值，從而使蝙蝠算法在後期快速收斂，得到更準確的解。進一步地，所述自我低頻RARIMA模型的構建步驟如下：(1)利用非參數遊輪檢驗法對各個低頻子序列所分解獲得的全部IMF分量風速數據進行數據平穩性檢驗；如遇到某IMF分量風速數據呈現非平穩性，則對該段IMF分量風速數據進行差分計算直到其顯示平穩性為止；(2)對各個低頻子序列所分解獲得對經過步驟1平穩性檢驗後的全部IMF分量風速數據進行樣本自相關和樣本偏相關計算，並根據各自分量風速數據的自相關和偏相關值確定RARIMA模型的最優類型和最優階次；(3)對步驟2所獲得的RARIMA模型的最優類型和最優階次，利用極大似然法求解各個IMF分量風速數據對應RARIMA模型的方程係數，將風站的低頻子序列的各IMF分量作為RARIMA模型的輸入數據，形成自我低頻RARIMA模型。在超前多步的預測過程中，不斷地利用最新的預測值實時更新RARIMA模型的方程係數。RARIMA模型方程實際上就是一個自相關表達式，也就是描述當前風速值與歷史風速值的關係。比如說，對低頻子序列裡面的全部IMF分量都建立RARIMA模型，也是用各個IMF分量數據擬合出不同參數的RARIMA模型。正如後面實例中所述，某IMF分量有500個數據，就建立一個RARIMA模型。所以可以認為，RARIMA模型沒有所謂的輸入和輸出數據，就是對某段IMF分量數據建立一個自相關表達式，這樣但需要預測時候，就輸入歷史時刻的數據，獲得當前時刻的數據，以此類推，一直到獲得所要時刻對應的風速預測值為止。對低頻子序列的各個IMF分量建立RARIMA模型的原因是：相對於中、高頻子序列所分解後的各個IMF分量，低頻子序列所轄的各個IMF分量更加平穩。通過本專利前面所採用的無跡卡爾曼濾波法和1層小波法去噪後，低頻子序列的風速數據已沒有包含風速跳躍數據。此時採用統計數學領域的RARIMA模型來實現擬合處理是明智的，可以做到擬合精度和輸出實時性的兼顧。在這個步驟內容中，非參數優輪檢驗法、差分計算和RARIMA模型的計算步驟均屬於統計數學中的現有算法。進一步地，所述氣象-目標測風站超前多步預測模型的構建步驟如下：(1)利用ACO隨機產生Elman神經網模型的連接權值的種群；(2)以實現最小風速平均絕對相對誤差達到設定值作為ACO算法的訓練方向，進行ACO算法的訓練學習流程，使得初始化螞蟻種群中的螞蟻通過迭代不斷靠近最優的解，輸出最優的Elman神經網絡初始連接權值和隱含層閾值；(3)將上述步驟經過ACO訓練所獲得的初始連接權值和閾值對Elman神經網絡進行設置，將氣壓、溫度、溼度以及目標測風站的第二層低頻分量數據作為Elman神經網絡進行對風速的學習和訓練的輸入和輸出數據，形成氣象-目標測風站超前多步預測模型；用於訓練的輸入數據中，每組數據的採集時間均比前一組輸入數據超前一個時刻，輸出數據的採集時間比最後一組輸入數據超前一個時刻。利用所建立的ACO優化的Elman神經網絡對氣壓、溫度、溼度以及目標測風站的第二層低頻風速分量數據這4種對象完成超前多步預測計算，以獲得各種對象對應的超前多步預測值。所建立的Elman神經網絡採用4個輸入神經元和1個輸出神經元的結構，即：Elman神經網絡需要同步用4組上述4種對象的數據和1組輸出風速數據對網絡進行學習和訓練；當ACO優化的Elman神經網絡完成訓練後，只要對Elman神經網絡的4個輸入神經元埠分別輸入4個上述4種對象的數據，Elman神經網絡就能自動輸出1個風速預測值。初始種群螞蟻數量取100，螞蟻信息素重要程度因子取0.5，螞蟻啟發函數重要程度因子取1，螞蟻信息素揮發因子取0.1。ACO優化選擇Elman神經網絡時的迭代次數取50次。Elman神經網絡的迭代目標平均絕對相對誤差取5％。Elman神經網絡在獲得ACO賦予的最優網絡初始連接權值後自身的最大學習迭代步數取100步。進一步地，步驟2中所述的濾波處理採用無跡卡爾曼濾波法。進一步地，所述用於步驟3中構建模型的輔助測風站是指按照以下方法選出的m個輔助測風站：首先，對經過步驟2濾波後的風速樣本集合採用自適應噪聲完整集成經驗模態進行分解；其次，對分解後的數據進行濾波處理；接著，將再次濾波後的數據進行信號重構，得到各測風站的風速重構數據；將各輔助測風站的風速重構數據與目標測風站的風速重構數據進行相關性檢驗，按相關度從高到低排序，選出與目標測風站風速重構數據相關度排名前m組輔助測風站的風速重構數據和對應的m個輔助測風站；其中，m為整數，取值範圍為[3，60％N]。有益效果與現有技術相比，本發明具有以下優點：1.融入了空間、時間、氣象、物理等多種元素，利用了輔助測風站數據、目標測風站數據、歷史氣象數據、數值天氣預報數據等多種數據，保證了數據的多樣性。2.將統計方法、物理方法、學習方法有機結合，提高了預測的可靠性。3.4個基本模型在預測過程中存在數據交織，減少了計算量；4種模型通過標準的貝葉斯組合模型進行加權融合，自適應地調整權值，提高了預測的穩定性。保證在任何一種內在嵌入預測模型時效的情況下，本發明所提出的基於多模型多特徵策略的風速預測方法仍然能夠準確地輸出最終的風速超前多步預測值，用於強風環境下的鐵路行車調度指揮。在所提出的第1種模型中，通過無跡卡爾曼濾波法和小波法對目標測風站和輔助測風站的全部原始風速數據進行了濾波去噪處理，使得後面用於相關性計算和預測的風速數據最大限度地保持了純淨性和規律潛在性。此外，利用FEEMD算法對濾波去噪後的風速數據進行了多層分解，產生了更多的風速數據樣本用於後期的建模。分解後的風速數據按照他們的跳躍頻率的不同分為了低頻、中頻和高頻三擋，並通過不同的組合預測模型對這三類進行分別預測，兼顧了最終預測模型的精度和實時性。例如，對低頻子序列的IMF分量建立簡單的RARIMA模型，對中頻子序列的IMF分量建立中等精度的CBA優化後的極限學習機模型，對高頻子序列的IMF分解則建立了高精度的PSO優化的LVQ神經網絡預測模型。僅僅就這三類針對不同頻率的混合預測模型而言，技術人員不經過創新就難以獲得的。而本專利不對用這三類混合預測模型直接實現最終的預測，而是把他們的預測值又重新地輸入到新建的Adaboost-BP混合神經網絡預測模型中，巧妙地把輔助測風站和目標測風站聯繫在了一起，實現了高精度的風速預測。第2種模型不建立輔助測風站和目標測風站的空間預測模型，而是把預測精度放到了目標測風站自身，最終直接依靠所建的IMF分量的預測模型群實現預測輸出。第3種模型巧妙地引入了氣壓、溼度和氣溫三個對象，使得所建預測模型的健壯性能得到提升。第4種模型的建立融入了現代高速鐵路沿線普遍採用的數值天氣預報的技術。附圖說明圖1為本發明所述方法的原理流程圖；圖2為本發明中模型1的Adaboost優化的BP神經網絡訓練圖；圖3為本發明中模型1的目標測風站超前多步預測模型圖；圖4為本發明中模型2的目標測風站超前多步預測模型圖；圖5為本發明中目標測風站A的1層小波分解圖；圖6為本發明中模型3的目標測風站2層小波分解圖；圖7為利用本發明所提出的預測方法所獲得的鐵路風速預測結果示意圖；圖8為利用傳統單種ELMAN神經網絡模型所獲得的鐵路風速預測結果示意圖；圖9為利用傳統單種ARIMA模型所獲得的鐵路風速預測結果示意圖。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，一種多模型多特徵融合的高速鐵路沿線風速預測方，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；步驟2：對輔助測風站數據和目標測風站數據依次進行濾波和1層深度小波分解，提取低頻數據部分；步驟3：利用低頻數據構建空間-目標測風站超前多步預測模型、自我-目標測風站超前多步預測模型以及氣象-目標測風站超前多步預測模型；步驟4：將空間-目標測風站超前多步預測模型、自我-目標測風站超前多步預測模型以及氣象-目標測風站超前多步預測模型獲得的目標測風站超前多步預測值和天氣預報目標測風站風速預測值輸入貝葉斯組合模型，獲取最終的目標測風站預測值；其中，空間-目標測風站超前多步預測模型預測風速值的步驟如下：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。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}2、用無跡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}3、對濾波後的各數據分別用1層小波分解的Mallat塔式算法去除高頻跳躍特徵，取低頻數據：目標測風站A小波分解後的低頻數據：{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：{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：{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：{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：{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：{f″1,f″2,f″3...,f″499,f″500}4、對各輔助測風站低頻數據通過Frechet距離分別和目標測風站低頻數據進行顯著性檢驗，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。5、對目標測風站和選出的B、C、D輔助測風站的低頻數據分別進行FEEMD分解，得到下述分量：目標測風站A：AIMF1,AIMF2,...AIMFn,AR輔助測風站B：BIMF1,BIMF2,...BIMFn,BR輔助測風站C：CIMF1,CIMF2,...CIMFn,CR輔助測風站D：DIMF1,DIMF2,...DIMFn,DR6、對3個輔助測風站分解後的各IMF分量按頻率分為低頻、中頻、高頻3種子序列，對低頻子序列的各IMF分量分別建立RARIMA進行訓練，對中頻子序列的各IMF分量分別建立CBA優化的極限學習機進行訓練，高頻子序列的各IMF分量分別建立PSO優化的LVQ神經網絡進行訓練，最終通過迭代得到各IMF分量的超前多步預測值。高頻基於PSO的LVQ神經網絡模型的具體構建步驟如下：利用PSO生成的初始種群數量設置取50，PSO優化選擇LVQ神經網絡時的迭代次數取200次，粒子運行速度最大值為0.5，粒子運行速度的最小值為0.01；LVQ神經網絡的迭代目標平均絕對相對誤差取5％；LVQ神經網絡在獲得PSO賦予的最優網絡初始連接權值後自身的最大學習迭代步數取100步。(1)利用PSO隨機產生LVQ模型的連接權值的粒子種群，每個粒子代表一組LVQ模型的初始連接權值；(2)以實現最小風速平均絕對相對誤差達到設定值作為PSO算法的訓練方向，完成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LVQ神經網絡初始連接權值；(3)將經過前面兩個步驟中PSO訓練所獲得的LVQ神經網絡初始連接權值對LVQ神經網絡進行設置，將輔助測風站和目標測風站的高頻子序列的各IMF分量作為神經網絡的輸入數據，完成LVQ神經網絡自身對風速的學習和訓練，形成自我高頻子序列風速數據高精度預測的PSO-LVQ混合模型。高頻子序列的各IMF分量分別建立PSO優化的LVQ神經網絡進行訓練的本質是利用PSO選擇LVQ神經網絡的初始連接權值，使得優化的LVQ神經網絡能夠更好地追蹤高頻子序列所轄的各個IMF分量風速數據的極端突變規律，實現高精度的中頻子序列的預測。例如，風速高頻子序列裡面有2組中頻IMF風速分量(假如分別稱為IMF1和IMF2)，他們的風速數據長度均為500。IMF1分量有500個風速樣本數據，那麼將第1-497個風速樣本作為LVQ神經網絡的第1個輸入神經元的輸入風速數據，將第2-498個風速數據作為LVQ神經網絡的第2個輸入神經元的輸入風速數據，將第3-499個風速數據作為LVQ神經網絡的第3個輸入神經元的輸入風速數據，將第4-500個風速數據作為LVQ神經網絡的唯一輸出神經元的輸出風速數據，然後同步地將這些風速數據組加載到LVQ神經網絡模型上，按照所述的PSO算法優化LVQ神經網絡的步驟完成全部的學習和訓練。當PSO-LVQ神經網絡混合模型完成學習後，對LVQ神經網絡的第1個輸入神經元輸入IMF1分量的第498個風速數據，對LVQ神經網絡的第2個輸入神經元輸入IMF1分量的第499個風速數據，對LVQ神經網絡的第3個輸入神經元輸入IMF1分量的第500個風速數據，那麼LVQ神經網絡將自動輸出1個風速值，該值即為IMF1分量的第501個風速預測值(也就是說，上述步驟實現了利用IMF1分量的第1-500個已有的分解風速樣本獲得了超前1步預測值，即第501個風速預測值)。以此類推，進行多步迭代計算，對LVQ神經網絡的第1個輸入神經元輸入IMF1分量的第499個風速數據，對LVQ神經網絡的第2個輸入神經元輸入IMF1分量的第500個風速數據，對LVQ神經網絡的第3個輸入神經元輸入經過前面超前1步預測已經獲得的第501個風速預測值，那麼LVQ神經網絡將再次自動輸出1個風速值，那麼該值即為IMF1分量的第502個風速預測值(也就是上述步驟利用IMF1分量的第1-500個已有的風速樣本經過超前2步預測所獲得的第502個風速預測值)。就這樣，PSO算法優化後的LVQ神經網絡可以對IMF1分量完成所需任意步數的超前多步風速預測計算。高頻風速子序列中的其他分解分量(如IMF2分量)通過PSO-LVQ神經網絡混合模型所獲得的超前多步風速預測值的步驟與上述的IMF1分量的步驟一樣。中頻基於CBA的極限學習機模型的構建步驟如下：極限學習機模型的迭代目標平均絕對相對誤差取5％，在CBA優化選擇極限學習機的初始輸入權值和隱含層節點閾值階段及極限學習機在獲得CBA算法尋優後賦值階段，極限學習機的最大迭代步數均取200步。(1)初始化蝙蝠算法；每隻蝙蝠的位置參數代表極限學習機的一組輸出權值和隱含層節點閾值，每隻蝙蝠的初始響度和脈衝速率均取0.5，蝙蝠個數50隻，迭代次數為100，每隻蝙蝠的飛行步長取值範圍為[0.001,0.05]；(2)以極限學習機的輸出風速平均絕對相對誤差達到設定值為蝙蝠算法的適應度引導函數，實時更新每隻蝙蝠的響度和脈衝速率，使得蝙蝠飛向極限學習機的輸入權值和隱含層節點閾值對應的最優解；在前50次迭代中，蝙蝠的飛行步長取最大值，從第51次迭代開始，蝙蝠的飛行步長取最小值；(3)利用(2)獲取的極限學習機的輸入權值和隱含層節點閾值對應的最優解，將風站的中頻子序列的各IMF分量作為極限學習機的輸入和輸出數據，進行極限學習機模型訓練，得到基於CBA的極限學習機模型；用於訓練的輸入數據中，每組數據的採集時間均比前一組輸入數據超前一個時刻，輸出數據的採集時間比最後一組輸入數據超前一個時刻。例如，風速中頻子序列裡面有2組中頻IMF風速分量(假如分別稱為IMF1和IMF2)，他們的風速數據長度均為500。IMF1分量有500個風速樣本數據，那麼將第1-497個風速樣本作為極限學習機的第1個輸入神經元的輸入風速數據，將第2-498個風速數據作為極限學習機的第2個輸入神經元的輸入風速數據，將第3-499個風速數據作為極限學習機的第3個輸入神經元的輸入風速數據，將第4-500個風速數據作為極限學習機的唯一輸出神經元的輸出風速數據，然後同步地將這些風速數據組加載到極限學習機模型上，按照所述的CBA算法優化極限學習機模型的步驟完成全部的學習和訓練。當CBA-極限學習機混合模型完成學習後，對極限學習機的第1個輸入神經元輸入IMF1分量的第498個風速數據，對極限學習機的第2個輸入神經元輸入IMF1分量的第499個風速數據，對極限學習機的第3個輸入神經元輸入IMF1分量的第500個風速數據，那麼極限學習機將自動輸出1個風速值，該值即為IMF1分量的第501個風速預測值(也就是說，上述步驟實現了利用IMF1分量的第1-500個已有的分解風速樣本獲得了超前1步預測值，即第501個風速預測值)。以此類推，進行多步迭代計算，對極限學習機的第1個輸入神經元輸入IMF1分量的第499個風速數據，對極限學習機的第2個輸入神經元輸入IMF1分量的第500個風速數據，對極限學習機的第3個輸入神經元輸入經過前面超前1步預測已經獲得的第501個風速預測值，那麼極限學習機將再次自動輸出1個風速值，那麼該值即為IMF1分量的第502個風速預測值(也就是上述步驟利用IMF1分量的第1-500個已有的風速樣本經過超前2步預測所獲得的第502個風速預測值)。就這樣，CBA算法優化後的極限學習機可以對IMF1分量完成所需任意步數的超前多步風速預測計算。中頻風速子序列中的其他分解分量(如IMF2分量)通過CBA-極限學習機混合模型所獲得的超前多步風速預測值的步驟與上述的IMF1分量的步驟一樣。對中頻子序列的各IMF分量分別建立CBA優化的極限學習機進行訓練的本質是利用變步長自適應蝙蝠算法優化極限學習機的初始輸入權值與隱含層節點閾值，使得優化的極限學習機能夠更好地追蹤中頻子序列所轄的各個IMF分量風速數據的突變規律，實現高精度的中頻子序列的預測。蝙蝠的飛行步長隨著迭代次數的遞增自動地改變，保證了蝙蝠算法對極限學習機在風速預測上的全局搜索能力，使在算法尋優的前面50步迭代時取最大值，目的是避免算法過早的陷入局部最優解；隨著迭代次數的增加(即從50步開始到100步為止)，蝙蝠的飛行步長主動減小，取最小值，從而使蝙蝠算法在後期快速收斂，得到更準確的解。低頻RARIMA模型的構建步驟如下：(1)利用非參數遊輪檢驗法對各個低頻子序列所分解獲得的全部IMF分量風速數據進行數據平穩性檢驗；如遇到某IMF分量風速數據呈現非平穩性，則對該段IMF分量風速數據進行差分計算直到其顯示平穩性為止；(2)對各個低頻子序列所分解獲得對經過步驟1平穩性檢驗後的全部IMF分量風速數據進行樣本自相關和樣本偏相關計算，並根據各自分量風速數據的自相關和偏相關值確定RARIMA模型的最優類型和最優階次；(3)對步驟2所獲得的RARIMA模型的最優類型和最優階次，利用極大似然法求解各個IMF分量風速數據對應RARIMA模型的方程係數，形成自我低頻RARIMA模型；在超前多步的預測過程中，不斷地利用最新的預測值實時更新RARIMA模型的方程係數。7、如圖2所示，對高頻序列、中頻序列、低頻序列分別建模，各序列均以B、C、D輔助測風站的各IMF分量為輸入，均以目標測風站的各IMF分量為輸出，均採用Adaboost優化的BP神經網絡進行訓練。8、如圖3所示，對預測得到的B、C、D輔助測風站超前多步預測值帶入訓練好的Adaboost優化的BP神經網絡，再進行信號重構，最終得到目標測風站的超前多步風速預測值。Adaboost的BP神經網絡模型包括了10個BP神經網絡作為弱學習器，以風速預測的平均絕對相對誤差超過5％的BP神經網絡視為需要加強學習的對象，BP神經網絡的最大迭代步數取300步。比如，經過篩選出的輔助測風站有3個，經過FEEMD分解後，他們共計擁有20組IMF分量，每個分量都有500個風速數據，同時這20組分量被劃分到低頻、中頻和高頻三組不同的子序列中。為了輸入這共20組IMF分量，每個BP神經網絡就需要有20個輸入神經元個數。換句話說，每個BP神經網絡的輸入數據就是經過被篩選出的輔助測風站所擁有的全部的IMF分量。目標測風站經過FEEMD分解後擁有5組IMF分量，那麼他們將作為每個BP神經網絡的輸出數據，對每個BP神經網絡進行學習訓練。因為對不同的風速樣本數據，FEEMD分解產生的IMF分量數目是不一樣的，所以BP神經網絡的輸入神經元和輸出神經元個數也是動態的，分別取決於篩選出的輔助測風站和目標測風站最後擁有幾個IMF分量數目。但對同一組相同的風速樣本數據而言，不管他們是來自輔助測風站還是來自目標測風站，經過FEEMD分解後所產生的IMF分量數目是固定的，也就是說對應的10個BP神經網絡的輸入神經元和輸出神經元個數也是固定的。在Adaboost-BP神經網絡混合模型中，每個BP神經網絡的結構即輸入神經元和輸出神經元個數都是一樣的，但對鐵路沿線不同的風速數據樣本而言，每次所建立的BP神經網絡又是不同的。自我-目標測風站超前多步預測模型進行風速預測的具體步驟如下：1、目標測風站採用與第1個預測模型相同的原始數據，將目標測風站原始風速數據用無跡卡爾曼濾波法進行處理，去除風速數據中潛在的誤差。目標測風站A的原始風速數據：{a1,a2,a3...,a499,a500}目標測風站A濾波後的風速數據：{a1′,a′2,a3′...,a′499,a5′00}2、對濾波後的數據用1層小波分解的Mallat塔式算法去除高頻跳躍特徵，取低頻數據：目標測風站A小波分解後的低頻數據：{a″1,a″2,a″3...,a″499,a″500}3、對目標測風站的低頻數據進行FEEMD分解，得到下述分量：目標測風站A：AIMF1,AIMF2,...AIMFn,AR4、如圖4所示，對分解後的各IMF分量按頻率分為低頻、中頻、高頻3種子序列，對低頻子序列的各IMF分量分別建立RARIMA進行訓練，對中頻子序列的各IMF分量分別建立CBA優化的極限學習機進行訓練，高頻子序列的各IMF分量分別建立PSO優化的LVQ神經網絡進行訓練，最終通過迭代得到各IMF分量的超前多步預測值。5、對各分量加權計算，重構信號，得到目標測風站的超前多步風速預測值。氣象-目標測風站超前多步預測模型進行風速預測的具體步驟如下：1、目標測風站採用與第1個預測模型相同的原始數據，將目標測風站原始風速數據用無跡卡爾曼濾波法進行處理，去除風速數據中潛在的誤差。目標測風站A的原始風速數據：{a1,a2,a3...,a499,a500}目標測風站A濾波後的風速數據：{a′1,a′2,a′3...,a′499,a′500}2、如圖5所示，對濾波後的數據用1層小波分解的Mallat塔式算法去除高頻跳躍特徵，取低頻數據A1：目標測風站A小波分解後的低頻數據A1：{a″1,a″2,a″3...,a″499,a″500}3、如圖6所示，對低頻數據A1再使用Mallat塔式算法進行2層深度的小波分解，取第2層低頻分量A111：目標測風站A小波分解後的低頻數據A111：{a″′1,a″′2,a″′3...,a″′499,a″′500}4、對歷史氣壓、溼度、氣溫和兩次小波分解得到的低頻分量建立ACO優化的Elman神經網絡進行訓練，得到超前一步預測。初始種群螞蟻數量取100，螞蟻信息素重要程度因子取0.5，螞蟻啟發函數重要程度因子取1，螞蟻信息素揮發因子取0.1。ACO優化選擇Elman神經網絡時的迭代次數取50次。Elman神經網絡的迭代目標平均絕對相對誤差取5％。Elman神經網絡在獲得ACO賦予的最優網絡初始連接權值後自身的最大學習迭代步數取100步。(1)利用ACO隨機產生Elman神經網模型的連接權值的種群；(2)以實現最小風速平均絕對相對誤差達到設定值作為ACO算法的訓練方向，進行ACO算法的訓練學習流程，使得初始化螞蟻種群中的螞蟻通過迭代不斷靠近最優的解，輸出最優的Elman神經網絡初始連接權值和隱含層閾值；(3)將上述步驟經過ACO訓練所獲得的初始連接權值和閾值對Elman神經網絡進行設置，將氣壓、溫度、溼度以及目標測風站的第二層低頻分量數據作為Elman神經網絡進行對風速的學習和訓練的輸入和輸出數據，形成氣象-目標測風站超前多步預測模型；用於訓練的輸入數據中，每組數據的採集時間均比前一組輸入數據超前一個時刻，輸出數據的採集時間比最後一組輸入數據超前一個時刻。利用所建立的ACO優化的Elman神經網絡對氣壓、溫度、溼度以及目標測風站的第二層低頻風速分量數據這4種對象完成超前多步預測計算，以獲得各種對象對應的超前多步預測值。所建立的Elman神經網絡採用4個輸入神經元和1個輸出神經元的結構，即：Elman神經網絡需要同步用4組上述4種對象的數據和1組輸出風速數據對網絡進行學習和訓練；當ACO優化的Elman神經網絡完成訓練後，只要對Elman神經網絡的4個輸入神經元埠分別輸入4個上述4種對象的數據，Elman神經網絡就能自動輸出1個風速預測值。比如，某時刻用上述氣壓、溫度、溼度以及目標測風站的第二層低頻風速這4種對象的樣本數據，他們的數據長度均為500。將氣壓的第1-499個樣本作為Elman神經網絡的第1個輸入神經元的輸入數據，將溫度數據的第1-499個樣本作為Elman神經網絡的第2個輸入神經元的輸入數據，將溼度數據的第1-499個樣本作為Elman神經網絡的第3個輸入神經元的輸入數據，將目標測風站的第二層低頻風速的第1-499個樣本作為Elman神經網絡的第4個輸入神經元的輸入數據，將目標測風站的第二層低頻風速的第2-500個樣本作為Elman神經網絡的唯一的1個輸出神經元的輸出數據，然後同步地將這些數據組加載到Elman神經網絡上，按照所述的ACO算法優化Elman神經網絡模型的步驟完成全部的學習和訓練。當ACO-Elman神經網絡混合模型完成學習後，對Elman神經網絡的第1個輸入神經元輸入氣壓對象的第500個樣本數據，對Elman神經網絡的第2個輸入神經元輸入溫度對象的第500個樣本數據，對Elman神經網絡的第3個輸入神經元輸入溼度對象的第500個樣本數據，對Elman神經網絡的第4個輸入神經元輸入目標測風站的第二層低頻風速對象的第500個樣本數據，那麼Elman神經網絡將自動輸出1個風速值，該值即為目標測風站的第二層低頻風速對象的第501個風速預測值(也就是說，上述步驟實現了利用上述4種不同對象的第1-500個樣本數據獲得了目標測風站風速對象的超前1步預測值，即第501個風速預測值)。以此類推，進行多步迭代計算，繼續對Elman神經網絡的第1個、第2個和第3個輸入神經元分別輸入氣壓、溫度和溼度的最新實測數據，即他們對應的第501個實測數據，然後同時對Elman神經網絡的第4個輸入神經元輸入利用上述步驟獲得的第501個風速預測值，那麼Elman神經網絡將再次自動輸出1個風速值，目標測風站的第二層低頻風速對象的第502個風速預測值(也就是說，上述步驟實現了利用氣壓、溫度和溼度這3種不同對象的第1-500個樣本數據以及他們對應的最新第501個實測值，獲得了目標測風站風速對象的超前2步預測值，即第502個風速預測值)。就這樣，ACO算法優化後的Elman神經網絡可以對目標測風站風速對象完成所需任意步數的超前多步風速預測計算。值得一提的是，在上述的Elman神經網絡的超前多步迭代的計算過程中，只有風速對象不斷地進行了遞增輸入的步驟，其他3個氣象對象(即氣壓、氣溫和溼度)都是採用了他們的實測值。這樣本發明不僅有效地利用風速自身的規律，而且有效地利用了其他3個氣象對象的數據潛在貢獻，因此獲得了對目標測風站風速對象高精度預測的成功。5、將數值天氣預報相應時刻氣壓、溼度、氣溫的預測值和超前一步預測值帶入神經網絡，最終迭代得到目標測風站的超前多步預測值。第4個預測模型包括以下步驟：1、由數值天氣預報得到目標測風站的風速預測值。用貝葉斯組合模型來綜合上述4個基本預測模型的預測結果。其中，在計算t+1時刻風速預測時，貝葉斯組合模型中4個基本預測模型的權值迭代從前t時刻開始。本實例取t＝500。利用本發明所提出的預測方法實現風速預測的結果如圖7所示。利用現有ELMAN神經網絡模型實現風速預測的結果如圖8所示。利用現有ARIMA模型實現風速預測的結果如圖9所示。利用公式(1-3)對圖7-圖9所示的預測結果進行精度指標計算，結果見表1和表2。平均絕對誤差:平均絕對相對誤差:均方根誤差: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：利用本發明所提出預測方法的預測精度平均絕對誤差0.2940m/s平均絕對相對誤差1.51％均方根誤差0.2821m/s表2：利用現有ELMAN神經網絡模型的預測精度平均絕對誤差1.6961m/s平均絕對相對誤差7.99％均方根誤差2.2125m/s表3：利用現有ARIMA模型的預測精度平均絕對誤差1.7237m/s平均絕對相對誤差8.54％均方根誤差1.8426m/s從圖7、圖8和圖9，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。當前第1頁1 2 3