CN102122004A - 铁路防灾风预测方法 - Google Patents
铁路防灾风预测方法 Download PDFInfo
- Publication number
- CN102122004A CN102122004A CN2010105949024A CN201010594902A CN102122004A CN 102122004 A CN102122004 A CN 102122004A CN 2010105949024 A CN2010105949024 A CN 2010105949024A CN 201010594902 A CN201010594902 A CN 201010594902A CN 102122004 A CN102122004 A CN 102122004A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- wind
- order difference
- model
- current time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了铁路防灾报警与监控技术领域中的一种铁路防灾风预测方法。包括获取当前时刻测量点的风速和风向数据;计算当前时刻测量点的风速和风向的一阶差分、二阶差分和三阶差分;调取当前时刻之前三个连续时刻的风速和风向数据、一阶差分、二阶差分和三阶差分,建立风速和风向模型辨识方程;根据风速和风向模型辨识方程,建立四元一次方程组,通过高斯消元法,获得风速和风向的模型参数;根据平均滑动系数更新模型参数;根据更新的模型参数计算下一个时刻的风速和风向数据。本发明提高了预测精度和预测结果的准确性。
Description
技术领域
本发明属于铁路防灾报警与监控技术领域,尤其涉及一种铁路防灾风预测方法。
背景技术
随着国内铁路技术的发展,特别是近年来高速铁路的发展,对铁路安全以及由地质、天气与人为因素造成的灾害性后果的报警要求越来越高。强风报警已成为中国铁路防灾系统的一个组成部分,由于气象因素中的风因素与该地的地型、气候、地面因素等有着密切的关系,同时风速作为一个随机信号,其发生有很大的不确定性,很难做出准确的预测。为了更好的使调度部门以及工务部门能够更早的得到下一个时间段风速以及风向情况,风预测成为风报警子系统的一项非常重要的技术。
目前,铁路防灾系统中,利用风变化趋势以及长期风变化趋势的特征来预测下一个时段的平均风速大小以及风向变化的情况,其技术原理是:
首先,建立基于风速以及风向变化导数的微分模型,即微分方程式
为风速变化导数的微分模型。该式中,Vt,V′t,V″t,V′″t分别为t时刻的风速值,t时刻风速的一阶微分,t时刻风速的二阶微分以及t时刻风速的三阶微分。A,B,C,D分别为模型常数,Vt+1为t+1时刻风速值,由微分多项式(1)可以直接算出Vt+1。
风向变化导数的微分模型为
也即风向变化导数的微分方程式。该式中,Dt,D′t,D″t,D′″t分别为t时测风点的风向值,t时刻风向的一阶微分,t时刻风向的二阶微分以及t时刻风向的三阶微分。a,b,c,d分别为模型常数,Dt+1为t+1时刻风向值,由微分多项式(2)可以直接算出Dt+1。
上述模型常数A,B,C,D以及a,b,c,d与每一个测风点每一时刻的风变化特征有关,如地面粗糙度等有关。因此,如果能够精确辨识以上8个参数,就可以得到预测模型的微分多项式,通过微分多项式,可以计算出下一个时间段,风速以及风向的数据。
对于一个测风点,其测量数据为风速、风向、时间的连续数据组,称为风样本点,对于有限个风样本点,采用一阶差分代替一阶微分,采用二阶差分代替二阶微分,采用三阶差分代替三阶微分,这样每六个样本点可以得到一组变化导数的微分方程式,包括四个连续微分方程式。采用四个连续风速变化导数的微分方程式,可以算出一组模型常数A,B,C,D的值。同样地,采用四个风向变化导数的微分方程式,可以算出一组模型常数a,b,c,d的值。对于N+6个连续点,可以计算得到N组不同的模型常数A,B,C,D以及a,b,c,d的值。这些数值分别表示为A0,A1,...,AN-1、B0,B1,...,BN-1、C0,C1,...,CN-1、D0,D1,...,DN-1以及a0,a1,...,aN-1、b0,b1,...,bN-1、c0,c1,...,cN-1、d0,d1,...,dN-1。
利用A0,A1,...,AN-1、B0,B1,...,BN-1、C0,C1,...,CN-1、D0,D1,...,DN-1,分别计算模型常数A,B,C,D的数学期望,有
同理,能够计算模型常数a,b,c,d的数学期望。利用上述数学期望作为模型常数,可以计算下一时刻的风速风向数据。
然而,由于风速与风向测量是一个实时及连续的过程,须对风测量点的实时风速和实施风向进行风预测,并且测量过程中需要对风预测参数进行实时更新,因此直接使用数学期望结果进行计算,无法满足实时性以及连续性要求。
发明内容
本发明的目的在于,针对目前使用的风预测方法无法满足实时性以及连续性要求,提出一种铁路防灾风预测方法,使风测量点的预测模型进行实时更新,使风预测系统具有自学习以及自更新功能。
技术方案是,一种铁路防灾风预测方法,其特征是所述方法包括:
步骤1:获取当前时刻测量点的风速和风向数据;
步骤2:计算当前时刻测量点的风速的一阶差分、二阶差分和三阶差分,并计算当前时刻测量点的风向的一阶差分、二阶差分和三阶差分;
步骤3:调取当前时刻之前三个连续时刻的风速和风向数据、一阶差分、二阶差分和三阶差分,建立风速和风向模型辨识方程;
步骤4:判断建立的风速和风向模型辨识方程是否都达到4个,如果是,则执行步骤6;否则,执行步骤5;
步骤5:获取下一时刻测量点的风速和风向数据,并以下一时刻作为当前时刻,返回步骤2;
步骤6:分别根据风速和风向模型辨识方程,建立四元一次方程组,通过高斯消元法,获得风速和风向的模型参数;
步骤7:根据平均滑动系数更新模型参数;
步骤8:根据更新的模型参数计算下一个时刻的风速和风向数据。
所述平均滑动系数为0.95。
本发明将风变化的历史数据以及风测量点的风变化规律加入到数据模型中,与常用线性变化模型相比,提高了预测精度;同时本模型具有学习能力,在数据处理的过程中,通过对模型参数的辨识更新,实时调整模型参数,提高预测结果的准确性。
附图说明
图1是铁路防灾风预测方法流程图。
具体实施方式
下面结合附图,对优选实施例作详细说明。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。
图1是铁路防灾风预测方法流程图,图1中,本发明提供的铁路防灾风预测方法包括:
步骤1:获取当前时刻测量点的风速和风向数据。
假设当前时刻为t,则获取的风速记为Vt,风向数据记为Dt。
步骤2:计算当前时刻测量点的风速的一阶差分、二阶差分和三阶差分,并计算当前时刻测量点的风向的一阶差分、二阶差分和三阶差分。
当前时刻t的风速Vt的一阶差分D(Vt)=Vt-Vt-1。
当前时刻t的风速Vt的二阶差分D(D(Vt))=D(Vt)-D(Vt-1),即D(D(Vt))=Vt-2Vt-1+Vt-2
当前时刻t的风速Vt的三阶差分D(D(D(Vt)))=Vt-3Vt-1+3Vt-2-Vt-3。
当前时刻t的风向Dt的一阶差分D(Dt)=Dt-Dt-1。
当前时刻t的风向Dt的二阶差分D(D(Dt))=Dt-2Dt-1+Dt-2。
当前时刻t的风向Dt的三阶差分D(D(D(Dt)))=Dt-3Dt-1+3Dt-2-Dt-3。
步骤3:调取当前时刻之前三个连续时刻的风速和风向数据、一阶差分、二阶差分和三阶差分,建立风速和风向模型辨识方程。
调取当前时刻之前三个连续时刻的风速和风向数据、取当前时刻之前三个连续时刻的风速和风向数据、一阶差分、二阶差分和三阶差分,即调取时刻t-1、t-2、t-3时刻的风速和风向数据以及风速和风向的一阶差分、二阶差分和三阶差分。
而后分别利用公式(1)和(2)建立风速和风向模型辨识方程。其中,公式(1)和(2)中的一阶微分、二阶微分和三阶微分分别使用相应的一阶差分、二阶差分和三阶差分代替。
由此,建立了关于参数A,B,C,D的风速模型辨识方程,它是一个四元一次方程;同时还建立了一个关于参数a,b,c,d的风向模型辨识方程,它也是一个四元一次方程。
步骤4:判断建立的风速和风向模型辨识方程是否都达到4个,如果是,则执行步骤6;否则,执行步骤5。
本发明的目的是求得参数A,B,C,D以及参数a,b,c,d,因此必须有4个四元一次方程组,才能计算出上述参数。
步骤5:获取下一时刻测量点的风速和风向数据,并以下一时刻作为当前时刻,返回步骤2。
利用下一个时刻数据以及下一个时刻之前的连续三个时刻的数据,又可以获得一个四元一次方程。依次类推,获得关于风速参数A,B,C,D的4个四元一次方程以及风向参数a,b,c,d的4个四元一次方程。
步骤6:分别根据风速和风向模型辨识方程,建立四元一次方程组,通过高斯消元法,获得风速和风向的预测模型参数。
当分别获得4个风速模型辨识方程后,将其联立成为四元一次方程组,通过高斯消元法,获得风速的预测模型参数A,B,C,D。同理,可以获得风向的预测模型参数a,b,c,d。
步骤7:根据平均滑动系数更新模型参数。
更新模型参数利用公式其中,XN为更新的模型参数,Xi为模型参数。平均滑动系数可调,本实施例设定平均滑动系数为0.95。根据上述公式,计算预测模型参数AN利用以此公式可以分别计算出AN,BN,CN,DN和aN,bN,cN,dN;N=1,2,3,...。
步骤8:根据更新的模型参数计算下一个时刻的风速和风向数据。
当获得AN,BN,CN,DN和aN,bN,cN,dN后,即可利用公式(1)与(2),计算下一个时刻的风速和风向数据。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (3)
1.一种铁路防灾风预测方法,其特征是所述方法包括:
步骤1:获取当前时刻测量点的风速和风向数据;
步骤2:计算当前时刻测量点的风速的一阶差分、二阶差分和三阶差分,并计算当前时刻测量点的风向的一阶差分、二阶差分和三阶差分;
步骤3:调取当前时刻之前三个连续时刻的风速和风向数据、一阶差分、二阶差分和三阶差分,建立风速和风向模型辨识方程;
步骤4:判断建立的风速和风向模型辨识方程是否都达到4个,如果是,则执行步骤6;否则,执行步骤5;
步骤5:获取下一时刻测量点的风速和风向数据,并以下一时刻作为当前时刻,返回步骤2;
步骤6:分别根据风速和风向模型辨识方程,建立四元一次方程组,通过高斯消元法,获得风速和风向的模型参数;
步骤7:根据平均滑动系数更新模型参数;
步骤8:根据更新的模型参数计算下一个时刻的风速和风向数据。
3.根据权利要求2所述的一种铁路防灾风预测方法,其特征是所述平均滑动系数K为0.95。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105949024A CN102122004A (zh) | 2010-12-17 | 2010-12-17 | 铁路防灾风预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105949024A CN102122004A (zh) | 2010-12-17 | 2010-12-17 | 铁路防灾风预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102122004A true CN102122004A (zh) | 2011-07-13 |
Family
ID=44250594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105949024A Pending CN102122004A (zh) | 2010-12-17 | 2010-12-17 | 铁路防灾风预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102122004A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103698555A (zh) * | 2013-12-24 | 2014-04-02 | 北京佳讯飞鸿电气股份有限公司 | 铁路防灾光纤风速风向监测系统 |
CN105068148A (zh) * | 2015-07-14 | 2015-11-18 | 北京金风科创风电设备有限公司 | 风电场阵风预测方法和系统 |
CN107765347A (zh) * | 2017-06-29 | 2018-03-06 | 河海大学 | 一种高斯过程回归和粒子滤波的短期风速预测方法 |
CN107991110A (zh) * | 2017-11-29 | 2018-05-04 | 安徽省通信息科技有限公司 | 一种履带式机器人滑动参数检测方法 |
CN108196316A (zh) * | 2017-12-26 | 2018-06-22 | 广州积雨云科技有限公司 | 一种自动校正的瞬时大风预警方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02123944A (ja) * | 1988-11-01 | 1990-05-11 | Meidensha Corp | 巻線温度予測方法 |
WO2003036333A1 (fr) * | 2001-10-19 | 2003-05-01 | Mitsubishi Heavy Industries, Ltd. | Procede de prevision de prévisions meteorologiques |
CN101055316A (zh) * | 2006-04-14 | 2007-10-17 | 三菱重工业株式会社 | 气体状况预测装置、方法、程序及扩散状况预测系统 |
CN101615219A (zh) * | 2009-08-04 | 2009-12-30 | 北京师范大学 | 一种模拟输移扩散问题的高精度差分方法 |
-
2010
- 2010-12-17 CN CN2010105949024A patent/CN102122004A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02123944A (ja) * | 1988-11-01 | 1990-05-11 | Meidensha Corp | 巻線温度予測方法 |
WO2003036333A1 (fr) * | 2001-10-19 | 2003-05-01 | Mitsubishi Heavy Industries, Ltd. | Procede de prevision de prévisions meteorologiques |
CN101055316A (zh) * | 2006-04-14 | 2007-10-17 | 三菱重工业株式会社 | 气体状况预测装置、方法、程序及扩散状况预测系统 |
CN101615219A (zh) * | 2009-08-04 | 2009-12-30 | 北京师范大学 | 一种模拟输移扩散问题的高精度差分方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103698555A (zh) * | 2013-12-24 | 2014-04-02 | 北京佳讯飞鸿电气股份有限公司 | 铁路防灾光纤风速风向监测系统 |
CN105068148A (zh) * | 2015-07-14 | 2015-11-18 | 北京金风科创风电设备有限公司 | 风电场阵风预测方法和系统 |
CN105068148B (zh) * | 2015-07-14 | 2017-06-27 | 北京金风科创风电设备有限公司 | 风电场阵风预测方法和系统 |
CN107765347A (zh) * | 2017-06-29 | 2018-03-06 | 河海大学 | 一种高斯过程回归和粒子滤波的短期风速预测方法 |
CN107765347B (zh) * | 2017-06-29 | 2020-06-16 | 河海大学 | 一种高斯过程回归和粒子滤波的短期风速预测方法 |
CN107991110A (zh) * | 2017-11-29 | 2018-05-04 | 安徽省通信息科技有限公司 | 一种履带式机器人滑动参数检测方法 |
CN107991110B (zh) * | 2017-11-29 | 2019-11-12 | 安徽省一一通信息科技有限公司 | 一种履带式机器人滑动参数检测方法 |
CN108196316A (zh) * | 2017-12-26 | 2018-06-22 | 广州积雨云科技有限公司 | 一种自动校正的瞬时大风预警方法 |
CN108196316B (zh) * | 2017-12-26 | 2020-03-31 | 广州风雨雷科技有限公司 | 一种自动校正的瞬时大风预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3206411B1 (en) | Arrangement and method for predicting road friction within a road network | |
US20220139092A1 (en) | Model generating apparatus, method and program, and prediction apparatus | |
Kim et al. | Urban traffic flow prediction system using a multifactor pattern recognition model | |
CN103903430B (zh) | 一种采用多源同构数据的行程时间动态融合预测方法 | |
Diamantopoulou et al. | Modelling total volume of dominant pine trees in reforestations via multivariate analysis and artificial neural network models | |
CN105741549B (zh) | 一种基于空间copula理论的交通流量预测方法 | |
CN104809333A (zh) | 基于Kalman滤波器的容量预测方法和系统 | |
CN105243435A (zh) | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 | |
CN102122004A (zh) | 铁路防灾风预测方法 | |
CN104506162A (zh) | 基于ls-svr建模的高阶粒子滤波器的故障预示方法 | |
CN103152826A (zh) | 一种基于nlos状态检测补偿的移动目标追踪方法 | |
Jiang et al. | Travel time prediction model for urban road network based on multi-source data | |
CN106354940B (zh) | 基于wasp水质模型不确定性输入的景观水水质模拟与预警方法 | |
CN114036605A (zh) | 基于自适应控制的卡尔曼滤波钢桁架桥梁结构参数监测方法 | |
Zhang et al. | A Gaussian kernel-based approach for modeling vehicle headway distributions | |
CN103235890A (zh) | 卫星短时临近降水预报系统及降水预报方法 | |
CN104008304A (zh) | 一种乏信息多传感器神经网络-熵测量不确定度评定方法 | |
Neal et al. | Adaptive space–time sampling with wireless sensor nodes for flood forecasting | |
Burlando et al. | Short-term wind forecast for the safety management of complex areas during hazardous wind events | |
Nguyen et al. | Projection of climate variables by general circulation and deep learning model for Lahore, Pakistan | |
Seyam et al. | Prediction of stream flow in humid tropical rivers by support vector machines | |
Lu et al. | Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions | |
CN104463841A (zh) | 衰减系数自适应的滤波方法及滤波系统 | |
Zhang et al. | Stochastic volatility modeling approach that accounts for uncertainties in travel time reliability forecasting | |
CN113723006A (zh) | 一种基于ls-svm的单台站地球变化磁场建模预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110713 |