CN106372731B - 一种强风高速铁路沿线风速空间网络构造预测方法 - Google Patents

Abstract

本发明公开了一种强风高速铁路沿线风速空间网络构造预测方法，该方法通过3种预测模型构建最优加权组合模型来预测风速。其中，第1个预测模型利用多测风站短时历史风速数据，第2个预测模型利用单测风站短时历史风速数据，第3个预测模型利用多测风站历史风速数据和对应的历史气象数据。该方法融入了空间、时间、气象等多种元素，利用了当前时段辅助测风站和目标测风站数据、历史辅助测风站和目标测风站气象数据、风速数据等多种数据，保证了数据的多样性；将时间相关性和空间相关性有机结合，提高了预测的可靠性；通过利用3个基本模型在预测过程中存在数据交织，减少了计算量；预测稳定性高，可以实现超前多步预测，具有工程应用价值。

Description

一种强风高速铁路沿线风速空间网络构造预测方法

技术领域

本发明涉及一种强风高速铁路沿线风速空间网络构造预测方法。

背景技术

强侧风是导致列车事故的主要自然灾害之一，特别当列车通过风口区域的特大桥梁、高路堤、丘陵及曲线等一些特殊路段时，极易发生脱轨、倾覆等事故，造成人员伤亡和经济损失。因此，要在易出现强风天气的铁路沿线建立大风监测预警系统，该系统包括列车信息、铁路沿线路况信息、风速信息等。其中，风速模块是在铁路沿线安装风速传感器和采集单元，实时采集风速数据，由于铁路部门需要提前调度指挥，所以要建立合适的风速预测模式。

风速受季节、气压、气温、湿度、地形、海拔等众多因素影响，随机性很强。目前，国内外学者已经对风速预测做了一些研究，大致可以分为统计方法，物理方法和学习方法。最早以持续法为代表，该方法简单快捷，但随着计算步的增加，预测精度快速下降，难以满足实际需要。随着研究的深入，时间序列法、神经网络、支持向量机、卡尔曼滤波、小波分析、经验模式分解等方法开始被应用。近年来，一些学者的研究表明，一些混合模型的预测性能优于单一模型，而如何构建性能优良的混合模型成为当前研究的热点。

基于安全考虑，铁路沿线关键位置点的风速预测需具备高精度、强稳定性，且不容许数据中断输出。而现有的风速预测方法多基于单测风站短时风速数据，抗干扰能力差，且由于参考因素太少，超前多步预测时，预测精度下降较快。因此，迫切需要提出一种能结合时间和空间、包含气象因素的高精度铁路沿线风速预测方法。

发明内容

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，提供一种强风高速铁路沿线风速空间网络构造预测方法，该方法融合了3个基本模型，包含空间、时间、气象等多种元素，预测时各模型数据和方法存在交织，最后的最优加权组合模型能最优分配3个基本预测模型的权值，预测稳定性高，可以实现超前多步预测，具有工程应用价值。

一种强风高速铁路沿线风速空间网络构造预测方法，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辅助测风站的风速数据，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2层深度小波分解，提取低频数据部分；

步骤3：利用步骤2获得的辅助测风站和目标测风站的低频数据部分构建空间-目标测风站超前多步预测模型，同时，利用目标测风站的低频数据部分构建自我-目标测风站超前多步预测模型；

步骤4：利用与目标测风站的低频数据部分对应的目标测风站所处位置的气象属性数据，寻找与该目标测风站当前风速的气象属性相似的历史测风数据，构建气象-目标测风站超前多步预测模型；

所述气象属性数据包括季节、时刻及风速、气温、气压、湿度的最高值、最低值和均值；

步骤5：将空间-目标测风站超前多步预测模型、自我-目标测风站超前多步预测模型以及气象-目标测风站超前多步预测模型获得的目标测风站超前多步预测值输入贝叶斯组合模型，获取最终的目标测风站预测值；

所述超前多步预测是指利用当前时刻T的风速数据输入对应预测模型获得下一时刻T+1的风速预测，然后，利用下一时刻T+1的风速预测值再次输入对应预测模型，获得T+2时刻的风速预测值，往复迭代获得超前多步预测值。

进一步地，所述步骤2中的空间-目标测风站超前多步预测模型和自我-目标测风站超前多步预测模型的构建步骤如下：

步骤2.1：对辅助测风站和目标测风站的低频数据部分进行EMD分解，获得每个测风站对应的低频、中频和高频子序列；

步骤2.2：对辅助测风站和目标测风站的高频子序列的各IMF分量分别进行基于CS的GRNN神经网络的训练，构建辅助测风站和目标测风站各自的自我高频基于CS的GRN神经网络模型，获取辅助测风站和目标测风站的自我高频超前多步预测值；

对辅助测风站和目标测风站的中频子序列的各IMF分量分别建立基于CGA的极限学习机进行训练，构建辅助测风站和目标测风站各自的自我中频基于CGA的极限学习机模型，获取辅助测风站和目标测风站的自我中频超前多步预测值；

对辅助测风站和目标测风站的低频子序列的各IMF分量分别建立RARIMA进行训练，构建辅助测风站和目标测风站各自的自我低频RARIMA模型，获取辅助测风站和目标测风站的自我低频超前多步预测值；

步骤2.3：将目标测风站的自我高频基于CS的GRN神经网络模型、自我中频基于CGA的极限学习机模型以及自我低频RARIMA模型合并，形成自我-目标测风站超前多步预测模型；

步骤2.4：以辅助测风站的低频、中频和高频子序列数据作为输入，目标测风站的低频、中频和高频子序列数据作为输出，构建各频段子序列基于FOA的MLP神经网络模型，利用辅助测风站的各频段子序列对应的超前多步预测值输入各频段子序列基于FOA的MLP神经网络模型，获得目标测风站对应各频段的超前多步预测值，以各频段子序列基于FOA的MLP神经网络模型形成空间-目标测风站超前多步预测模型。

进一步地，所述基于FOA的MLP神经网络预测模型的构建步骤如下：

步骤A、利用FOA算法随机产生30组代表MLP神经网络连接权值和阈值的果蝇位置种群；其中，每一个果蝇位置对应着一组MLP神经网络的连接权值和阈值；果蝇位置的更新代数为200；

步骤B、根据风速预测平均绝对相对误差最小为原则，利用风速样本对每个果蝇位置进行对比，筛选出每一代果蝇种群中味道浓度最优的果蝇；

在每次筛选中，对原始30组果蝇位置中最劣的5组果蝇用重新随机产生的5组果蝇进行更换，并且将上一步30组果蝇位置中最优的3组果蝇进行保留到下一步的性能对比中；

步骤C、当达到200步后，FOA算法输出最佳果蝇位置，将这一步的最优初始连接权值和阈值赋予给MLP神经网络模型；

步骤D、MLP神经网络以FOA算法寻优获得的最优初始连接权值和阈值开始自身网络的学习训练过程。

MLP神经网络的迭代目标平均绝对相对误差取5％。MLP神经网络在获得FOA算法赋予的最优初始连接权值和阈值后的自身学习的最大迭代次数取200步。

进一步地，所述自我高频基于CS的GRN神经网络模型的具体构建步骤如下：

步骤2a1：利用CS算法随机产生50组GRNN神经网络的光滑因子参数的鸟巢位置种群；其中，每一个鸟巢位置对应着一组GRNN神经网络的初始光滑因子参数，鸟巢位置的更新代数为100；

步骤2a2：根据风速预测平均绝对相对误差最小为原则，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2a3：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光滑因子参数赋予给GRNN神经网络模型；

步骤2a4：GRNN神经网络以CS算法寻优获得的光滑因子参数初始值，以风速高频子序列作为输入和输出数据，进行自身网络的学习训练，得到自我高频基于CS的GRN神经网络模型；

GRNN神经网络均采用3个输入神经元和1个输出神经元的四层网络结构；

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。

GRNN神经网络的迭代目标平均绝对相对误差取5％。GRNN神经网络在获得CS算法赋予的最优初始光滑因子参数后的自身学习的最大迭代次数取100步。

进一步地，所述自我中频基于CGA的极限学习机模型的构建步骤如下：

步骤2b1：随机初始化遗传算法的染色体种群，取初始染色体种群为50，最大寻优迭代步数为200；

步骤2b2：以极限学习机的输出风速平均绝对相对误差最小为遗传算法的适应度引导函数，利用遗传算法的选择、交叉和变异步骤；

取交叉概率为0.5和变异概率为0.1执行交叉和变异操作；在交叉和变异操作中，执行基于幂函数载波的标准混沌搜索以加快遗传算法的执行时间；当完成预设的遗传算法的最大迭代步数后，获得极限学习机的输入权值和隐含层节点阈值对应的最优解；

采用轮盘赌法实现选择操作，确定保留下一代的染色体个体；

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；

步骤2b3：当CGA获得了极限学习机的最优连接权值和隐含层节点阈值后，以风速中频子序列作为输入和输出数据，进行极限学习机的自身学习，获得自我中频基于CGA的极限学习机模型。

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。

为了保证CGA算法最后一定能为极限学习机模型获得一组可用的输入权值和隐含层节点阈值对应的最优解，在CGA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；

极限学习机用于风速预测的迭代目标平均绝对相对误差取5％。极限学习机在获得CGA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200步。

对中频子序列的各IMF分量分别建立CGA(混沌遗传算法)优化的极限学习机进行训练的本质是利用CGA算法优化极限学习机的连接权值与隐含层节点阈值，使得优化的极限学习机能够更好地追踪中频子序列所辖的各个IMF分量风速数据的突变规律，实现高精度的中频子序列的预测。

进一步地，所述自我低频RARIMA模型的构建步骤如下：

步骤2c1：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IMF分量风速数据进行数据平稳性检验；

如遇到某IMF分量风速数据呈现非平稳性，则对该段IMF分量风速数据进行差分计算直到其显示平稳性为止；

步骤2c2：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IMF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；

步骤2c3：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IMF分量风速数据对应RARIMA模型的方程系数，形成自我低频RARIMA模型。

进一步地，其特征在于，所述气象-目标测风站超前多步预测模型的构建步骤如下：

步骤4.1：建立目标测风站和辅助测风站的风速及气象数据库；

步骤4.2：将目标测风站和辅助测风站的历史风速数据用随机森林分类器分为p类，分类属性包括季节、时刻及风速、气温、气压、湿度的最高值、最低值和均值；

步骤4.3：将当前目标测风站的季节、时刻及风速、气温、气压、湿度的最高值、最低值和均值数据带入随机森林分类器，对当前目标测风站风速数据进行模式识别；

步骤4.4：找出所有与当前目标测风站气象属性相同模式下的目标测风站、辅助测风站的历史风速数据，然后分别用无迹卡尔曼滤波法进行处理，去除风速数据中潜在的误差；

步骤4.5：利用2层小波分解对步骤4.4去噪后的数据去除高频跳跃特征，取第2层低频数据；

步骤4.6：对步骤4.5获取的各低频数据用DTW分析，选出与目标测风站当前时段数据显著性较高的q段数据；

步骤4.7：将q段数据中提取目标测风站历史当前数据和历史滞后数据；

步骤4.8：对选出的q组目标测风站历史当前数据进行EMD分解；

步骤4.9：对步骤4.8分解后的各IMF分量按频率分为低频、中频、高频3种子序列，对高频序列、中频序列、低频序列分别建模，各序列均以选出的q组IMF分量为输入，均以目标测风站的各IMF分量为输出，均采用基于FOA的MLP神经网络进行训练；

步骤4.10：将各滞后滞后数据进行EMD分解，并分别代入训练好的FOA优化的MLP神经网络，得到各IMF分量的超前多步预测值；

步骤4.11：对各分量加权计算，重构信号，得到目标测风站的超前多步风速预测值。

进一步地，步骤2中所述的滤波处理采用无迹卡尔曼滤波法。

进一步地，所述用于步骤3中构建模型的辅助测风站是指按照以下方法选出的m个辅助测风站：

首先，对经过步骤2滤波后的风速样本集合采用自适应噪声完整集成经验模态进行分解；

其次，对分解后的数据进行滤波处理；

接着，将再次滤波后的数据进行信号重构，得到各测风站的风速重构数据；

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]。

有益效果

本发明提供了一种强风高速铁路沿线风速空间网络构造预测方法，该方法融入了空间、时间、气象等多种元素，利用了当前时段辅助测风站和目标测风站数据、历史辅助测风站和目标测风站气象数据、风速数据等多种数据，保证了数据的多样性；将时间相关性和空间相关性有机结合，提高了预测的可靠性；通过利用3个基本模型在预测过程中存在数据交织，减少了计算量；辅助测风站和目标测风站历史数据的模式分类属于前期处理，模式识别之后数据量缩小很多，此时再进行DWT分析显著性，节省了计算时间。最后通过使用最优加权组合模型综合各预测模型的预测结果，最优分配权值，提高了预测的精度和稳定性。

附图说明

图1为本发明所述方法的原理流程图；

图2为本发明中模型1的FOA优化的MLP神经网络训练图；

图3为本发明中模型1的目标测风站超前多步预测模型图；

图4为本发明中模型2的目标测风站超前多步预测模型图；

图5为本发明中模型3的FOA优化的MLP神经网络训练图；

图6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7为利用传统单种MLP神经网络模型所获得的铁路风速预测结果示意图；

图8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，一种融合多模型的铁路沿线风速预测方法，该方法通过3种预测模型构建最优加权组合模型来预测风速。其中，第1个预测模型利用多测风站短时历史风速数据，第2个预测模型利用单测风站短时历史风速数据，第3个预测模型利用多测风站历史风速数据和对应的历史气象数据，具体包括以下步骤：

第1个预测模型包括以下步骤：

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、用无迹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：{a′₁,a′₂,a′₃...,a′₄₉₉,a′₅₀₀}

辅助测风站B滤波后的风速数据：{b′₁,b′₂,b′₃...,b′₄₉₉,b′₅₀₀}

辅助测风站C滤波后的风速数据：{c′₁,c′₂,c′₃...,c′₄₉₉,c′₅₀₀}

辅助测风站D滤波后的风速数据：{d′₁,d′₂,d′₃...,d′₄₉₉,d′₅₀₀}

辅助测风站E滤波后的风速数据：{e′₁,e′₂,e′₃...,e′₄₉₉,e′₅₀₀}

辅助测风站F滤波后的风速数据：{f′₁,f′₂,f′₃...,f′₄₉₉,f′₅₀₀}

3、选取紧支撑双正交小波db3作为母小波，对滤波后的各数据分别用2层小波分解的Mallat塔式算法去除高频跳跃特征，取第2层低频数据：

目标测风站A小波分解后的低频数据：{a″₁,a″₂,a″₃...,a″₄₉₉,a″₅₀₀}

辅助测风站B小波分解后的低频数据：{b″₁,b″₂,b″₃...,b″₄₉₉,b″₅₀₀}

辅助测风站C小波分解后的低频数据：{c″₁,c″₂,c″₃...,c″₄₉₉,c″₅₀₀}

辅助测风站D小波分解后的低频数据：{d″₁,d″₂,d″₃...,d″₄₉₉,d″₅₀₀}

辅助测风站E小波分解后的低频数据：{e″₁,e″₂,e″₃...,e″₄₉₉,e″₅₀₀}

辅助测风站F小波分解后的低频数据：{f″₁,f″₂,f″₃...,f″₄₉₉,f″₅₀₀}

4、对各辅助测风站低频数据通过MF-DFA分别和目标测风站低频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。

5、对目标测风站和选出的B、C、D辅助测风站的低频数据分别进行EMD分解，得到下述分量：

目标测风站A：A_IMF1,A_IMF2,...A_IMF8,A_R

辅助测风站B：B_IMF1,B_IMF2,...B_IMF8,B_R

辅助测风站C：C_IMF1,C_IMF2,...C_IMF8,C_R

辅助测风站D：D_IMF1,D_IMF2,...D_IMF8,D_R

EMD分解过程如下：找出原数据序列所有的极大值点并用三次样条插值函数拟合形成原数据的上包络线；同样，找出所有的极小值点，并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线，将原数据序列减去该平均包络，得到一个新的数据序列。由原数据减去包络平均后的新数据，若还存在负的局部极大值和正的局部极小值，说明这还不是一个本征模函数，需要继续进行筛选。

6、对分解后的各IMF分量按频率分为低频、中频、高频3种子序列，对低频子序列的各IMF分量分别建立RARIMA进行训练，对中频子序列的各IMF分量分别建立CGA优化的极限学习机进行训练，高频子序列的各IMF分量分别建立CS优化的GRNN神经网络进行训练，最终通过迭代得到各IMF分量的超前多步预测值。

利用所建立的CS优化的GRNN神经网络对风速高频子序列中的各个IMF风速分量完成超前多步预测计算，以获得各自IMF分量对应的风速超前多步预测值。

所建立的GRNN神经网络均采用3个输入神经元和1个输出神经元的四层网络结构，即：GRNN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GRNN神经网络完成训练后，只要对GRNN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，GRNN神经网络就能自动输出1个风速预测值。

例如，风速高频子序列里面有2组高频IMF风速分量(分别为IMF1和IMF2)，他们的风速数据长度均为500。IMF1分量有500个风速样本数据，那么将第1-497个风速样本作为GRNN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GRNN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GRNN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GRNN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GRNN神经网络上，对所述的CS算法优化GRNN神经网络完成学习和训练。

当CS-GRNN模型完成学习后，对GRNN神经网络的第1个输入神经元输入IMF1分量的第498个风速数据，对GRNN神经网络的第2个输入神经元输入IMF1分量的第499个风速数据，对GRNN神经网络的第3个输入神经元输入IMF1分量的第500个风速数据，那么GRNN神经网络将自动输出1个风速值，该值即为IMF1分量的第501个风速预测值(也就是说，上述步骤实现了利用IMF1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，对GRNN神经网络的第1个输入神经元输入IMF1分量的第499个风速数据，对GRNN神经网络的第2个输入神经元输入IMF1分量的第500个风速数据，对GRNN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GRNN神经网络将再次自动输出1个风速值，那么该值即为IMF1分量的第502个风速预测值(也就是上述步骤利用IMF1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GRNN神经网络可以对IMF1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EMD分解分量(如IMF2分量)通过CS-GRNN混合模型所获得的超前多步风速预测值的步骤与上述的IMF1分量的步骤一样。

利用所建立的CGA优化的极限学习机对风速中频子序列中的各个IMF风速分量完成超前多步预测计算，以获得各自IMF分量对应的风速超前多步预测值。本专利所建立的极限学习机均采用3个输入神经元和1个输出神经元的三层网络结构，即：极限学习机需要同步用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CGA优化的极限学习机完成训练后，只要对极限学习机的3个输入神经元端口输入3个对应的风速数据，GRNN神经网络就能自动输出1个风速预测值。

举个例子说明：

例如，风速中频子序列里面有2组中频IMF风速分量(假如也分别记为IMF1和IMF2)，他们的风速数据长度均为500。IMF1分量有500个风速样本数据，那么将第1-497个风速样本作为极限学习机的第1个输入神经元的输入风速数据，将第2-498个风速数据作为极限学习机的第2个输入神经元的输入风速数据，将第3-499个风速数据作为极限学习机的第3个输入神经元的输入风速数据，将第4-500个风速数据作为极限学习机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极限学习机上，按照权利项5所述的CGA算法优化极限学习机的步骤完成全部的学习和训练。

当CGA-极限学习机模型完成学习后，对极限学习机的第1个输入神经元输入IMF1分量的第498个风速数据，对极限学习机的第2个输入神经元输入IMF1分量的第499个风速数据，对极限学习机的第3个输入神经元输入IMF1分量的第500个风速数据，那么极限学习机将自动输出1个风速值，该值即为IMF1分量的第501个风速预测值(也就是说，上述步骤实现了利用IMF1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，对极限学习机的第1个输入神经元输入IMF1分量的第499个风速数据，对极限学习机的第2个输入神经元输入IMF1分量的第500个风速数据，对极限学习机的第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，那么极限学习机将再次自动输出1个风速值，那么该值即为IMF1分量的第502个风速预测值(也就是上述步骤利用IMF1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，CGA算法优化后的极限学习机可以对IMF1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EMD分解分量(如IMF2分量)通过CGA-极限学习机混合模型所获得的超前多步风速预测值的步骤与上述的IMF1分量的步骤一样。

7、如图2所示，对高频序列、中频序列、低频序列分别建模，各序列均以B、C、D辅助测风站的各IMF分量为输入，均以目标测风站的各IMF分量为输出，均采用FOA(果蝇算法)优化的MLP(多层感知器)神经网络进行训练。

8、如图3所示，对预测得到的B、C、D个辅助测风站的超前多步预测值带入训练好的FOA优化的MLP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。

第2个预测模型包括以下步骤：

1、目标测风站采用与第1个预测模型相同的原始数据，将目标测风站原始风速数据用无迹卡尔曼滤波法进行处理，去除风速数据中潜在的误差。

目标测风站A的原始风速数据：{a₁,a₂,a₃...,a₄₉₉,a₅₀₀}

目标测风站A滤波后的风速数据：{a′₁,a′₂,a′₃...,a′₄₉₉,a′₅₀₀}

2、对滤波后的数据用2层小波分解的Mallat塔式算法去除高频跳跃特征，取第2层低频数据：

目标测风站A小波分解后的低频数据：{a″₁,a″₂,a″₃...,a″₄₉₉,a″₅₀₀}

3、对目标测风站的低频数据进行EMD分解，得到下述分量：

目标测风站A：A_IMF1,A_IMF2,...A_IMF8,A_R

4、如图4所示，对分解后的各IMF分量按频率分为低频、中频、高频3种子序列，对中频子序列的各IMF分量分别建立CGA优化的极限学习机进行训练，高频子序列的各IMF分量分别建立CS优化的GRNN神经网络进行训练，最终通过迭代得到各IMF分量的超前多步预测值。

5、对各分量加权计算，重构信号，得到目标测风站的超前多步风速预测值。

第3个预测模型包括以下步骤：

1、建立目标测风站和辅助测风站的风速及气象数据库。

2、将目标测风站和辅助测风站的历史风速数据用随机森林分类器分为20类，即{P₁,P₂...,P₂₀}，属性为季节、时刻及风速、气温、气压、湿度的最高值、最低值和均值。

3、将当前目标测风站的季节、时刻及风速、气温、气压、湿度的最高值、最低值和均值数据带入随机森林分类器，对当前目标测风站风速数据进行模式识别(归类)，如识别为模式P₁。

4、找出所有P₁模式下目标测风站、辅助测风站的历史风速数据，如该模式下共有10组数据：{X¹,X²...,X¹⁰}，分别用无迹卡尔曼滤波法进行处理，去除风速数据中潜在的误差，得到{X^′1,X^′2...,X^′10}。

5、利用2层小波分解去除高频跳跃特征，取第2层低频数据，即{X^″1,X^″2...,X^″10}。

6、用DTW分别分析{X^″1,X^″2...,X^″10}和前面得到的当前时段目标测风站小波分解后的低频数据{a″₁,a″₂,a″₃...,a″₄₉₉,a″₅₀₀}，选出与目标测风站当前时段数据显著性较高的3段数据，如{X^″1,X^″2,X^″3}。

7、将这3段数据进行整理，提取与当前目标测风站风速数据对应的500个数据和滞后于当前时段的100个数据，将对应的500个数据之前的数据剔除，则与当前时段对应的数据如下：

数据1：

数据2：

数据3：

滞后于当前时段的100个数据如下：

数据1：

数据2：

数据3：

8、对选出的3组与当前时段对应的500个风速数据进行EMD分解，得到：

数据1：

数据2：

数据3：

9、如图5所示，对分解后的各IMF分量按频率分为低频、中频、高频3种子序列，对高频序列、中频序列、低频序列分别建模，各序列均以选出的3组IMF分量为输入，均以目标测风站的各IMF分量为输出，均采用FOA优化的MLP神经网络进行训练。

10、将选出的滞后于当前时段的100个风速数据同样进行EMD分解，并分别带入训练好的FOA优化的MLP神经网络，得到各IMF分量的超前多步预测值。

11、对各分量加权计算，重构信号，得到目标测风站的超前多步风速预测值。

用最优加权组合模型来综合上述3个基本预测模型的预测结果。在最优加权组合模型计算中，上述三个基本预测模型均依靠平均绝对相对误差来调整各自的加权权重。

最优加权组合模型依据最小二乘准则构造目标函数Q，使权重之和为1，极小化Q，求得组合模型的加权系数。将3种预测方法记为：

1)目标测风站实际风速：a＝(a₁,a₂,...,a₅₀₀)^T，目标测风站风速预测值：

2)在x₁,x₂,...,x₅₀₀点的拟合值为：

3)与实际值的误差：

由此可得：令

得到最优非负权重系数的非线性规划模型为：

求解该非线性规划模型，得到最优解：则可得到最优组合模型如下：

利用本发明所提出的预测方法实现风速预测的结果如图6所示。利用现有MLP神经网络模型实现风速预测的结果如图7所示。利用现有ARIMA模型实现风速预测的结果如图8所示。利用公式(1-3)对图6-图8所示的预测结果进行精度指标计算，结果见表1和表2。

利用公式(1-3)对图6-图8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	0.2969m/s
		平均绝对相对误差	1.99％
均方根误差	0.3909m/s

表2：利用现有MLP神经网络模型的预测精度

平均绝对误差	1.5763m/s
		平均绝对相对误差	10.80％
均方根误差	1.9881m/s

表3：利用现有ARIMA模型的预测精度

平均绝对误差	1.5734m/s
		平均绝对相对误差	11.01％
均方根误差	1.8810m/s

从图6、图7和图8，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。

Claims (9)

1.一种强风高速铁路沿线风速空间网络构造预测方法，其特征在于，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辅助测风站的风速数据，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2层深度小波分解，提取低频数据部分；

步骤3：利用步骤2获得的辅助测风站和目标测风站的低频数据部分构建空间-目标测风站超前多步预测模型，同时，利用目标测风站的低频数据部分构建自我-目标测风站超前多步预测模型；

步骤4：利用与目标测风站的低频数据部分对应的目标测风站所处位置的气象属性数据，寻找与该目标测风站当前风速的气象属性相似的历史测风数据，构建气象-目标测风站超前多步预测模型；

所述气象属性数据包括季节、时刻及风速、气温、气压、湿度的最高值、最低值和均值；

步骤5：将空间-目标测风站超前多步预测模型、自我-目标测风站超前多步预测模型以及气象-目标测风站超前多步预测模型获得的目标测风站超前多步预测值输入贝叶斯组合模型，获取最终的目标测风站预测值；

所述超前多步预测是指利用当前时刻T的风速数据输入对应预测模型获得下一时刻T+1的风速预测，然后，利用下一时刻T+1的风速预测值再次输入对应预测模型，获得T+2时刻的风速预测值，往复迭代获得超前多步预测值。

2.根据权利要求1所述的方法，其特征在于，所述步骤2中的空间-目标测风站超前多步预测模型和自我-目标测风站超前多步预测模型的构建步骤如下：

步骤2.1：对辅助测风站和目标测风站的低频数据部分进行EMD分解，获得每个测风站对应的低频、中频和高频子序列；

步骤2.2：对辅助测风站和目标测风站的高频子序列的各IMF分量分别进行基于CS的GRNN神经网络的训练，构建辅助测风站和目标测风站各自的自我高频基于CS的GRN神经网络模型，获取辅助测风站和目标测风站的自我高频超前多步预测值；

对辅助测风站和目标测风站的中频子序列的各IMF分量分别建立基于CGA的极限学习机进行训练，构建辅助测风站和目标测风站各自的自我中频基于CGA的极限学习机模型，获取辅助测风站和目标测风站的自我中频超前多步预测值；

对辅助测风站和目标测风站的低频子序列的各IMF分量分别建立RARIMA进行训练，构建辅助测风站和目标测风站各自的自我低频RARIMA模型，获取辅助测风站和目标测风站的自我低频超前多步预测值；

步骤2.3：将目标测风站的自我高频基于CS的GRN神经网络模型、自我中频基于CGA的极限学习机模型以及自我低频RARIMA模型合并，形成自我-目标测风站超前多步预测模型；

步骤2.4：以辅助测风站的低频、中频和高频子序列数据作为输入，目标测风站的低频、中频和高频子序列数据作为输出，构建各频段子序列基于FOA的MLP神经网络模型，利用辅助测风站的各频段子序列对应的超前多步预测值输入各频段子序列基于FOA的MLP神经网络模型，获得目标测风站对应各频段的超前多步预测值，以各频段子序列基于FOA的MLP神经网络模型形成空间-目标测风站超前多步预测模型。

3.根据权利要求2所述的方法，其特征在于，所述基于FOA的MLP神经网络预测模型的构建步骤如下：

步骤A、利用FOA算法随机产生30组代表MLP神经网络连接权值和阈值的果蝇位置种群；其中，每一个果蝇位置对应着一组MLP神经网络的连接权值和阈值；果蝇位置的更新代数为200；

步骤B、根据风速预测平均绝对相对误差最小为原则，利用风速样本对每个果蝇位置进行对比，筛选出每一代果蝇种群中味道浓度最优的果蝇；

在每次筛选中，对原始30组果蝇位置中最劣的5组果蝇用重新随机产生的5组果蝇进行更换，并且将上一步30组果蝇位置中最优的3组果蝇进行保留到下一步的性能对比中；

步骤C、当达到200步后，FOA算法输出最佳果蝇位置，将这一步的最优初始连接权值和阈值赋予给MLP神经网络模型；

步骤D、MLP神经网络以FOA算法寻优获得的最优初始连接权值和阈值开始自身网络的学习训练过程。

4.根据权利要求3所述的方法，其特征在于，所述自我高频基于CS的GRN神经网络模型的具体构建步骤如下：

步骤2a1：利用CS算法随机产生50组GRNN神经网络的光滑因子参数的鸟巢位置种群；其中，每一个鸟巢位置对应着一组GRNN神经网络的初始光滑因子参数，鸟巢位置的更新代数为100；

步骤2a2：根据风速预测平均绝对相对误差最小为原则，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2a3：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光滑因子参数赋予给GRNN神经网络模型；

步骤2a4：GRNN神经网络以CS算法寻优获得的光滑因子参数初始值，以风速高频子序列作为输入和输出数据，进行自身网络的学习训练，得到自我高频基于CS的GRN神经网络模型；

GRNN神经网络均采用3个输入神经元和1个输出神经元的四层网络结构；

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。

5.根据权利要求3所述的方法，其特征在于，所述自我中频基于CGA的极限学习机模型的构建步骤如下：

步骤2b1：随机初始化遗传算法的染色体种群，取初始染色体种群为50，最大寻优迭代步数为200；

步骤2b2：以极限学习机的输出风速平均绝对相对误差最小为遗传算法的适应度引导函数，利用遗传算法的选择、交叉和变异步骤；

取交叉概率为0.5和变异概率为0.1执行交叉和变异操作；在交叉和变异操作中，执行基于幂函数载波的标准混沌搜索以加快遗传算法的执行时间；当完成预设的遗传算法的最大迭代步数后，获得极限学习机的输入权值和隐含层节点阈值对应的最优解；

采用轮盘赌法实现选择操作，确定保留下一代的染色体个体；

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；

步骤2b3：当CGA获得了极限学习机的最优连接权值和隐含层节点阈值后，以风速中频子序列作为输入和输出数据，进行极限学习机的自身学习，获得自我中频基于CGA的极限学习机模型。

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。

6.根据权利要求3所述的方法，其特征在于，所述自我低频RARIMA模型的构建步骤如下：

步骤2c1：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IMF分量风速数据进行数据平稳性检验；

如遇到某IMF分量风速数据呈现非平稳性，则对该段IMF分量风速数据进行差分计算直到其显示平稳性为止；

步骤2c2：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IMF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；

步骤2c3：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IMF分量风速数据对应RARIMA模型的方程系数，形成自我低频RARIMA模型。

7.根据权利要求3-6任一项所述的方法，其特征在于，所述气象-目标测风站超前多步预测模型的构建步骤如下：

步骤4.1：建立目标测风站和辅助测风站的风速及气象数据库；

步骤4.2：将目标测风站和辅助测风站的历史风速数据用随机森林分类器分为p类，分类属性包括季节、时刻及风速、气温、气压、湿度的最高值、最低值和均值；

步骤4.3：将当前目标测风站的季节、时刻及风速、气温、气压、湿度的最高值、最低值和均值数据带入随机森林分类器，对当前目标测风站风速数据进行模式识别；

步骤4.4：找出所有与当前目标测风站气象属性相同模式下的目标测风站、辅助测风站的历史风速数据，然后分别用无迹卡尔曼滤波法进行处理，去除风速数据中潜在的误差；

步骤4.5：利用2层小波分解对步骤4.4去噪后的数据去除高频跳跃特征，取第2层低频数据；

步骤4.6：对步骤4.5获取的各低频数据用DTW分析，选出与目标测风站当前时段数据显著性较高的q段数据；

步骤4.7：将q段数据中提取目标测风站历史当前数据和历史滞后数据；

步骤4.8：对选出的q组目标测风站历史当前数据进行EMD分解；

步骤4.9：对步骤4.8分解后的各IMF分量按频率分为低频、中频、高频3种子序列，对高频序列、中频序列、低频序列分别建模，各序列均以选出的q组IMF分量为输入，均以目标测风站的各IMF分量为输出，均采用基于FOA的MLP神经网络进行训练；

步骤4.10：将各滞后滞后数据进行EMD分解，并分别代入训练好的FOA优化的MLP神经网络，得到各IMF分量的超前多步预测值；

步骤4.11：对各分量加权计算，重构信号，得到目标测风站的超前多步风速预测值。

8.根据权利要求7所述的方法，其特征在于，步骤2中所述的滤波处理采用无迹卡尔曼滤波法。

9.根据权利要求1所述的方法，其特征在于，所述用于步骤3中构建模型的辅助测风站是指按照以下方法选出的m个辅助测风站：

首先，对经过步骤2滤波后的风速样本集合采用自适应噪声完整集成经验模态进行分解；

其次，对分解后的数据进行滤波处理；

接着，将再次滤波后的数据进行信号重构，得到各测风站的风速重构数据；

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]。