CN109002860B - 一种高速铁路沿线突变风速智能适应性匹配预测方法 - Google Patents
一种高速铁路沿线突变风速智能适应性匹配预测方法 Download PDFInfo
- Publication number
- CN109002860B CN109002860B CN201810844741.6A CN201810844741A CN109002860B CN 109002860 B CN109002860 B CN 109002860B CN 201810844741 A CN201810844741 A CN 201810844741A CN 109002860 B CN109002860 B CN 109002860B
- Authority
- CN
- China
- Prior art keywords
- prediction
- wind speed
- wind
- time
- svm
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Abstract
本发明提供了一种高速铁路沿线突变风速智能适应性匹配预测方法,根据近期风速状况,通过在目标测风点构建目标测风站和时移测风站,对测风站的数据进行去噪处理后,利用SVM模型,对去噪后的风速数据进行训练,构建各测风站在多种步长下的风速预测模型;选用多种模拟预测时间,提前构建好各种模拟预测时间对应的预测模型的预测迭代向量;进行实际预测时,选择目标预测时间与模拟预测时间匹配的预测迭代向量直接进行预测,即可快速获得准确的风速预测值,降低随机误差的干扰;实现了铁路沿线风速超前预测,可以提前得知事故多发区域的风速环境状况,及时、有效地指导列车运行,保障列车运营安全。
Description
技术领域
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突变风速智能适应性匹配预测方法。
背景技术
高速列车运行速度较高,其周围气流变化剧烈,在运行过程中遭受很强的横风作用,如若超过安全界限,导致车体两侧压差过大,会造成列车脱轨、倾覆等一系列严重的铁路事故发生。我国东南沿海地区人口稠密、铁路密集,同时也是风能丰富的地区,短时强对流、台风等自然天气频发,风速大,起风快,给调度系统的反应时间短,严重影响了高速列车的安全运营。我国青藏地区大风天气频繁,部分地区甚至达到全年40%的时间里为大风天气,对铁路桥梁、设备造成不同程度的损害,影响着运营安全,制约着高速铁路的发展。
当然,降低大风区域的铁路运输速度可以保证乘客与货物的安全,但这势必会阻碍经济的发展,造成资源的浪费。目前已有许多学者致力于风速预测的研究,但是所得预测方法的适用面窄,时效性低,可推广性不高。如何快速高效地对目标位置进行多步直接风速预测,以减少对多余时刻风速进行预测显得尤为重要。如何充分利用线下时间,减少线上计算成本也是解决风速预测的一道难题。
发明内容
本发明为了实现铁路沿线短期风速的高精度预测,提出一种高速铁路沿线突变风速智能适应性匹配预测方法,通过历史风速数据,获得各预测时间效果较优的预测组合,根据近期风速环境和目标预测时间,选用时间匹配的最优预测模型,实现直接多步迭代预测,提高预测精度,降低随机误差的干扰。
一种高速铁路沿线突变风速智能适应性匹配预测方法,包括以下步骤:
步骤1:在铁路目标测风点设置测风站,包括目标测风站和时移测风站;
所述目标测风站距离铁路目标测风点100米,所述时移测风站至少包括3个,且设置铁路目标测风点与目标测风站所在连线上,第一个时移测风站距离铁路目标测风点500米,相邻时移测风站之间间距为500米;
步骤2:构建训练样本数据;
以相同采样频率采集各测风站在历史时间段内的风速,依次将各测风站的历史风速,以时间间隔T内的风速中值作为各测风站的样本时刻风速,获得训练样本数据;
即将每个时间间隔T内的多个风速的中值作为一个样本时刻的风速值,压缩历史风速数据;
步骤3:利用训练样本数据和设置的预测步长,构建基于SVM的风速预测模型组;
依次以目标测风站和所有时移测风站中任意三个测风站在任意历史时刻t0的风速值作为输入数据,剩余测风站在t0+Δt时刻的风速值作为输出数据,对SVM模型进行训练,获得各测风站预测步长为Δt的基于SVM的风速预测模型;
所述SVM即支持向量机;
所述预测步长Δt的取值依次为p、2p、3p、4p,p为预测步长单元时间,取值范围为1-5min,一种预测步长对应一组基于SVM的风速预测模型;
四个预测步长,一共四组风速预测模型,每组风速预测模型包含四个测风站的风速预测模型;
每组风速预测模型的输入数据为四个测风站在某时刻的风速,输出数据为经过时间Δt后,四个测风站的预测风速;
实际上每组风速预测模型中某个测风站的风速预测模型是指利用另外三个测风站的在某时刻的风速,对该测风站在经过时间Δt后的风速进行预测;
步骤4:基于模拟预测时间,依次构建所有模拟预测任务迭代向量集合;
将模拟预测时间mm拆分为n个子预测时间hi,选择各子预测时间对应步长的风速预测模型组,形成各测风站预测任务迭代向量l={hi,j},hi,j表示第i个子预测时间选择第j个风速预测模型组进行风速预测的预测子任务,i的取值范围为1-n,j的取值范围为1-4;
模拟预测时间mm依次从1分钟到180分钟进行取值;
所述模拟预测时间mm是指在经过时间mm后进行风速预测;
每个子预测时间需要选择一个对应步长的风速预测模型组进行四个测风站的在经过子预测时间时的风速预测;
每一个子预测时间选择一个风速预测模型组进行一次子任务预测,称为一个预测子任务,一个预测子任务的输入为四个测风站同一时刻的风速数据,一共四个数据,输出为四个测风站经过子预测时间对应步长Δt之后同一时刻的风速数据,一共四个数据,输出数据可以直接用于下一个预测子任务的输入,避免了常规预测方法中对多余风速值的预测,减少迭代次数,提升预测精度;
步骤5:根据目标预测时间m,利用步骤4获得的与目标预测时间m匹配的任意一种预测任务迭代向量,进行风速预测;
以当前时刻t时刻四个测风站的风速数据作为所选预测任务迭代向量中第一个预测子任务的输入数据,以所选预测任务迭代向量最后一个预测子任务输出数据中的目标测风站的风速数据作为目标预测时间m目标测风点的风速预测值;
前一个预测子任务的输出数据作为后一个预测子任务的输入数据。
进一步的,利用训练样本数据,多次遍历模拟预测时间区间,获得与模拟预测时间mm对应的最优预测任务迭代向量,进行风速预测,获得最优风速预测结果,具体过程如下:
步骤A:基于模拟预测时间mm,在训练样本中随机选择时刻t以及t时刻之前相距mm+4p时间段内的训练样本数据,并从训练样本数据中选出各测风站依次在t、t-mm、t-mm-p、t-mm-2p、t-mm-3p、t-mm-4p以及t-p、t-2p、t-3p、t-4p时的风速;
步骤B:将四个测风站在时刻为t、t-mm、t-mm-p、t-mm-2p、t-mm-3p、t-mm-4p时的风速,依次作为每个预测任务迭代向量的输入数据,获得每个预测任务迭代向量在t、t-p、t-2p、t-3p、t-4p时获得的目标测风站预测风速;
步骤C:计算每个预测任务迭代向量依次在t、t-p、t-2p、t-3p、t-4p时获得的目标测风站预测风速与实测风速的误差,并对误差求取均值,得到每个预测任务迭代向量的总体预测误差;
步骤D:选取总体预测误差值最小的5个预测任务迭代向量,放入与模拟预测时间mm对应的预测任务迭代向量集合中;
步骤E:将模拟预测时间mm从1分钟到180分钟以1分钟为间隔,每个模拟预测时间mm按照步骤A-步骤D重复进行5次预测,每次预测得到5个较优预测任务迭代向量,获得每个模拟预测时间的预测任务迭代向量集合;
步骤F:根据目标预测时间m,选择与m相同的模拟预测时间的预测任务迭代向量集合中的任一任务迭代向量进行风速预测,获得最优风速预测结果。
每一个模拟预测时间均进行了5次步骤A-步骤D,每次均会得到多个预测任务迭代向量的总体预测误差;
所述预测任务迭代向量集合包含25个预测任务迭代向量;
经过5次预测得到的5个较优预测任务迭代向量,适用于随机选取的时刻t附近的风速环境,不一定适用于实际预测时的风速环境;
进一步的,利用最新历史风速数据,选取最优预测任务迭代向量,进行风速预测,获得最优风速预测结果,具体过程如下:
步骤A:基于目标预测时间m,选用与当前时刻t相距m+4p时间段内的历史风速数据按照训练样本数据的构建方法,获得预测样本数据,并从预测样本数据中选出各测风站依次在t、t-m、t-m-p、t-m-2p、t-m-3p、t-m-4p以及t-p、t-2p、t-3p、t-4p时的风速;
步骤B:选择与目标预测时间m相同的模拟预测时间对应的预测任务迭代向量集合中的所有预测任务迭代向量,将四个测风站在时刻为t-m、t-m-p、t-m-2p、t-m-3p、t-m-4p时的风速,依次作为每个预测任务迭代向量的输入数据,获得每个预测任务迭代向量在t、t-p、t-2p、t-3p、t-4p时获得的目标测风站预测风速;
步骤C:计算每个预测任务迭代向量依次在t、t-p、t-2p、t-3p、t-4p时获得的目标测风站预测风速与实测风速的误差,并对误差求取均值,得到每个预测任务迭代向量的总体预测误差;
步骤D:选取总体预测误差值最小的预测任务迭代向量作为最优预测任务迭代向量,进行风速预测,获得最优风速预测结果;
进一步的,设置预测任务迭代向量权重,构建最优预测任务迭代融合向量,进行风速预测,获得最优风速预测结果;
将所有预测任务迭代向量的总体预测误差值,按照从小到大排序,选取前5个预测任务迭代向量,并依据所选的5个预测任务迭代向量的总体预测误差值占所选5个预测任务迭代向量的总体预测误差值之和的比例,设置各预测任务迭代向量的权重,构建最优任务迭代融合向量,进行风速预测,获得最优风速预测结果。
选取5个预测任务迭代向量,对同一时刻的风速进行5次预测,按照每个预测任务迭代向量的权重,将5次预测结果进行权重组合,得到目标测风站的预测风速;
进一步的,对各测风站的样本数据进行交互卡尔曼滤波处理,将滤波后的数据用于模型训练和预测任务迭代向量的选取。
进一步的,所述预测任务迭代向量中每个预测子任务的子预测时间满足以下公式:
其中,hmin的取值为预测步长单元时间。
进一步的,在与铁路平行的方向上,每个测风站两侧等间距设置有同类型测风站,获得目标测风站组和时移测风站组,其中时移测风站组包括第一时移测风站组、第二时移测风站组以及第三时移测风站组;
从目标测风站组各测风站测得的风速值中,选取相同采样时刻的最大风速值作为虚拟目标测风站的各采样时刻的风速值,以虚拟目标测风站作为目标样本测风站;
从各时移测风站组中,选取相同采样时刻的风速值与对虚拟测风站对应时刻的风速值显著性最大的时移测风站,获得时移目标测风站。
进一步的,对所述基于SVM的风速预测模型中的SVM的参数c和参数g同时采用以下至少一种方法进行优化:
1)狼群-模拟退火算法,所使用的SVM模型输入节点为3个,输出节点为1个,选择高斯函数作为核函数,SVM模型的参数c和参数g采用狼群-模拟退火算法进行优化选择;
2)水循环算法,所使用的SVM模型输入节点为3个,输出节点为1个,选择高斯函数作为核函数,SVM模型的参数c和参数g采用水循环算法进行优化选择;;
3)混沌差分蝙蝠算法,所使用的SVM模型输入节点为3个,输出节点为1个,选择高斯函数作为核函数,SVM模型的参数c和参数g采用混沌差分蝙蝠算法进行优化选择;
进一步的,采用狼群-模拟退火算法对所述基于SVM的风速预测模型中的SVM的参数c和参数g同时进行优化的步骤如下:
步骤1.1):以个体狼位置作为所述基于SVM风速预测模型中SVM的参数c和参数g,随机初始化狼群中的每只个体狼并设置狼群参数:
狼群规模取值范围为:[50,200],步长因子取值范围为:[50,120],探狼比例因子取值范围为:[2,6],最大游走次数取值范围为:[10,40],距离判定因子取值范围为:[40,100],最大奔袭次数取值范围为:[4,16],更新比例因子取值范围为:[2,6],最大迭代次数取值范围为:[500,1000],最大搜索精度取值范围为:[0.001,0.005];设定模拟退火算法的退火初始温度为100、退火速率为φ=0.8、退火迭代次数t2=1,当前温度下最大退火循环次数为Lmax=6;
步骤1.2):设定适应度函数,并确定初始最优头狼位置和迭代次数t1,t1=1;
将个体狼位置的对应的SVM的参数c和参数g代入基于SVM的风速预测模型中,并利用个体狼位置确定的基于SVM模型的风速预测模型输出风速预测值,将得到的风速预测值跟期望风速值之间的均方误差的倒数作为人工狼的适应度函数F1;
其中,M表示训练次数,xi、yi分别表示第i次训练的风速预测值和期望输出值;
步骤1.3):依次对所有人工狼进行游走行为、奔袭行为、围攻行为,按照个体狼的适应度更新狼群,获得更新后的最优头狼位置;
步骤1.4):判断是否到达优化精度要求或最大迭代次数,若没有到达,令t1=t1+1转至步骤1.5),若到达,转至步骤1.7);
步骤1.5):对本代中的头狼个体进行模拟退火操作,在得到的头狼位置gi邻域内随机选择新的位置gj并计算两者适应度之差ΔF1=F1(gi)-F1(gj),计算选择概率P=exp(-ΔF1/Tei),Tei为当前温度;如果P>random[0,1),则将当前头狼位置由gi替换为gj,并以gj作为下次寻优的开始,否则以gi开始下一次寻优;
步骤1.6):令t2=t2+1,按照Tei+1=Tei*φ进行降温退火,若t2<Lmax,转至步骤1.5),否则,转至步骤1.3);
步骤1.7):输出头狼位置对应的SVM的参数c和参数g。
进一步的,采用水循环算法对所述基于SVM的风速预测模型中的SVM的参数c和参数g同时进行优化的步骤如下:
步骤2.1):每个降雨层作为所述SVM的参数c和参数g,初始化降雨层;
设定降雨层种群数量的取值范围为[30,80],海洋数量为1,河流数量的取值范围为[10,20],最大迭代次数的取值范围为[500,1000],极小值的取值范围为[0.001,0.005];
步骤2.2:将降雨层对应的参数c和参数g代入基于SVM的风速预测模型中,利用降雨层确定的基于PID神经网络的风速预测模型计算以风速训练子样本为输入的风速预测值与风速训练期望样本的均方误差的倒数作为第二适应度函数;
其中,M表示训练次数,xi、yi分别表示第i次训练的风速预测值和期望输出值;
步骤2.3:以适应度最大的降雨层作为大海,以适应度次于大海的且适应度较大降雨层作为河流,其余的降雨层作为向河流或大海流动的溪流;
步骤2.4:在流动过程中,如果溪流的适应度高于河流的适应度,则溪流河流互换位置,如果河流的适应度高于大海的适应度,河流大海互换位置,最后使溪流流入河流,河流流入海洋;
步骤2.5:判断河流与海洋适应度之间的差值绝对值是否小于极小值,若是,转至步骤2.6);若否,重复步骤2.5);
步骤2.6:判断是否到达最大迭代次数,若否,进入下一次迭代,从降雨层种群中舍弃该河流,重新进行降雨过程,生成随机降雨层加入种群,转至步骤2.3);若是,输出海洋降雨层对应的参数作为所述SVM的参数c和参数g。
进一步的,采用混沌差分蝙蝠算法对所述基于SVM的风速预测模型中的SVM的参数c和参数g同时进行优化的步骤如下:
步骤3.1):以蝙蝠个体的位置作为基于SVM的风速预测模型中所述SVM的参数c和参数g;
蝙蝠种群规模的取值范围为[100,500],蝙蝠个体最大脉冲频率r0=0.5,最大脉冲声音强度A0的取值范围为[0.3,0.8],蝙蝠搜索频率增加系数的取值范围为[0.02,0.05],声音强度衰减系数的取值范围为[0.75,0.95],交叉概率设置为0.5,变异概率设置为0.5,适应度方差阈值的取值范围为[0.01,0.06],搜索脉冲频率的取值范围为[0,1.5],最大迭代次数的取值范围为[200,500],最大搜索精度的取值范围为[0.02,0.1];
步骤3.2):根据混沌映射序列初始化蝙蝠种群中每个蝙蝠个体的位置、速度、频率;
步骤3.3):设定适应度函数,并确定初始最优蝙蝠个体位置和迭代次数t3,t3=1;
将蝙蝠个体位置对应的参数c和参数g代入基于SVM的风速预测模型,利用蝙蝠个体位置确定的基于SVM的风速预测模型计算以风速训练子样本为输入的风速预测值与风速训练期望样本的均方误差的倒数作为第三适应度函数;
其中,M表示训练次数,xi、yi分别表示第i次训练的风速预测值和期望输出值。
步骤3.4):利用设定的脉冲频率更新蝙蝠的搜索脉冲频率、位置和速度;
步骤3.5):若Random1>ri,则对于个体最优位置的蝙蝠进行随机扰动,生成最优位置蝙蝠的扰动位置;
其中Random1为在闭区间[0,1]上均匀分布的随机数,ri为第i只蝙蝠的脉冲频率;
步骤3.6):若Random2>Ei,代表最优蝙蝠个体的扰动位置的适应度优于扰动前位置的适应度,将最优蝙蝠个体移动至扰动位置,否则最优蝙蝠个体位置不动;
其中Random2为在闭区间[0,1]上均匀分布的随机数,Ei为第i只蝙蝠的声音强度;
步骤3.7):计算当前种群的所有蝙蝠个体的适应度以及蝙蝠种群的种群适应度方差;
根据蝙蝠种群的种群适应度方差判断早熟状态,若蝙蝠种群适应度方差小于给定的阈值,对所有蝙蝠个体进行交叉和变异操作,并转至步骤3.5),否则,选出最优蝙蝠个体,转至步骤3.8);
步骤3.8):判断是否到达最大迭代次数或最大搜索精度,若是,输出最优蝙蝠个体位置对应的所述SVM的参数c和参数g,若否,t3=t3+1,转至步骤3.4)。
有益效果
本发明提供了一种高速铁路沿线突变风速智能适应性匹配预测方法,通过历史风速数据,获得各预测时间效果较优的预测组合,根据近期风速环境和目标预测时间,选用时间匹配的最优预测模型,实现直接多步迭代预测,提高预测精度,降低随机误差的干扰。相比于现有技术而言,其优点具体包含以下几点:
1.通过在目标测风点的目标测风站和3个高相关性时移测风站,获得风速原数据,设定了若干个预测步长,以其中任意三个测风站同一时刻风速数据作为输入,剩余测风站延迟一个预测步长后的风速数据作为输出,分别训练四个测风站各种步长的SVM风速预测模型。相比于现有的风速预测方法,建立了四个测风站之间的风速关联,使得每一次预测的输入数据与输出数据的数量相等;将预测时间分解成多种组合,每种组合为若干个预测时间之和,预测时间与模型预测步长相对应,每个预测时间即一个预测任务,通过多个预测任务跳动式完成对目标时间的风速预测,避免了对大量过程时刻风速值进行预测,减少了风速预测模型的迭代预测次数;利用训练样本对所有可能的目标预测时间进行多次模拟预测,记录每个预测时间所选择的预测组合方法,实时预测时,根据目标预测时间进行时间匹配,根据当前风速环境进行小范围寻优,最优组合进行风速预测,显著减少了计算成本,同时保证了模型的时效性和科学性,显著提高了预测精度;
2.通过采用狼群-模拟退火混合算法、水循环算法和混沌差分蝙蝠算法分别对SVM的参数c和参数g进行初始参数优化,避免了初始参数选取不当对模型训练过程的干扰和预测能力的影响,也避免了经验法确定参数初始值的局限性;
3.利用本发明所提出的方法,当列车运行至事故多发地点且处于大风环境时,能够实现铁路沿线风速高精度超前预测,提前得知不稳定区域的风速环境状况,合理、实时指导列车运行,保障列车运营安全。
附图说明
图1为本发明所述方法中的预测模型训练示意图;
图2为本发明所述方法的风速预测流程示意图;
图3为测风站设置示意图。
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和图2所示,一种高速铁路沿线突变风速智能适应性匹配预测方法,包括以下步骤:
步骤1:在铁路目标测风点设置测风站,包括目标测风站和时移测风站;
所述目标测风站距离铁路目标测风点100米,所述时移测风站至少包括3个,且设置铁路目标测风点与目标测风站所在连线上,第一个时移测风站距离铁路目标测风点500米,相邻时移测风站之间间距为500米;
如图3所示,在与铁路平行的方向上,每个测风站两侧等间距设置有同类型测风站,获得目标测风站组和时移测风站组,其中时移测风站组包括第一时移测风站组、第二时移测风站组以及第三时移测风站组;
从目标测风站组各测风站测得的风速值中,选取相同采样时刻的最大风速值作为虚拟目标测风站的各采样时刻的风速值,以虚拟目标测风站作为目标样本测风站;
从各时移测风站组中,选取相同采样时刻的风速值与对虚拟测风站对应时刻的风速值显著性最大的时移测风站,获得时移目标测风站。
步骤2:构建训练样本数据;
以相同采样频率采集各测风站在历史时间段内的风速,依次将各测风站的历史风速,以时间间隔T内的风速中值作为各测风站的样本时刻风速,获得训练样本数据;
即将每个时间间隔T内的多个风速的中值作为一个样本时刻的风速值,压缩历史风速数据;
在本实例中,间隔3S采集一次风速;
对各测风站的样本数据进行交互卡尔曼滤波处理,将滤波后的数据用于模型训练和预测任务迭代向量的选取。
步骤3:利用训练样本数据和设置的预测步长,构建基于SVM的风速预测模型组;
依次以目标测风站和所有时移测风站中任意三个测风站在任意历史时刻t0的风速值作为输入数据,剩余测风站在t0+Δt时刻的风速值作为输出数据,对SVM模型进行训练,获得各测风站预测步长为Δt的基于SVM的风速预测模型;
所述预测步长Δt的取值依次为p、2p、3p、4p,p为预测步长单元时间,取值范围为1-5min,一种预测步长对应一组基于SVM的风速预测模型;
四个预测步长,一共四组风速预测模型,每组风速预测模型包含四个测风站的风速预测模型;
每组风速预测模型的输入数据为四个测风站在某初始时刻的风速,输出数据为经过时间Δt1后,四个测风站的预测风速,以经过时间Δt1之后四个测风站的预测风速作为风速预测模型组的输入数据,输出为经过时间Δt1+Δt2后四个测风站的预测风速,省略了对从初始时刻到经过时间Δt1这一过程中的时刻进行风速预测,跳动式完成对目标时间的预测;
实际上每组风速预测模型中某个测风站的风速预测模型是指利用另外三个测风站的在某时刻的风速,对该测风站在经过时间Δt后的风速进行预测;
对所述基于SVM的风速预测模型中的SVM的参数c和参数g同时采用以下至少一种方法进行优化:
1)狼群-模拟退火算法,所使用的SVM模型输入节点为3个,输出节点为1个,选择高斯函数作为核函数,SVM模型的参数c和参数g采用狼群-模拟退火算法进行优化选择;
2)水循环算法,所使用的SVM模型输入节点为3个,输出节点为1个,选择高斯函数作为核函数,SVM模型的参数c和参数g采用狼群-模拟退火算法进行优化选择;
3)混沌差分蝙蝠算法,所使用的SVM模型输入节点为3个,输出节点为1个,选择高斯函数作为核函数,SVM模型的参数c和参数g采用狼群-模拟退火算法进行优化选择;
采用狼群-模拟退火算法对所述基于SVM的风速预测模型中的SVM的参数c和参数g同时进行优化的步骤如下:
步骤1.1):以个体狼位置作为所述基于SVM风速预测模型中SVM的参数c和参数g,随机初始化狼群中的每只个体狼并设置狼群参数:
狼群规模取值范围为:[50,200],步长因子取值范围为:[50,120],探狼比例因子取值范围为:[2,6],最大游走次数取值范围为:[10,40],距离判定因子取值范围为:[40,100],最大奔袭次数取值范围为:[4,16],更新比例因子取值范围为:[2,6],最大迭代次数取值范围为:[500,1000],最大搜索精度取值范围为:[0.001,0.005];设定模拟退火算法的退火初始温度为100、退火速率为退火迭代次数t2=1,当前温度下最大退火循环次数为Lmax=6;
步骤1.2):设定适应度函数,并确定初始最优头狼位置和迭代次数t1,t1=1;
将个体狼位置的对应的SVM的参数c和参数g代入基于SVM的风速预测模型中,并利用个体狼位置确定的基于SVM模型的风速预测模型输出风速预测值,将得到的风速预测值跟期望风速值之间的均方误差的倒数作为人工狼的适应度函数F1;
其中,M表示训练次数,xi、yi分别表示第i次训练的风速预测值和期望输出值;
步骤1.3):依次对所有人工狼进行游走行为、奔袭行为、围攻行为,按照个体狼的适应度更新狼群,获得更新后的最优头狼位置;
步骤1.4):判断是否到达优化精度要求或最大迭代次数,若没有到达,令t1=t1+1转至步骤1.5),若到达,转至步骤1.7);
步骤1.5):对本代中的头狼个体进行模拟退火操作,在得到的头狼位置gi邻域内随机选择新的位置gj并计算两者适应度之差ΔF1=F1(gi)-F1(gj),计算选择概率P=exp(-ΔF1/Tei),Tei为当前温度;如果P>random[0,1),则将当前头狼位置由gi替换为gj,并以gj作为下次寻优的开始,否则以gi开始下一次寻优;
步骤1.7):输出头狼位置对应的SVM所使用的权值、阈值。
采用水循环算法对所述基于SVM的风速预测模型中的SVM的参数c和参数g同时进行优化的步骤如下:
步骤2.1):每个降雨层作为所述SVM的参数c和参数g,初始化降雨层;
设定降雨层种群数量的取值范围为[30,80],海洋数量为1,河流数量的取值范围为[10,20],最大迭代次数的取值范围为[500,1000],极小值的取值范围为[0.001,0.005];
步骤2.2:将降雨层对应的参数c和参数g代入基于SVM的风速预测模型中,利用降雨层确定的基于SVM的风速预测模型计算以风速训练子样本为输入的风速预测值与风速训练期望样本的均方误差的倒数作为第二适应度函数;
其中,M表示训练次数,xi、yi分别表示第i次训练的风速预测值和期望输出值;
步骤2.3:以适应度最大的降雨层作为大海,以适应度次于大海的且适应度较大降雨层作为河流,其余的降雨层作为向河流或大海流动的溪流;
步骤2.4:在流动过程中,如果溪流的适应度高于河流的适应度,则溪流河流互换位置,如果河流的适应度高于大海的适应度,河流大海互换位置,最后使溪流流入河流,河流流入海洋;
步骤2.5:判断河流与海洋适应度之间的差值绝对值是否小于极小值,若是,转至步骤2.6);若否,重复步骤2.5);
步骤2.6:判断是否到达最大迭代次数,若否,进入下一次迭代,从降雨层种群中舍弃该河流,重新进行降雨过程,生成随机降雨层加入种群,转至步骤2.3);若是,输出海洋降雨层对应的参数作为所述SVM的参数c和参数g。
采用混沌差分蝙蝠算法对所述基于SVM的风速预测模型中的SVM的参数c和参数g同时进行优化的步骤如下:
步骤3.1):以蝙蝠个体的位置作为基于SVM的风速预测模型中所述SVM的参数c和参数g;
蝙蝠种群规模的取值范围为[100,500],蝙蝠个体最大脉冲频率r0=0.5,最大脉冲声音强度A0的取值范围为[0.3,0.8],蝙蝠搜索频率增加系数的取值范围为[0.02,0.05],声音强度衰减系数的取值范围为[0.75,0.95],交叉概率设置为0.5,变异概率设置为0.5,适应度方差阈值的取值范围为[0.01,0.06],搜索脉冲频率的取值范围为[0,1.5],最大迭代次数的取值范围为[200,500],最大搜索精度的取值范围为[0.02,0.1];
步骤3.2):根据混沌映射序列初始化蝙蝠种群中每个蝙蝠个体的位置、速度、频率;
步骤3.3):设定适应度函数,并确定初始最优蝙蝠个体位置和迭代次数t3,t3=1;
将蝙蝠个体位置对应的参数c和参数g代入基于SVM的风速预测模型,利用蝙蝠个体位置确定的基于SVM的风速预测模型计算以风速训练子样本为输入的风速预测值与风速训练期望样本的均方误差的倒数作为第三适应度函数;
其中,M表示训练次数,xi、yi分别表示第i次训练的风速预测值和期望输出值。
步骤3.4):利用设定的脉冲频率更新蝙蝠的搜索脉冲频率、位置和速度;
步骤3.5):若Random1>ri,则对于个体最优位置的蝙蝠进行随机扰动,生成最优位置蝙蝠的扰动位置;
其中Random1为在闭区间[0,1]上均匀分布的随机数,ri为第i只蝙蝠的脉冲频率;
步骤3.6):若Random2>Ei,代表最优蝙蝠个体的扰动位置的适应度优于扰动前位置的适应度,将最优蝙蝠个体移动至扰动位置,否则最优蝙蝠个体位置不动;
其中Random2为在闭区间[0,1]上均匀分布的随机数,Ei为第i只蝙蝠的声音强度;
步骤3.7):计算当前种群的所有蝙蝠个体的适应度以及蝙蝠种群的种群适应度方差;
根据蝙蝠种群的种群适应度方差判断早熟状态,若蝙蝠种群适应度方差小于给定的阈值,对所有蝙蝠个体进行交叉和变异操作,并转至步骤3.5),否则,选出最优蝙蝠个体,转至步骤3.8);
步骤3.8):判断是否到达最大迭代次数或最大搜索精度,若是,输出最优蝙蝠个体位置对应的所述基于SVM的风速预测模型中SVM的参数c和参数g,若否,t3=t3+1,转至步骤3.4)。
步骤4:基于模拟预测时间,依次构建所有模拟预测任务迭代向量集合;
将模拟预测时间mm拆分为n个子预测时间hi,选择各子预测时间对应步长的风速预测模型组,形成各测风站预测任务迭代向量l={hi,j},hi,j表示第i个子预测时间选择第j个风速预测模型组进行风速预测的预测子任务,i的取值范围为1-n,j的取值范围为1-4;
模拟预测时间mm依次从1分钟到180分钟进行取值;
所述模拟预测时间mm是指在经过时间mm后进行风速预测;
每个子预测时间需要选择一个对应步长的风速预测模型组进行四个测风站的在经过子预测时间时的风速预测;
每一个子预测时间选择一个风速预测模型组进行一次子任务预测,称为一个预测子任务,一个预测子任务的输入为四个测风站同一时刻的风速数据,一共四个数据,输出为四个测风站经过子预测时间对应步长Δt之后同一时刻的风速数据,一共四个数据,输出数据可以直接用于下一个预测子任务的输入,避免了常规预测方法中对多余风速值的预测,减少迭代次数,提升预测精度;
利用训练样本数据,多次遍历模拟预测时间区间,获得与模拟预测时间mm对应的较优预测任务迭代向量,具体过程如下:
步骤A:基于模拟预测时间mm,在训练样本中随机选择时刻t以及t时刻之前相距mm+4p时间段内的训练样本数据,并从训练样本数据中选出各测风站依次在t、t-mm、t-mm-p、t-mm-2p、t-mm-3p、t-mm-4p以及t-p、t-2p、t-3p、t-4p时的风速;
步骤B:将四个测风站在时刻为t、t-mm、t-mm-p、t-mm-2p、t-mm-3p、t-mm-4p时的风速,依次作为每个预测任务迭代向量的输入数据,获得每个预测任务迭代向量在t、t-p、t-2p、t-3p、t-4p时获得的目标测风站预测风速;
步骤C:计算每个预测任务迭代向量依次在t、t-p、t-2p、t-3p、t-4p时获得的目标测风站预测风速与实测风速的误差,并对误差求取均值,得到每个预测任务迭代向量的总体预测误差;
步骤D:选取总体预测误差值最小的5个预测任务迭代向量,放入与模拟预测时间mm对应的预测任务迭代向量集合中;
步骤E:将模拟预测时间mm从1分钟到180分钟以1分钟为间隔,每个模拟预测时间mm按照步骤A-步骤D进行5次预测(即每一个模拟预测时间均进行了5次步骤A-步骤D,每一个模拟预测时间每一次计算(步骤A-步骤D)得到5个较优预测任务迭代向量,这5个预测任务迭代向量适用于随机选取的时刻t附近的风速环境,不一定适用于实际预测时的风速环境),获得每个模拟预测时间的预测任务迭代向量集合,所述预测任务迭代向量集合包含25个预测任务迭代向量;
利用最新历史风速数据,选取最优预测任务迭代向量,进行风速预测,获得最优风速预测结果,具体过程如下:
步骤A:基于目标预测时间m,选用与当前时刻t相距m+4p时间段内的历史风速数据按照训练样本数据的构建方法,获得预测样本数据,并从预测样本数据中选出各测风站依次在t、t-m、t-m-p、t-m-2p、t-m-3p、t-m-4p以及t-p、t-2p、t-3p、t-4p时的风速;
步骤B:选择与目标预测时间m相同的模拟预测时间对应的预测任务迭代向量集合中的所有预测任务迭代向量,将四个测风站在时刻为t-m、t-m-p、t-m-2p、t-m-3p、t-m-4p时的风速,依次作为每个预测任务迭代向量的输入数据,获得每个预测任务迭代向量在t、t-p、t-2p、t-3p、t-4p时获得的目标测风站预测风速;
步骤C:计算每个预测任务迭代向量依次在t、t-p、t-2p、t-3p、t-4p时获得的目标测风站预测风速与实测风速的误差,并对误差求取均值,得到每个预测任务迭代向量的总体预测误差;
步骤D:采用以下两种方法获取用于进行风速预测的预测任务迭代向量;
1)选取总体预测误差值最小的作为最优预测任务迭代向量,进行风速预测,获得最优风速预测结果;
2)设置预测任务迭代向量权重,构建最优预测任务迭代融合向量,进行风速预测,获得最优风速预测结果;
将所有预测任务迭代向量的总体预测误差值,按照从小到大排序,选取前5个预测任务迭代向量,并依据所选的5个预测任务迭代向量的总体预测误差值占所选5个预测任务迭代向量的总体预测误差值之和的比例,设置各预测任务迭代向量的权重,构建最优任务迭代融合向量,进行风速预测,获得最优风速预测结果。
选取5个预测任务迭代向量,对同一时刻的风速进行5次预测,按照每个预测任务迭代向量的权重,将5次预测结果进行权重组合,得到目标测风站的预测风速;
所述预测任务迭代向量中每个预测子任务的子预测时间满足以下公式:
其中,hmin的取值为预测步长单元时间。
步骤5:利用步骤4获得的任意一种预测任务迭代向量,进行风速预测;
以当前时刻t时刻四个测风站的风速数据作为所选预测任务迭代向量中第一个预测子任务的输入数据,以所选预测任务迭代向量最后一个预测子任务输出数据中的目标测风站的风速数据作为目标预测时间m目标测风点的风速预测值;
前一个预测子任务的输出数据作为后一个预测子任务的输入数据。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种高速铁路沿线突变风速智能适应性匹配预测方法,其特征在于,包括以下步骤:
步骤1:在铁路目标测风点设置测风站,包括目标测风站和时移测风站;
所述目标测风站距离铁路目标测风点100米,所述时移测风站至少包括3个,且设置铁路目标测风点与目标测风站所在连线上,第一个时移测风站距离铁路目标测风点500米,相邻时移测风站之间间距为500米;
步骤2:构建训练样本数据;
以相同采样频率采集各测风站在历史时间段内的风速,依次将各测风站的历史风速,以时间间隔T内的风速中值作为各测风站的样本时刻风速,获得训练样本数据;
步骤3:利用训练样本数据和设置的预测步长,构建基于SVM的风速预测模型组;
依次以目标测风站和所有时移测风站中任意三个测风站在任意历史时刻t0的风速值作为输入数据,剩余测风站在t0+Δt时刻的风速值作为输出数据,对SVM模型进行训练,获得各测风站预测步长为Δt的基于SVM的风速预测模型;
所述预测步长Δt的取值依次为p、2p、3p、4p,p为预测步长单元时间,取值范围为1-5min,一种预测步长对应一组基于SVM的风速预测模型;
步骤4:基于模拟预测时间,依次构建所有模拟预测任务迭代向量集合;
将模拟预测时间mm拆分为n个子预测时间hi,选择各子预测时间对应步长的风速预测模型组,形成各测风站预测任务迭代向量l={hi,j},hi,j表示第i个子预测时间选择第j个风速预测模型组进行风速预测的预测子任务,i的取值范围为1-n,j的取值范围为1-4;
模拟预测时间mm依次从1分钟到180分钟进行取值;
每个子预测时间需要选择一个对应步长的风速预测模型组进行四个测风站的在经过子预测时间时的风速预测;
步骤5:根据目标预测时间m,利用步骤4获得的与目标预测时间m匹配的任意一种预测任务迭代向量,进行风速预测;
以当前时刻t时刻四个测风站的风速数据作为所选预测任务迭代向量中第一个预测子任务的输入数据,以所选预测任务迭代向量最后一个预测子任务输出数据中的目标测风站的风速数据作为目标预测时间m目标测风点的风速预测值;
前一个预测子任务的输出数据作为后一个预测子任务的输入数据。
2.根据权利要求1所述的方法,其特征在于,利用训练样本数据,多次遍历模拟预测时间区间,获得与模拟预测时间mm对应的最优预测任务迭代向量,进行风速预测,获得最优风速预测结果,具体过程如下:
步骤A:基于模拟预测时间mm,在训练样本中随机选择时刻t以及t时刻之前相距mm+4p时间段内的训练样本数据,并从训练样本数据中选出各测风站依次在t、t-mm、t-mm-p、t-mm-2p、t-mm-3p、t-mm-4p以及t-p、t-2p、t-3p、t-4p时的风速;
步骤B:将四个测风站在时刻为t-mm、t-mm-p、t-mm-2p、t-mm-3p、t-mm-4p时的风速,依次作为每个预测任务迭代向量的输入数据,获得每个预测任务迭代向量在t、t-p、t-2p、t-3p、t-4p时获得的目标测风站预测风速;
步骤C:计算每个预测任务迭代向量依次在t、t-p、t-2p、t-3p、t-4p时获得的目标测风站预测风速与实测风速的误差,并对误差求取均值,得到每个预测任务迭代向量的总体预测误差;
步骤D:选取总体预测误差值最小的5个预测任务迭代向量,放入与模拟预测时间mm对应的预测任务迭代向量集合中;
步骤E:将模拟预测时间mm从1分钟到180分钟以1分钟为间隔,每个模拟预测时间mm按照步骤A-步骤D重复进行5次预测,每次预测得到5个较优预测任务迭代向量,每个模拟预测时间得到的25个较优预测任务迭代向量构成相应模拟预测时间的预测任务迭代向量集合;
步骤F:根据目标预测时间m,选择与m相同的模拟预测时间的预测任务迭代向量集合中的任一任务迭代向量进行风速预测,获得最优风速预测结果。
3.根据权利要求2所述的方法,其特征在于,利用最新历史风速数据,选取最优预测任务迭代向量,进行风速预测,获得最优风速预测结果,具体过程如下:
步骤A:基于目标预测时间m,选用与当前时刻t相距m+4p时间段内的历史风速数据按照训练样本数据的构建方法,获得预测样本数据,并从预测样本数据中选出各测风站依次在t、t-m、t-m-p、t-m-2p、t-m-3p、t-m-4p以及t-p、t-2p、t-3p、t-4p时的风速;
步骤B:选择与目标预测时间m相同的模拟预测时间对应的预测任务迭代向量集合中的所有预测任务迭代向量,将四个测风站在时刻为t-m、t-m-p、t-m-2p、t-m-3p、t-m-4p时的风速,依次作为每个预测任务迭代向量的输入数据,获得每个预测任务迭代向量在t、t-p、t-2p、t-3p、t-4p时获得的目标测风站预测风速;
步骤C:计算每个预测任务迭代向量依次在t、t-p、t-2p、t-3p、t-4p时获得的目标测风站预测风速与实测风速的误差,并对误差求取均值,得到每个预测任务迭代向量的总体预测误差;
步骤D:选取总体预测误差值最小的预测任务迭代向量作为最优预测任务迭代向量,进行风速预测,获得最优风速预测结果。
4.根据权利要求3所述的方法,其特征在于,设置预测任务迭代向量权重,构建最优预测任务迭代融合向量,进行风速预测,获得最优风速预测结果;
将所有预测任务迭代向量的总体预测误差值,按照从小到大排序,选取前5个预测任务迭代向量,并依据所选的5个预测任务迭代向量的总体预测误差值占所选5个预测任务迭代向量的总体预测误差值之和的比例,设置各预测任务迭代向量的权重,构建最优任务迭代融合向量,进行风速预测,获得最优风速预测结果。
5.根据权利要求2或3任一项所述的方法,其特征在于,对各测风站的样本数据进行交互卡尔曼滤波处理,将滤波后的数据用于模型训练和预测任务迭代向量的选取。
7.根据权利要求1所述的方法,其特征在于,在与铁路平行的方向上,每个测风站两侧等间距设置有同类型测风站,获得目标测风站组和时移测风站组,其中时移测风站组包括第一时移测风站组、第二时移测风站组以及第三时移测风站组;
从目标测风站组各测风站测得的风速值中,选取相同采样时刻的最大风速值作为虚拟目标测风站的各采样时刻的风速值,以虚拟目标测风站作为目标样本测风站;
从各时移测风站组中,选取相同采样时刻的风速值与对虚拟测风站对应时刻的风速值显著性最大的时移测风站,获得时移目标测风站。
8.根据权利要求7所述的方法,其特征在于,对所述基于SVM的风速预测模型中的SVM的参数c和参数g同时采用以下至少一种方法进行优化:
1)狼群-模拟退火算法,所使用的SVM模型输入节点为3个,输出节点为1个,选择高斯函数作为核函数,SVM模型的参数c和参数g采用狼群-模拟退火算法进行优化选择;
2)水循环算法,所使用的SVM模型输入节点为3个,输出节点为1个,选择高斯函数作为核函数,SVM模型的参数c和参数g采用水循环算法进行优化选择;
3)混沌差分蝙蝠算法,所使用的SVM模型输入节点为3个,输出节点为1个,选择高斯函数作为核函数,SVM模型的参数c和参数g采用混沌差分蝙蝠算法进行优化选择;
采用狼群-模拟退火算法对所述基于SVM的风速预测模型中的SVM的参数c和参数g同时进行优化的步骤如下:
步骤1.1):以个体狼位置作为所述基于SVM风速预测模型中SVM的参数c和参数g,随机初始化狼群中的每只个体狼并设置狼群参数:
狼群规模取值范围为:[50,200],步长因子取值范围为:[50,120],探狼比例因子取值范围为:[2,6],最大游走次数取值范围为:[10,40],距离判定因子取值范围为:[40,100],最大奔袭次数取值范围为:[4,16],更新比例因子取值范围为:[2,6],最大迭代次数取值范围为:[500,1000],最大搜索精度取值范围为:[0.001,0.005];设定模拟退火算法的退火初始温度为100、退火速率为退火迭代次数t2=1,当前温度下最大退火循环次数为Lmax=6;
步骤1.2):设定适应度函数,并确定初始最优头狼位置和迭代次数t1,t1=1;
将个体狼位置的对应的SVM的参数c和参数g代入基于SVM的风速预测模型中,并利用个体狼位置确定的基于SVM模型的风速预测模型输出风速预测值,将得到的风速预测值跟期望风速值之间的均方误差的倒数作为人工狼的适应度函数F1;
其中,M表示训练次数,xi1、yi1分别表示第i1次训练的风速预测值和期望输出值;
步骤1.3):依次对所有人工狼进行游走行为、奔袭行为、围攻行为,按照个体狼的适应度更新狼群,获得更新后的最优头狼位置;
步骤1.4):判断是否到达优化精度要求或最大迭代次数,若没有到达,令t1=t1+1转至步骤1.5),若到达,转至步骤1.7);
步骤1.5):对本代中的头狼个体进行模拟退火操作,在得到的头狼位置gi邻域内随机选择新的位置gj并计算两者适应度之差ΔF1=F1(gi)-F1(gj),计算选择概率P=exp(-ΔF1/Tei),Tei为当前温度;如果P>random[0,1),则将当前头狼位置由gi替换为gj,并以gj作为下次寻优的开始,否则以gi开始下一次寻优;
步骤1.7):输出头狼位置对应的SVM所使用的权值、阈值。
9.根据权利要求7所述的方法,其特征在于,采用水循环算法对所述基于SVM的风速预测模型中的SVM的参数c和参数g同时进行优化的步骤如下:
步骤2.1):每个降雨层作为所述SVM的参数c和参数g,初始化降雨层;
设定降雨层种群数量的取值范围为[30,80],海洋数量为1,河流数量的取值范围为[10,20],最大迭代次数的取值范围为[500,1000],极小值的取值范围为[0.001,0.005];
步骤2.2):将降雨层对应的参数c和参数g代入基于SVM的风速预测模型中,利用降雨层确定的基于SVM的风速预测模型计算以风速训练子样本为输入的风速预测值与风速训练期望样本的均方误差的倒数作为第二适应度函数;
其中,M表示训练次数,xi1、yi1分别表示第i1次训练的风速预测值和期望输出值;
步骤2.3):以适应度最大的降雨层作为大海,以适应度次于大海的且适应度较大降雨层作为河流,其余的降雨层作为向河流或大海流动的溪流;
步骤2.4):在流动过程中,如果溪流的适应度高于河流的适应度,则溪流河流互换位置,如果河流的适应度高于大海的适应度,河流大海互换位置,最后使溪流流入河流,河流流入海洋;
步骤2.5):判断河流与海洋适应度之间的差值绝对值是否小于极小值,若是,转至步骤2.6);若否,重复步骤2.3);
步骤2.6):判断是否到达最大迭代次数,若否,进入下一次迭代,从降雨层种群中舍弃该河流,重新进行降雨过程,生成随机降雨层加入种群,转至步骤2.3);若是,输出海洋降雨层对应的参数作为所述SVM的参数c和参数g。
10.根据权利要求7所述的方法,其特征在于,采用混沌差分蝙蝠算法对所述基于SVM的风速预测模型中的SVM的参数c和参数g同时进行优化的步骤如下:
步骤3.1):以蝙蝠个体的位置作为所述基于SVM的风速预测模型中SVM的参数c和参数g;
蝙蝠种群规模的取值范围为[100,500],蝙蝠个体最大脉冲频率r0=0.5,最大脉冲声音强度A0的取值范围为[0.3,0.8],蝙蝠搜索频率增加系数的取值范围为[0.02,0.05],声音强度衰减系数的取值范围为[0.75,0.95],交叉概率设置为0.5,变异概率设置为0.5,适应度方差阈值的取值范围为[0.01,0.06],搜索脉冲频率的取值范围为[0,1.5],最大迭代次数的取值范围为[200,500],最大搜索精度的取值范围为[0.02,0.1];
步骤3.2):根据混沌映射序列初始化蝙蝠种群中每个蝙蝠个体的位置、速度、频率;
步骤3.3):设定适应度函数,并确定初始最优蝙蝠个体位置和迭代次数t1,t1=1;
将蝙蝠个体位置对应的参数c和参数g代入基于SVM的风速预测模型,利用蝙蝠个体位置确定的基于SVM的风速预测模型计算以风速训练子样本为输入的风速预测值与风速训练期望样本的均方误差的倒数作为第三适应度函数;
其中,M表示训练次数,xi1、yi1分别表示第i1次训练的风速预测值和期望输出值;
步骤3.4):利用设定的脉冲频率更新蝙蝠的搜索脉冲频率、位置和速度;
步骤3.5):若Random1>ri2,则对于个体最优位置的蝙蝠进行随机扰动,生成最优位置蝙蝠的扰动位置;
其中Random1为在闭区间[0,1]上均匀分布的随机数,ri2为第i2只蝙蝠的脉冲频率;
步骤3.6):若Random2>Ei2,代表最优蝙蝠个体的扰动位置的适应度优于扰动前位置的适应度,将最优蝙蝠个体移动至扰动位置,否则最优蝙蝠个体位置不动;
其中Random2为在闭区间[0,1]上均匀分布的随机数,Ei2为第i2只蝙蝠的声音强度;
步骤3.7):计算当前种群的所有蝙蝠个体的适应度以及蝙蝠种群的种群适应度方差;
根据蝙蝠种群的种群适应度方差判断早熟状态,若蝙蝠种群适应度方差小于给定的阈值,对所有蝙蝠个体进行交叉和变异操作,并转至步骤3.5),否则,选出最优蝙蝠个体,转至步骤3.8);
步骤3.8):判断是否到达最大迭代次数或最大搜索精度,若是,输出最优蝙蝠个体位置对应的所述基于SVM的风速预测模型中SVM的参数c和参数g,若否,t1=t1+1,转至步骤3.4)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810844741.6A CN109002860B (zh) | 2018-07-27 | 2018-07-27 | 一种高速铁路沿线突变风速智能适应性匹配预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810844741.6A CN109002860B (zh) | 2018-07-27 | 2018-07-27 | 一种高速铁路沿线突变风速智能适应性匹配预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109002860A CN109002860A (zh) | 2018-12-14 |
CN109002860B true CN109002860B (zh) | 2020-11-24 |
Family
ID=64597137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810844741.6A Active CN109002860B (zh) | 2018-07-27 | 2018-07-27 | 一种高速铁路沿线突变风速智能适应性匹配预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109002860B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682207A (zh) * | 2012-04-28 | 2012-09-19 | 中国科学院电工研究所 | 风电场风速超短期组合预测方法 |
CN106203737A (zh) * | 2016-07-29 | 2016-12-07 | 华北电力大学(保定) | 一种风电场风速的多步预测方法及系统 |
CN106372731A (zh) * | 2016-11-14 | 2017-02-01 | 中南大学 | 一种强风高速铁路沿线风速空间网络构造预测方法 |
CN106779151A (zh) * | 2016-11-14 | 2017-05-31 | 中南大学 | 一种高速铁路沿线风速多点多层耦合预测方法 |
CN107203827A (zh) * | 2017-06-21 | 2017-09-26 | 南京信息工程大学 | 一种基于多尺度分析的风电机风速预测优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7734245B2 (en) * | 2006-01-13 | 2010-06-08 | Sai Ravela | Statistical-deterministic approach to natural disaster prediction |
-
2018
- 2018-07-27 CN CN201810844741.6A patent/CN109002860B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682207A (zh) * | 2012-04-28 | 2012-09-19 | 中国科学院电工研究所 | 风电场风速超短期组合预测方法 |
CN106203737A (zh) * | 2016-07-29 | 2016-12-07 | 华北电力大学(保定) | 一种风电场风速的多步预测方法及系统 |
CN106372731A (zh) * | 2016-11-14 | 2017-02-01 | 中南大学 | 一种强风高速铁路沿线风速空间网络构造预测方法 |
CN106779151A (zh) * | 2016-11-14 | 2017-05-31 | 中南大学 | 一种高速铁路沿线风速多点多层耦合预测方法 |
CN107203827A (zh) * | 2017-06-21 | 2017-09-26 | 南京信息工程大学 | 一种基于多尺度分析的风电机风速预测优化方法 |
Non-Patent Citations (5)
Title |
---|
Fine tuning support vector machines for short-term wind speed forecasting;Junyi Zhou 等;《Energy Conversion and Management》;20110430;第52卷(第4期);全文 * |
Smart multi-step deep learning model for wind speed forecasting based on variational mode decomposition, singular spectrum analysis, LSTM network and ELM;Hui Liu等;《Energy Conversion and Management》;20180301;第159卷;全文 * |
基于经验模式分解和自适应神经模糊推理的风速短期智能预测混合方法;刘辉 等;《中南大学学报(自然科学版)》;20160229;第47卷(第2期);全文 * |
支持向量回归机在风电场短期风速预测中的应用研究;李霞;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20140115;第2014年卷(第01期);全文 * |
短期风速时间序列混沌特性分析及预测;田中大 等;《物理学报》;20150208;第64卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109002860A (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103581188B (zh) | 一种网络安全态势预测方法及系统 | |
CN109214581B (zh) | 一种考虑风向和置信区间的铁路沿线风速预测方法 | |
CN108920812B (zh) | 一种机械加工表面粗糙度预测方法 | |
CN111160520A (zh) | 一种基于遗传算法优化的bp神经网络风速预测方法 | |
CN104537891B (zh) | 一种船舶轨迹实时预测方法 | |
CN104484726B (zh) | 船舶轨迹实时预测方法 | |
CN107909206A (zh) | 一种基于深层结构循环神经网络的pm2.5预测方法 | |
CN108960421A (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
CN112907970B (zh) | 一种基于车辆排队长度变化率的可变车道转向控制方法 | |
CN109034476B (zh) | 一种高速铁路沿线极端风速大数据聚类预测方法 | |
CN109598381B (zh) | 一种基于状态频率记忆神经网络的短时交通流预测方法 | |
Zhang et al. | Solar radiation prediction based on particle swarm optimization and evolutionary algorithm using recurrent neural networks | |
CN109190839B (zh) | 一种融合风向的铁路沿线风速智能滚动预测方法 | |
CN109034478B (zh) | 一种高速铁路沿线大风迭代竞争高精度预测方法 | |
Zhang et al. | Prediction of urban pm 2.5 concentration based on wavelet neural network | |
CN111582541A (zh) | 一种基于萤火虫算法的内涝模型预测方法 | |
CN109711593B (zh) | 一种面向瞬时计算决策的高速铁路沿线风速预测方法 | |
CN109063907B (zh) | 一种高速铁路沿线极大风速智能遍历大步长预测方法 | |
CN109800517B (zh) | 一种改进的磁流变阻尼器逆向建模方法 | |
CN109002860B (zh) | 一种高速铁路沿线突变风速智能适应性匹配预测方法 | |
CN111667694B (zh) | 一种基于改进dtw-knn的短时交通流预测方法 | |
Wang et al. | Analysis of roll center compensation method for underwater gliders based on deep learning | |
CN115496941B (zh) | 基于知识增强计算机视觉的结构健康诊断方法 | |
CN116307775A (zh) | 一种评价方法及系统 | |
Rizianiza et al. | Prediction of significant wave height in the java sea using artificial neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |