CN109214582A - 一种风向空间关联驱动的铁路沿线风速预测方法 - Google Patents
一种风向空间关联驱动的铁路沿线风速预测方法 Download PDFInfo
- Publication number
- CN109214582A CN109214582A CN201811099808.4A CN201811099808A CN109214582A CN 109214582 A CN109214582 A CN 109214582A CN 201811099808 A CN201811099808 A CN 201811099808A CN 109214582 A CN109214582 A CN 109214582A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- model
- moment
- air measuring
- 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.)
- Granted
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000009423 ventilation Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 210000000349 chromosome Anatomy 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims 1
- 238000003062 neural network model Methods 0.000 claims 1
- 230000004927 fusion Effects 0.000 abstract description 4
- 230000010354 integration Effects 0.000 abstract description 4
- 238000013506 data mapping Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000012876 topography Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G06Q50/40—
-
- 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
Abstract
本发明公开了一种风向空间关联驱动的铁路沿线风速预测方法，对目标地点风速进行多模型集成预测，通过集成多个低相关模型，利用多目标优化算法进行多模型融合，得到最终风速预测模型，保证了进行融合多模型之间的低相关性，提升模型的泛化能力，显著提高了预测精度；通过在目标测风点构造三个地理环绕的辅助测风站，协同目标测风站，建立四个测风站之间的风向数据映射关系，利用四个测风站之间的风向地理信息，显著提高风向预测精度；利用本发明所提出的方法，当列车运行至伴有大风环境的地势崎岖等危险路段时，能够实现铁路沿线风速高精度超前预测，利用风向空间关联驱动的优势，避免了单一风速驱动的保守性，保障列车安全运行。
Description
技术领域
本发明属于铁路风速预测领域，特别涉及一种风向空间关联驱动的铁路沿线风速预测方法。
背景技术
大风是铁路运营安全的主要威胁之一，每年都有多起大风导致的铁路安全事故。2005年12月25日，日本新干线特快列车“稻穗14号“行驶至日本北部山形县时，遭遇突发狂风袭击，列车脱轨翻车，造成4人死亡，33人受伤。2011年4月23日，阿根廷南部丘布特省埃斯克尔镇附近，暴风导致一列正在运行的列车出轨，造成20余名乘客受伤。
针对铁路大风问题，多数研究者将目光放在铁路沿线风速的预测中，旨在实现铁路沿线风速的高精度预测。但是造成列车事故的因素除了风速外，还跟风向关系密切。在风速等级和运行速度相同的情况下，列车倾覆、脱轨可能性的高低受制于风向。
发明内容
本发明为了实现铁路沿线短期风环境的高精度预测，提供了一种风向空间关联驱动的铁路沿线风速预测方法，对目标地点风速进行多模型集成预测，通过集成多个低相关模型，提高预测精度，同时通过辅助测风站进行风向预测。
一种风向空间关联驱动的铁路沿线风速预测方法，包括以下步骤：
步骤1：在铁路目标测风点设置测风站，包括目标测风站和辅助测风站；
所述目标测风站1个，距离铁路目标测风点100米，所述辅助测风站包括3个，布置在等边三角形的三个顶点，两两之间相距1000米，等边三角形中心位于目标测风站处，底边平行于铁路轨道；
步骤2：构建训练样本数据；
以相同采样频率采集目标测风站在历史时间段内的风速数据、风向数据和辅助测风站在相同历史时间段内的风向数据，将目标测风站的历史风速数据，以时间间隔T内的风速中值作为目标测风站的样本时刻风速，获得风速样本数据；将各测风站的风向数据以时间间隔T内的风向中值作为各测风站的样本时刻风向，获得风向训练样本数据；
即将每个时间间隔T内的多个风速/风向的中值作为一个样本时刻的风速/风向值，压缩历史风速/风向数据；
步骤3：利用风速样本数据和设置的预测步长，构建LS-SVM风速预测模型；
将风速样本数据中最后102+Δt个时刻的数据作为风速测试样本，其余时刻的数据作为风速训练样本，Δt为预测步长，取值范围为z·T，z＝1，2，3…,10；
针对LS-SVM风速预测模型的参数γ和参数σ2，随机选取n种取值组合,n取值至少为100，构建n个LS-SVM风速预测模型；
利用风速训练样本数据，依次以任意三个连续时刻t-2、t-1、和t时刻的风速值作为每个LS-SVM风速预测模型的输入数据，将t+Δt时刻的风速值作为每个LS-SVM风速预测模型的输出数据，训练得到n个LS-SVM风速预测模型；
依次将风速测试样本连续三个时刻的风速值作为每个LS-SVM风速预测模型的输入数据，分别得到风速测试样本中最后100个时刻的风速测试预测值；
每个LS-SVM风速预测模型分别进行100次的滚动预测；
从n个LS-SVM风速预测模型中随机选取20个LS-SVM风速预测模型；
依次选取上述20个LS-SVM风速预测模型的100个风速测试预测值，将任意两个LS-SVM风速预测模型中对应100个风速测试预测值进行相关性分析，得到任意两个LS-SVM风速预测模型的皮尔逊相关性系数，并选择使得S最小的10个LS-SVM风速预测模型；
其中，si为第i个LS-SVM风速预测模型同另外9个LS-SVM风速预测模型皮尔逊相关性系数的最大值；
步骤4：利用风向训练样本数据和设置的预测步长，构建基于PID神经网络的风向预测模型组；
依次以目标测风站和所有辅助测风站中任意三个测风站在任意历史时刻t0的风向值作为输入数据，剩余测风站在t0+Δt时刻的风向值作为输出数据，对PID神经网络进行训练，获得各测风站预测步长为Δt的基于PID神经网络的风向预测模型组；
步骤5：利用步骤3获得的LS-SVM风速预测模型和步骤4获得的基于PID神经网络风向预测模型组，分别进行风速预测和风向预测；
记当前时刻为tnow时刻，目标预测时刻为tnow+m时刻；
将tnow-1-Δt，tnow-Δt，tnow+1-Δt三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个LS-SVM风速预测模型的输入数据，输出10个tnow+1时刻的风速预测值，对10个结果取平均得到tnow+1时刻最优风速预测值；将tnow+1时刻的最优风速预测值作为tnow+1时刻时目标测风站的实测风速值；
将tnow-Δt，tnow+1-Δt，tnow+1三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个LS-SVM风速预测模型的输入数据，输出10个tnow+2时刻的风速预测值，对10个结果取平均得到tnow+2时刻的最优风速预测值；
依次类推，进入滚动预测，直到得到tnow+m时刻的目标测风站的最优风速预测值；
将tnow-Δt+m％Δt时刻四个测风站的风向数据作为所述基于PID神经网络的风向预测模型组的输入数据，获得各测风站在tnow+m％Δt时刻的风向预测值；将四个测风站的输出风向预测值再次作为所述基于PID神经网络的风向预测模型组的输入数据，迭代多次，直至得到tnow+m时刻的各测风站的风向预测值；
其中，m％Δt表示m对Δt取余。
进一步的，所述从n个LS-SVM风速预测模型中随机选取20个LS-SVM风速预测模型时，选取预测精度最高的20个LS-SVM风速预测模型，具体过程如下：
依次将每个LS-SVM风速预测模型的100个风速测试预测值，对比风速测试样本中相应预测时刻的风速真实值，得到每个LS-SVM风速预测模型100次预测的均方误差，将均方误差的倒数作为精度评价指标，选取精度最高的20个LS-SVM风速预测模型。
进一步的，通过多目标遗传算法，对所述使得S最小的10个LS-SVM风速预测模型设置权值,并利用各权值将各模型得到10个预测结果加权求和得到tnow+1时刻的最优风速预测值；
所述10个LS-SVM风速预测模型的权值设置的具体过程如下：
步骤A：将各LS-SVM风速预测模型的权值qi作为染色体个体，以一组染色体作为种群个体，随机生成规模为N的初始种群Pk，即父代种群Pk，此时k＝1，N取值为500；
一个染色体个体表示一组权值，即包含10个LS-SVM风速预测模型的权值；
步骤B：将个体的MSE和RE作为个体非支配水平，对父代种群Pk进行快速非支配排序，计算每个个体非支配序，依据非支配序将种群所有个体分层，形成第1非支配层F1，第2非支配层F2，…，第n非支配层Fn；每层含有1个或多个个体，同层个体非支配序相同；
式中，为将风速测试样本中的第j组连续三个时刻风速数据输入第i个LS-SVM风速预测模型得到的第j次风速测试预测值，i＝1,2,3,…,10,j＝1,2,3,…,100；yj为利用风速测试样本进行第j次预测时对应风速测试样本数据中预测时刻的风速真实值；qi为第i个LS-SVM风速预测模型的权值，i＝1,2,3,…,10，qi的取值范围为[0，1]；
步骤C：通过遗传算法的选择、交叉、变异三个基本操作，生成规模为N的子代种群Qk；
其中，选择算子为轮赛制选择算子，交叉算子为SBX算子，变异算子为随机变异算子；
步骤D：将父代种群Pk和子代种群Qk合并，形成规模为2N的种群Zk，将个体的MSE和RE作为个体非支配水平，对Zk中的个体进行快速非支配排序，依据非支配序将种群分层；
为对同层个体进行选择性排序，依次计算每个个体分别在函数MSE和RE下的拥挤距离，将每个个体分别在MSE和RE函数下的拥挤距离取平均值，得到每个个体的平均拥挤距离；
步骤E：通过低非支配层优先和同层高平均拥挤距离优先的原则，从Zk中选择N个个体，令k＝k+1，形成父代种群Pk；判断k是否为500，若是，转至步骤F，若否，转至步骤C；
步骤F：选择父代种群Pk第1非支配层中RE最小的个体，所述个体代表的权值即所述使得S最小的10个LS-SVM风速预测模型的权值。
同层每个个体在任一目标函数下的拥挤距离计算方式如下：
基于每个个体的目标函数值将个体进行升序排列，令边界的两个个体拥挤距离为无穷,即I(dfirst)＝I(dend)＝∞，式中，I(dfirst)为排序第一位个体的拥挤距离，I(dend)为排序最后一位个体的拥挤距离，其余个体的拥挤距离利用插值法进行计算，I(di)＝(M(di+1)-M(di-1))/(maxM(d)-minM(d)),式中，I(di)为排序第i位个体的拥挤距离，M(di+1)为排序第i+1位个体的目标函数值，M(di-1)为排序第i-1位个体的目标函数值，maxM(d)为同层所有个体目标函数值的最大值，minM(d)为同层所有个体目标函数值的最小值。
进一步的，对各测风站的样本数据进行不敏卡尔曼滤波处理；对测风站采集的样本数据进行不敏卡尔曼滤波处理后再进行后续的处理，可以去除噪声数据，进一步确保预测结果的准确性。
有益效果
本发明提供了一种风向空间关联驱动的铁路沿线风速预测方法，对目标地点风速进行多模型集成预测，通过集成多个低相关模型，提高预测精度，同时通过辅助测风站进行风向预测；相比于现有技术而言，其优点具体包含以下几点：
1.通过在目标测风点构造一个目标测风站，获得相应风速数据，利用风速预测模型的超参数选择，随机建立大量风速预测模型，并且利用相同风速数据分别进行训练，通过预测精度和相关性进行两次风速预测模型筛选，利用多目标优化算法进行多模型融合，得到最终风速预测模型。相比于现有的风速预测方法，通过多模型集成的方法，融合多个高精度风速预测模型，同时保证进行融合多模型之间的低相关性，提升模型的泛化能力，显著提高了预测精度；
2.通过在目标测风点构造三个地理环绕的辅助测风站，协同目标测风站，获得相应风向数据，以三个测风站同一时刻风向数据作为输入，剩下的一个测风站延迟一个预测步长后的风向数据作为输出，分别训练四个测风站各自的风向预测模型。相比于现有的预测方法，建立了四个测风站之间的风向数据映射关系，同时映射关系蕴含四个测风站的风向地理信息，显著提高了风向预测精度；
3.利用本发明所提出的方法，当列车运行至伴有大风环境的地势崎岖等危险路段时，能够实现铁路沿线风速高精度超前预测，同时可以进行高精度风向超前多步预测，利用风向空间关联驱动的优势，避免了单一风速驱动的保守性，保障列车安全运行。
附图说明
图1为本发明所述方法中的风向预测模型组训练示意图；
图2为本发明所述方法的风速预测流程示意图；
图3为测风站布置设置示意图。
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，一种风向空间关联驱动的铁路沿线风速预测方法，包括以下步骤：
步骤1：在铁路目标测风点设置测风站，包括目标测风站和辅助测风站；
如图3所示，所述目标测风站1个，距离铁路目标测风点100米，所述辅助测风站包括3个，布置在等边三角形的三个顶点，两两之间相距1000米，等边三角形中心位于目标测风站处，底边平行于铁路轨道。
步骤2：构建训练样本数据；
以相同采样频率采集目标测风站在历史时间段内的风速数据、风向数据和辅助测风站在相同历史时间段内的风向数据，将目标测风站的历史风速数据，以时间间隔T内的风速中值作为目标测风站的样本时刻风速，获得风速样本数据；将各测风站的风向数据以时间间隔T内的风向中值作为各测风站的样本时刻风向，获得风向训练样本数据；
即将每个时间间隔T内的多个风速/风向的中值作为一个样本时刻的风速/风向值，压缩历史风速/风向数据；
在本实例中，间隔3S采集一次风速/风向数据，T取值为1分钟，则历史风速/风向原始序列的时间间隔为3秒，以时间间隔T内的风速/风向中值作为样本时刻风速/风向值，经过这一步处理后，风速/风向序列的时间间隔为1分钟，本专利所指的某时刻的风速/风向值指的是某1分钟的风速/风向值，连续时刻即第1分钟，第2分钟，第3分钟等等，不再含有以秒为单位风速/风向值；
对各测风站的样本数据进行不敏卡尔曼滤波处理，将滤波后的数据用于模型训练。
步骤3：利用风速样本数据和设置的预测步长，构建LS-SVM风速预测模型；
将风速样本数据中最后102+Δt个时刻的数据作为风速测试样本，其余时刻的数据作为风速训练样本，Δt为预测步长，取值范围为z·T，z＝1，2，3…,10；
针对LS-SVM风速预测模型的参数γ和参数σ2，随机选取n种取值组合,n取值至少为100，构建n个LS-SVM风速预测模型；
利用风速训练样本数据，依次以任意三个连续时刻t-2、t-1、和t时刻的风速值作为每个LS-SVM风速预测模型的输入数据，将t+Δt时刻的风速值作为每个LS-SVM风速预测模型的输出数据，训练得到n个LS-SVM风速预测模型；
依次将风速测试样本连续三个时刻的风速值作为每个LS-SVM风速预测模型的输入数据，分别得到风速测试样本中最后100个时刻的风速测试预测值；
每个LS-SVM风速预测模型分别进行100次的滚动预测；
本实例中Δt取值为3分钟，现有1、2、3、4、5时刻的风速数据，当前时刻为5，滚动预测即将1、2、3时刻的风速输入LS-SVM风速预测模型，输出得到6时刻的风速预测值，再将2、3、4时刻的风速输入LS-SVM风速预测模型，输出得到7时刻的风速预测值，再将3、4、5时刻的风速值输入LS-SVM风速预测模型，输出得到8时刻的风速预测值，再将4、5时刻的风速值和6时刻的风速预测值输入LS-SVM风速预测模型，输出9时刻的风速预测值，依此实现滚动预测；
从n个LS-SVM风速预测模型中，选取预测精度最高的20个LS-SVM风速预测模型，具体过程如下：
依次将每个LS-SVM风速预测模型的100个风速测试预测值，对比风速测试样本中相应预测时刻的风速真实值，得到每个LS-SVM风速预测模型100次预测的均方误差，将均方误差的倒数作为精度评价指标，选取精度最高的20个LS-SVM风速预测模型。
依次选取上述20个LS-SVM风速预测模型的100个风速测试预测值，将任意两个LS-SVM风速预测模型中对应100个风速测试预测值进行相关性分析，得到任意两个LS-SVM风速预测模型之间的皮尔逊相关性系数，并选择使得S最小的10个LS-SVM风速预测模型；
其中，X,Y为任意两个LS-SVM风速预测模型，rXY为X和Y之间的皮尔逊相关性系数，xi和yi分别为X和Y的第i个风速测试预测值，和分别为X和Y的100个风速测试预测值的平均值；
其中，si为第i个LS-SVM风速预测模型同另外9个LS-SVM风速预测模型皮尔逊相关性系数的最大值；
通过多目标遗传算法，对所述使得S最小的10个LS-SVM风速预测模型设置权值；
所述10个LS-SVM风速预测模型的权值设置的具体过程如下：
步骤A：将各LS-SVM风速预测模型的权值qi作为染色体个体，以一组染色体作为种群个体，随机生成规模为N的初始种群Pk，即父代种群Pk，此时k＝1，N取值为500；
一个染色体个体表示一组权值，即包含10个LS-SVM风速预测模型的权值；
步骤B：将个体的MSE和RE作为个体非支配水平，对父代种群Pk进行快速非支配排序，计算每个个体非支配序，依据非支配序将种群所有个体分层，形成第1非支配层F1，第2非支配层F2，…，第n非支配层Fn；每层含有1个或多个个体，同层个体非支配序相同；
式中，为将风速测试样本中的第j组连续三个时刻风速数据输入第i个LS-SVM风速预测模型得到的第j次风速测试预测值，i＝1,2,3,…,10,j＝1,2,3,…,100；yj为利用风速测试样本进行第j次预测时对应风速测试样本数据中预测时刻的风速真实值；qi为第i个LS-SVM风速预测模型的权值，i＝1,2,3,…,10，qi的取值范围为[0，1]；
步骤C：通过遗传算法的选择、交叉、变异三个基本操作，生成规模为N的子代种群Qk；
其中，选择算子为轮赛制选择算子，交叉算子为SBX算子，变异算子为随机变异算子；
步骤D：将父代种群Pk和子代种群Qk合并，形成规模为2N的种群Zk，将个体的MSE和RE作为个体非支配水平，对Zk中的个体进行快速非支配排序，依据非支配序将种群分层；
为对同层个体进行选择性排序，依次计算每个个体分别在函数MSE和RE下的拥挤距离，将每个个体分别在MSE和RE函数下的拥挤距离取平均值，得到每个个体的平均拥挤距离；
步骤E：通过低非支配层优先和同层高平均拥挤距离优先的原则，从Zk中选择N个个体，令k＝k+1，形成父代种群Pk；判断k是否为500，若是，转至步骤F，若否，转至步骤C；
步骤F：选择父代种群Pk第1非支配层中RE最小的个体，所述个体代表的权值即所述使得S最小的10个LS-SVM风速预测模型的权值。
步骤4：利用风向训练样本数据和设置的预测步长，构建基于PID神经网络的风向预测模型组；
依次以目标测风站和所有辅助测风站中任意三个测风站在任意历史时刻t0的风向值作为输入数据，剩余测风站在t0+Δt时刻的风向值作为输出数据，对PID神经网络进行训练，获得各测风站预测步长为Δt的基于PID神经网络的风向预测模型组；
步骤5：利用步骤3获得的LS-SVM风速预测模型和步骤4获得的基于PID神经网络风向预测模型组，分别进行风速预测和风向预测；
记当前时刻为tnow时刻，目标预测时刻为tnow+m时刻；
将tnow-1-Δt，tnow-Δt，tnow+1-Δt三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个LS-SVM风速预测模型的输入数据，输出10个tnow+1时刻的风速预测值，对10个结果加权求和得到tnow+1时刻最优风速预测值；将tnow+1时刻的最优风速预测值作为tnow+1时刻时目标测风站的实测风速值；
将tnow-Δt，tnow+1-Δt，tnow+1三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个LS-SVM风速预测模型的输入数据，输出10个tnow+2时刻的风速预测值，对10个结果加权求和得到tnow+2时刻的最优风速预测值；
依次类推，进入滚动预测，直到得到tnow+m时刻的目标测风站的最优风速预测值；
将tnow-Δt+m％Δt时刻四个测风站的风向数据作为所述基于PID神经网络的风向预测模型组的输入数据，获得各测风站在tnow+m％Δt时刻的风向预测值；将四个测风站的输出风向预测值再次作为所述基于PID神经网络的风向预测模型组的输入数据，迭代多次，直至得到tnow+m时刻的各测风站的风向预测值；其中，m％Δt表示m对Δt取余。
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 (4)
1.一种风向空间关联驱动的铁路沿线风速预测方法，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，包括目标测风站和辅助测风站；
所述目标测风站1个，距离铁路目标测风点100米，所述辅助测风站包括3个，布置在等边三角形的三个顶点，两两之间相距1000米，等边三角形中心位于目标测风站处，底边平行于铁路轨道；
步骤2：构建训练样本数据；
以相同采样频率采集目标测风站在历史时间段内的风速数据、风向数据和辅助测风站在相同历史时间段内的风向数据，将目标测风站的历史风速数据，以时间间隔T内的风速中值作为目标测风站的样本时刻风速，获得风速样本数据；将各测风站的风向数据以时间间隔T内的风向中值作为各测风站的样本时刻风向，获得风向训练样本数据；
步骤3：利用风速样本数据和设置的预测步长，构建LS-SVM风速预测模型；
将风速样本数据中最后102+Δt个时刻的数据作为风速测试样本，其余时刻的数据作为风速训练样本，Δt为预测步长，取值范围为z·T，z＝1，2，3…,10；
针对LS-SVM风速预测模型的参数γ和参数σ2，随机选取n种取值组合,n取值至少为100，构建n个LS-SVM风速预测模型；
利用风速训练样本数据，依次以任意三个连续时刻t-2、t-1、和t时刻的风速值作为每个LS-SVM风速预测模型的输入数据，将t+Δt时刻的风速值作为每个LS-SVM风速预测模型的输出数据，训练得到n个LS-SVM风速预测模型；
依次将风速测试样本连续三个时刻的风速值作为每个LS-SVM风速预测模型的输入数据，分别得到风速测试样本中最后100个时刻的风速测试预测值；
从n个LS-SVM风速预测模型中随机选取20个LS-SVM风速预测模型；
依次选取上述20个LS-SVM风速预测模型的100个风速测试预测值，将任意两个LS-SVM风速预测模型中对应100个风速测试预测值进行相关性分析，得到任意两个LS-SVM风速预测模型的皮尔逊相关性系数，并选择使得S最小的10个LS-SVM风速预测模型；
其中，si为第i个LS-SVM风速预测模型同另外9个LS-SVM风速预测模型皮尔逊相关性系数的最大值；
步骤4：利用风向训练样本数据和设置的预测步长，构建基于PID神经网络的风向预测模型组；
依次以目标测风站和所有辅助测风站中任意三个测风站在任意历史时刻t0的风向值作为输入数据，剩余测风站在t0+Δt时刻的风向值作为输出数据，对PID神经网络进行训练，获得各测风站预测步长为Δt的基于PID神经网络的风向预测模型组；
步骤5：利用步骤3获得的LS-SVM风速预测模型和步骤4获得的基于PID神经网络风向预测模型组，分别进行风速预测和风向预测；
记当前时刻为tnow时刻，目标预测时刻为tnow+m时刻；
将tnow-1-Δt，tnow-Δt，tnow+1-Δt三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个LS-SVM风速预测模型的输入数据，输出10个tnow+1时刻的风速预测值，对10个结果得到tnow+1时刻最优风速预测值；将tnow+1时刻的最优风速预测值作为tnow+1时刻时目标测风站的实测风速值；
将tnow-Δt，tnow+1-Δt，tnow+1三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个LS-SVM风速预测模型的输入数据，输出10个tnow+2时刻的风速预测值，对10个结果取平均得到tnow+2时刻的最优风速预测值；
依次类推，进入滚动预测，直到得到tnow+m时刻的目标测风站的最优风速预测值；
将tnow-Δt+m％Δt时刻四个测风站的风向数据作为所述基于PID神经网络的风向预测模型组的输入数据，获得各测风站在tnow+m％Δt时刻的风向预测值；将四个测风站输出的风向预测值再次作为所述基于PID神经网络的风向预测模型组的输入数据，迭代多次，直至得到tnow+m时刻的各测风站的风向预测值；其中，m％Δt表示m对Δt取余。
2.根据权利要求1所述的方法，其特征在于，所述从n个LS-SVM风速预测模型中随机选取20个LS-SVM风速预测模型时，选取预测精度最高的20个LS-SVM风速预测模型，具体过程如下：
依次将每个LS-SVM风速预测模型的100个风速测试预测值，对比风速测试样本中相应预测时刻的风速真实值，得到每个LS-SVM风速预测模型100次预测的均方误差，将均方误差的倒数作为精度评价指标，选取精度最高的20个LS-SVM风速预测模型。
3.根据权利要求1所述的方法，其特征在于，通过多目标遗传算法，对所述使得S最小的10个LS-SVM风速预测模型设置权值,并利用各权值将各模型得到10个预测结果加权求和得到tnow+1时刻的最优风速预测值；
所述10个LS-SVM风速预测模型的权值设置的具体过程如下：
步骤A：将各LS-SVM风速预测模型的权值qi作为染色体个体，以一组染色体作为种群个体，随机生成规模为N的初始种群Pk，即父代种群Pk，此时k＝1，N取值为500；
步骤B：将个体的MSE和RE作为个体非支配水平，对父代种群Pk进行快速非支配排序，计算每个个体非支配序，依据非支配序将种群所有个体分层，形成第1非支配层F1，第2非支配层F2，…，第n非支配层Fn；每层含有1个或多个个体，同层个体非支配序相同；
式中，为将风速测试样本中的第j组连续三个时刻风速数据输入第i个LS-SVM风速预测模型得到的第j次风速测试预测值，i＝1,2,3,…,10,j＝1,2,3,…,100；yj为利用风速测试样本进行第j次预测时对应风速测试样本数据中预测时刻的风速真实值；qi为第i个LS-SVM风速预测模型的权值，i＝1,2,3,…,10，qi的取值范围为[0，1]；
步骤C：通过遗传算法的选择、交叉、变异三个基本操作，生成规模为N的子代种群Qk；
其中，选择算子为轮赛制选择算子，交叉算子为SBX算子，变异算子为随机变异算子；
步骤D：将父代种群Pk和子代种群Qk合并，形成规模为2N的种群Zk，将个体的MSE和RE作为个体非支配水平，对Zk中的个体进行快速非支配排序，依据非支配序将种群分层；
为对同层个体进行选择性排序，依次计算每个个体分别在函数MSE和RE下的拥挤距离，将每个个体分别在MSE和RE函数下的拥挤距离取平均值，得到每个个体的平均拥挤距离；
步骤E：通过低非支配层优先和同层高平均拥挤距离优先的原则，从Zk中选择N个个体，令k＝k+1，形成父代种群Pk；判断k是否为500，若是，转至步骤F，若否，转至步骤C；
步骤F：选择父代种群Pk第1非支配层中RE最小的个体，所述个体代表的权值即所述使得S最小的10个LS-SVM风速预测模型的权值。
4.根据权利要求1-3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不敏卡尔曼滤波处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811099808.4A CN109214582B (zh) | 2018-09-20 | 2018-09-20 | 一种风向空间关联驱动的铁路沿线风速预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811099808.4A CN109214582B (zh) | 2018-09-20 | 2018-09-20 | 一种风向空间关联驱动的铁路沿线风速预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109214582A true CN109214582A (zh) | 2019-01-15 |
| CN109214582B CN109214582B (zh) | 2022-02-11 |
Family
ID=64984227
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811099808.4A Active CN109214582B (zh) | 2018-09-20 | 2018-09-20 | 一种风向空间关联驱动的铁路沿线风速预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109214582B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210646A (zh) * | 2019-04-25 | 2019-09-06 | 浙江大学 | 一种基于风速预测的高速铁路强风报警保持时间动态调整方法 |
| CN113516320A (zh) * | 2021-09-14 | 2021-10-19 | 国能日新科技股份有限公司 | 基于多目标遗传算法风速订正和预测风速优化方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014128184A (ja) * | 2012-12-27 | 2014-07-07 | Mitsubishi Heavy Ind Ltd | 風力発電システムの制御装置及び制御方法、並びに風力発電システム |
| 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 |
-
2018
- 2018-09-20 CN CN201811099808.4A patent/CN109214582B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014128184A (ja) * | 2012-12-27 | 2014-07-07 | Mitsubishi Heavy Ind Ltd | 風力発電システムの制御装置及び制御方法、並びに風力発電システム |
| 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 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210646A (zh) * | 2019-04-25 | 2019-09-06 | 浙江大学 | 一种基于风速预测的高速铁路强风报警保持时间动态调整方法 |
| CN113516320A (zh) * | 2021-09-14 | 2021-10-19 | 国能日新科技股份有限公司 | 基于多目标遗传算法风速订正和预测风速优化方法及装置 |
| CN113516320B (zh) * | 2021-09-14 | 2021-12-10 | 国能日新科技股份有限公司 | 基于多目标遗传算法风速订正和预测风速优化方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109214582B (zh) | 2022-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109214581B (zh) | 一种考虑风向和置信区间的铁路沿线风速预测方法 | |
| CN103678917B (zh) | 一种基于模拟退火算法的公交实时到站时间预测方法 | |
| CN105139086B (zh) | 基于优化置信规则推理的轨道高低不平顺幅值估计方法 | |
| CN102693633B (zh) | 一种短时交通流加权组合预测方法 | |
| CN109190839A (zh) | 一种融合风向的铁路沿线风速智能滚动预测方法 | |
| CN104183134B (zh) | 基于智能分车型的高速公路短时交通流量预测方法 | |
| CN110274609B (zh) | 一种基于行程时间预测的实时路径规划方法 | |
| CN105206056B (zh) | 道路交通污染源智能预测方法及系统 | |
| CN107563566B (zh) | 一种基于支持向量机的公交站间运行时间区间预测方法 | |
| CN101592673B (zh) | 铁路沿线风速预测的方法 | |
| CN103489039B (zh) | 具有在线自整定优化能力的高速公路交通流量融合预测方法 | |
| CN104900057B (zh) | 一种城市快速路主辅道的浮动车地图匹配方法 | |
| CN107346460A (zh) | 基于智能网联系统下前车运行信息的未来工况预测方法 | |
| CN111063204B (zh) | 一种基于收费站流量的高速公路车速预测模型训练方法 | |
| CN107168342A (zh) | 一种用于机器人路径规划的行人轨迹预测方法 | |
| CN107563540A (zh) | 一种基于随机森林的短时公交上车客流量的预测方法 | |
| Yu et al. | Bus travel-time prediction based on bus speed | |
| CN107545730A (zh) | 一种基于公交ic卡数据的站点上下车乘客数估计方法 | |
| CN114783183A (zh) | 一种基于交通态势算法的监控方法与系统 | |
| CN106710215A (zh) | 瓶颈上游车道级交通状态预测系统及实现方法 | |
| CN106327867B (zh) | 一种基于gps数据的公交准点预测方法 | |
| CN109214582A (zh) | 一种风向空间关联驱动的铁路沿线风速预测方法 | |
| CN107248280A (zh) | 一种基于实时客流预测的公交车发车调度方法 | |
| CN109493449A (zh) | 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法 | |
| Cheng et al. | Bus arrival time prediction model based on APC data |
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 |