CN110210646B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110210646B CN110210646B CN201910339200.2A CN201910339200A CN110210646B CN 110210646 B CN110210646 B CN 110210646B CN 201910339200 A CN201910339200 A CN 201910339200A CN 110210646 B CN110210646 B CN 110210646B
- Authority
- CN
- China
- Prior art keywords
- strong wind
- alarm
- wind
- time
- speed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims description 45
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 10
- 230000002265 prevention Effects 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000025518 detection of mechanical stimulus involved in sensory perception of wind Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Atmospheric Sciences (AREA)
- Ecology (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biodiversity & Conservation Biology (AREA)
- Development Economics (AREA)
- Environmental Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了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,包括基于注意力及编解码器结构的时空数据融合及基于SVM分类器的短时未来强风预测方法。本发明通过利用已部署在铁道周边的风速计设备所采集到的历史数据对搭建的模型进行训练,实现对短时强风情况的预测并依次对强风报警保持时间进行调整。本发明可以缩短为了防止短时多次重复报警而在强风报警结束时添加的冗余报警时间,从而可间接改善受强风影响下高速铁路区间的通行能力,提高高速列车运行效率。
Description
技术领域
本发明涉及深风速预测及高速铁路防灾领域,尤其涉及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。
背景技术
高速铁路作为国民经济的重要推力,在近年发展迅速。截止2018年,中国高铁运营总里程已达到2.9万公里,全年发送旅客量占铁路总发送量的60.4%。尽管高速铁路已经采取了非常充分的安全防范措施,但是由于列车行驶速度较快,运行过程气动升力较大,因而环境中的风速对高速列车造成的影响仍然较大,直接威胁列车正常运行。为了适应复杂多变的环境,保证列车的安全运行,我国高速铁路建造过程中,高度重视对风况的实时检测,在轨道沿线部署了大量风速监测传感器,建造了风速监测及强风报警系统。当检测到强风时,调度指挥中心的调度人员通过防灾系统报警指示,按照规定通报各有关列车进行减速或禁行操作。这种方式大大提高了列车安全运行保障,但同时也投入了较多人力来进行报警处置,对列车运行效率也会造成影响。除此之外,由于风速的难预测性,当强风报警发生时,报警解除时间如何确定成了新的挑战。由于报警处置的繁琐及处置过程中减速及禁行操作对列车正常运行的影响,对于报警解除时间的确定往往需要一定权衡。一方面,若报警时间保持太短,虽然列车能够较快恢复到正常运行状态,但是若在同一地点短时间内重复刮起强风,出现重复报警,则需要所有相关人员再次完成处置流程。另一方面,报警时间若保持太长,虽然有效降低了重复处置次数,但列车运行效率显然会受到较大影响,导致铁路区间通过能力下降。因此,如何解决报警停止时间问题,对于进一步优化强风报警系统以及提高高速铁路整体运行效率有着重要意义。
发明内容
本发明的目的是依靠对时空数据的利用,对风速情况进行预测,从而动态调整报警保持时间。
本发明的目的是通过以下技术方案实现的: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,该方法包括以下步骤:
步骤1:依靠现有高速铁路防灾监控系统中的风速监测模块,对高速铁路沿线各监测点的风速数据进行采集存储,时间粒度为秒级;
步骤2:对存储的数据进行预处理,每60个秒级数据聚合成一个数据块,形成分钟级数据;
步骤3:搭建时空注意力循环神经网络:通过在由两个循环神经网络组成的编解码器结构中,添加两层注意力层,分别对时间及空间信息进行提取;
步骤4:搭建强风分类器:将时空注意力循环神经网络输出的预测值作为输入,使用SVM作为强风分类器,输出强风预测结果;
步骤5:对于每个监测点,联合其相邻N个监测点的风速数据,对所搭建的时空注意力循环神经网络及强风分类器进行训练,在训练过程中,将N+1个监测点T分钟的历史数据作为时空注意力循环神经网络的输入,网络输出监测点的下t1,t2,...,tn分钟数据,得到n个对应的风速预测模型,之后将这些风速预测模型的输出值作为强风分类器的输入,训练强风分类器,得到强风预测模型;
步骤6:通过步骤5所训练好的强风预测模型,对监测点短时未来强风进行预测,得到的强风预测结果用于进行报警保持时间调整,当高速铁路强风报警处于报警状态且当前时刻实测风速低于报警阈值时,若步骤6中的强风预测结果为未来tn时间内无强风,则立刻停止强风报警,反之则报警继续保持。
进一步地,所述步骤2中,选取各数据块中的最大值形成分钟级数据。
进一步地,所述步骤5中,对于每个监测点,联合其地理上前后各两处相邻监测点的风速数据;将5个监测点20分钟的历史数据作为时空注意力循环神经网络的输入,网络输出监测点的下1,2,...,10分钟数据,得到10个对应的风速预测模型。
本发明与现有技术相比,具有如下的优点:
第一,本发明在考虑时序信息的同时,融合了空间信息,相比现有高速铁路沿线风速预测技术有着更高的预测准确度;
第二,本发明集中于解决较小区域的强风风况预测,现有强风预测技术多针对大尺度时空进行,在极小尺度上较为乏力;
第三,本发明所提出的高速铁路强风报警保持时间动态调整策略可以根据当前风速情况进行自适应调整,相比于现有通过历史统计信息设定固定报警保持时长的方法,能够减少冗余。
附图说明
图1是本发明所使用到的高速铁路风速监测点部署示意图;
图2是本发明所使用到的时空注意力循环神经网络结构;
图3是本发明中的强风预测整体流程图;
图4是本发明中的报警保持时间调整流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
图1所示为当前高速铁路沿线风速监测传感器部署情况示意图,y及x1,x2,x3,x4分别为目标风速监测点及周边风速监测点。各测风点下一时刻的风速既和该测风点历史数据有关,也存在受周边风速环境影响的可能。为了捕捉这一因素,如图2所示,本发明使用时空注意力循环神经网络进行更好的风速建模。本发明所述强风预测的流程如图3所示,对于待预测目标监测点,基于其自身和邻近4个监测点的历史风速数据,获得10步预测值。之后,通过SVM分类器对预测结果进行分类,实现对强风的预测,强风指风速值大于20m/s。在训练过程中,本发明首先基于历史数据对风速模型进行训练,其后使用训练好的预测模型对历史数据进行预测处理,基于预测值及历史数据中的强风值,对SVM分类器进行训练。完整的报警保持时间调整流程如图4所示,发生强风报警后,当前风速值通过高速铁路系统部署的通信网络实时传输至调度中心,报警系统首先基于实际测量的风速情况,对当前风速进行监控。当前风速保持在报警阈值以上时,强风报警继续保持。之后,当实测风速低于报警阈值时,则检查强风预测结果,若强风预测结果判断未来仍存在短时强风,则报警信号继续由调度人员保持。若实测风速低于报警阈值且强风预测系统的输出不认为短时内存在强风,则调度人员取消报警,相关高速列车恢复正常运行,铁路区间通过能力恢复正常。基于该方案,报警解除时间不再是一个固定值,而是由强风预测系统进行动态判断。这为高速铁路运行效率带来了提高空间。本发明的实现流程具体如下:
步骤1:依靠现有高速铁路防灾监控系统中的风速监测模块,对高速铁路沿线各监测点的风速数据进行采集存储,时间粒度为秒级;
步骤2:对存储的数据进行预处理,每60个秒级数据聚合成一个数据块,之后选取各数据块中的最大值,形成分钟级数据;
步骤3:搭建时空注意力循环神经网络:通过在由两个循环神经网络组成的编解码器结构中,添加两层注意力层,分别对时间及空间信息进行提取;
步骤4:搭建强风分类器:将时空注意力循环神经网络输出的预测值作为输入,使用SVM作为强风分类器,输出强风预测结果;
步骤5:对于每个监测点,联合其地理上前后各两处相邻监测点的风速数据,对所搭建的时空注意力循环神经网络及强风分类器进行训练,在训练过程中,将5个监测点20分钟的历史数据作为时空注意力循环神经网络的输入,网络输出监测点的下1,2,...,10分钟数据,得到10个对应的风速预测模型,之后将这些风速预测模型的输出值作为强风分类器的输入,训练强风分类器,得到强风预测模型;
步骤6:通过步骤5所训练好的强风预测模型,对监测点短时未来强风进行预测,得到的强风预测结果用于进行报警保持时间调整,当高速铁路强风报警处于报警状态且当前时刻实测风速低于报警阈值时,若步骤6中的强风预测结果为未来10分钟内无强风,则立刻停止强风报警,反之则报警继续保持。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (2)
1.一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,其特征在于,该方法包括以下步骤:
步骤1:依靠现有高速铁路防灾监控系统中的风速监测模块,对高速铁路沿线各监测点的风速数据进行采集存储,时间粒度为秒级;
步骤2:对存储的数据进行预处理,每60个秒级数据聚合成一个数据块,选取数据块中的最大值形成分钟级数据;
步骤3:搭建时空注意力循环神经网络:通过在由两个循环神经网络组成的编解码器结构中,添加两层注意力层,分别对时间及空间信息进行提取;
步骤4:搭建强风分类器:将时空注意力循环神经网络输出的预测值作为输入,使用SVM作为强风分类器,输出强风预测结果;
步骤5:对于每个监测点,联合其相邻N个监测点的风速数据,对所搭建的时空注意力循环神经网络及强风分类器进行训练,在训练过程中,将N+1个监测点T分钟的历史数据作为时空注意力循环神经网络的输入,网络输出监测点的下t1,t2,...,tn分钟数据,得到n个对应的风速预测模型,之后将这些风速预测模型的输出值作为强风分类器的输入,训练强风分类器,得到强风预测模型;
步骤6:通过步骤5所训练好的强风预测模型,对监测点短时未来强风进行预测,得到的强风预测结果用于进行报警保持时间调整,当高速铁路强风报警处于报警状态且当前时刻实测风速低于报警阈值时,若步骤6中的强风预测结果为未来tn时间内无强风,则立刻停止强风报警,反之则报警继续保持。
2.根据权利要求1所述的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,其特征在于,所述步骤5中,监测点沿铁路线路部署,间隔距离为10公里;对于每个监测点,联合其地理上前后各两处相邻监测点的风速数据;将5个监测点20分钟的历史数据作为时空注意力循环神经网络的输入,网络输出监测点的下1,2,...,10分钟数据,得到10个对应的风速预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910339200.2A CN110210646B (zh) | 2019-04-25 | 2019-04-25 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910339200.2A CN110210646B (zh) | 2019-04-25 | 2019-04-25 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110210646A CN110210646A (zh) | 2019-09-06 |
CN110210646B true CN110210646B (zh) | 2021-08-10 |
Family
ID=67786333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910339200.2A Active CN110210646B (zh) | 2019-04-25 | 2019-04-25 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210646B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340304A (zh) * | 2020-03-09 | 2020-06-26 | 西南交通大学 | 一种高铁大风报警时限优化方法 |
CN112308336B (zh) * | 2020-11-18 | 2023-12-19 | 浙江大学 | 一种基于多步时序预测的高速铁路大风限速动态处置方法 |
CN112498419B (zh) * | 2020-11-25 | 2022-09-09 | 中铁第四勘察设计院集团有限公司 | 一种加密方法、装置、设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109598909A (zh) * | 2018-11-29 | 2019-04-09 | 中国铁路总公司 | 一种铁路沿线大风移动监测系统及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7228235B2 (en) * | 2005-02-01 | 2007-06-05 | Windlogics, Inc. | System and method for enhanced measure-correlate-predict for a wind farm location |
CN106779148B (zh) * | 2016-11-14 | 2017-10-13 | 中南大学 | 一种多模型多特征融合的高速铁路沿线风速预测方法 |
CN109034478B (zh) * | 2018-07-27 | 2021-09-24 | 中南大学 | 一种高速铁路沿线大风迭代竞争高精度预测方法 |
CN109214582B (zh) * | 2018-09-20 | 2022-02-11 | 中南大学 | 一种风向空间关联驱动的铁路沿线风速预测方法 |
-
2019
- 2019-04-25 CN CN201910339200.2A patent/CN110210646B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109598909A (zh) * | 2018-11-29 | 2019-04-09 | 中国铁路总公司 | 一种铁路沿线大风移动监测系统及方法 |
Non-Patent Citations (3)
Title |
---|
A Dual-Stage Attention-Based Recurrent Neural Network for Time Series Prediction;Yao Qin等;《Proceedings of the 26th International Joint Conference on Artificial Intelligence》;20170531;第2627-2633页 * |
JR东日本铁路大风监测技术研究;王瑞等;《中国铁路》;20180731;第96-102页 * |
基于支持向量机的风速预测系统;陈静;《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》;20120815;第I140-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110210646A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210646B (zh) | 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 | |
JP6889059B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
CN107972695A (zh) | 一种物联网轨道车辆车轴健康状态智能监测管理系统装置 | |
CN103699698A (zh) | 一种基于改进贝叶斯的轨道交通故障识别方法及系统 | |
CN106203642A (zh) | 一种电力机车故障预测及健康管理的方法 | |
CN109522599A (zh) | 一种台风导致的输电线路突发故障预警方法 | |
CN109902948A (zh) | 一种基于大数据的输电线路监测系统及方法 | |
CN104535581B (zh) | 钢轨损伤探测推车 | |
CN102785681A (zh) | 列车在途安全状态监测方法、设备和系统 | |
CN114889678B (zh) | 一种基于动态贝叶斯的铁路站车线安全协同预警方法 | |
CN101551935A (zh) | 高速铁路地震预警及应急处置系统 | |
CN103674538A (zh) | 一种直升机自动倾斜器多故障模式识别方法及装置 | |
CN112622990A (zh) | 城轨地铁车辆智能运维管理系统 | |
CN110728612B (zh) | 一种轨道交通应急仿真评估方法和系统 | |
CN104991549A (zh) | 基于fta与多层次模糊神经子网络的轨道电路红光带故障诊断方法 | |
CN106965833A (zh) | 一种自动监测减振轨道性能的方法 | |
CN106651131A (zh) | 输电线路防台风预警方法和系统 | |
CN107369299A (zh) | 用于轨道交通的地震监测及报警系统 | |
CN107963098A (zh) | 列车出入站调度系统及调度方法 | |
CN112446232A (zh) | 一种持续自学习的图像识别方法及系统 | |
CN108182386B (zh) | 道岔标准曲线自动生成方法 | |
CN105572493A (zh) | 一种车载-地面辅助逆变器远程故障诊断系统 | |
CN110646706B (zh) | 储能有轨电车超级电容充电装置差动保护故障检测方法、装置及系统 | |
CN107284472A (zh) | 弹条断裂的识别方法及系统 | |
Cai et al. | Predict of High-Speed Train's Safe Operation Based on Fuzzy Inference |
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 |