CN111340304A - 一种高铁大风报警时限优化方法 - Google Patents
一种高铁大风报警时限优化方法 Download PDFInfo
- Publication number
- CN111340304A CN111340304A CN202010156618.2A CN202010156618A CN111340304A CN 111340304 A CN111340304 A CN 111340304A CN 202010156618 A CN202010156618 A CN 202010156618A CN 111340304 A CN111340304 A CN 111340304A
- Authority
- CN
- China
- Prior art keywords
- strong wind
- time limit
- alarm time
- function
- alarm
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 238000011425 standardization method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
Images
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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种高铁大风报警时限优化方法,包括以下步骤:根据高速铁路沿线的风速数据,构建大风报警时限数据集,并对大风报警时限数据集中大风报警次数和大风报警影响时长进行预处理;利用曲线拟合技术,分别选择函数类型量化大风报警次数和大风报警影响时长与大风报警时限的函数关系;通过函数关系将大风报警时限优化损失函数显式化,得到大风报警时限优化损失函数;利用智能优化算法对大风报警时限优化损失函数进行求解,获取大风报警时限与权重系数的最优解,完成高铁大风报警时限优化。本发明的损失函数中权重系数得到了更准确地描述,明晰了特定线路下高铁行车遇大风报警时报警次数与报警影响时长造成的综合损失占比。
Description
技术领域
本发明属于多目标优化领域,涉及一种高铁大风报警时限优化方法。
背景技术
根据现施行的高速铁路遇大风报警事件的报警规则,当风速高于报警阈值以上并持续10秒即发布大风报警限速命令,当风速低于报警阈值以下并持续10分钟即可解除大风报警,而全国各条高铁线路沿线的大风规律特点具有较大的差异性,大风报警时限统一定为10秒、大风报警解除时限统一定为10分钟不尽合理。大风报警时限值的变化牵系大风的报警次数和大风报警的影响时长。高铁调度中心每发布一次大风报警的限速命令,会致使一定的调度损失,随着大风报警次数的增多,将造成调度方的压力;大风报警的影响时长越长,列车处于限速或停车状态的时间也就越长,越容易影响列车的运行效率,造成列车晚点的现象。因此,需根据特定线路特定风区的大风规律特点为该风区制定更加合理的大风报警时限值。传统的高铁大风报警时限优化方法主要是基于离散化的优化方法。通过分别量化报警时限对大风报警次数和大风影响时长的影响关系构造损失函数,采取离散化的方法遍历不同参数下的损失代价,将最小的损失函数值所对应的报警时限作为优化后的结果,以达到调度方的大风报警处置效率和列车运行效率得到改善的目标。传统的离散化方法依赖损失函数及其权重参数计算的合理性,具有搜索空间小,优化结果粒度较粗、精度较低的不足,且这些方法缺乏对优化结果的合理解释。
发明内容
针对现有技术中的上述不足,本发明提供的一种高铁大风报警时限优化方法解决了传统的高铁大风报警时限优化方法中存在的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种高铁大风报警时限优化方法,包括以下步骤:
S1、根据高速铁路沿线的风速数据,构建大风报警时限数据集,并对大风报警时限数据集中大风报警次数和大风报警影响时长进行预处理;
S2、利用曲线拟合技术,分别选择函数类型量化大风报警次数和大风报警影响时长与大风报警时限的函数关系;
S3、通过函数关系将大风报警时限优化损失函数显式化,得到大风报警时限优化损失函数;
S4、利用智能优化算法对大风报警时限优化损失函数进行求解,获取大风报警时限与权重系数的最优解,完成高铁大风报警时限优化。
进一步地,所述步骤S1中根据高速铁路沿线的风速数据,构造大风报警时限数据集的具体方法为:根据高速铁路沿线的风速数据,采集报警时限为t min的大风报警次数和大风报警影响时长,获取大风报警时限数据集,所述大风报警时限数据集中大风报警时限数据格式为:t min,n次,s小时;其中,t=1,2,...,30。
进一步地,所述步骤S1中对大风报警时限数据集中大风报警次数和大风报警影响时长进行预处理的具体方法为:采用最小-最大规范化方法对大风报警次数和大风报警影响时长进行规范化操作,将大风报警次数和大风报警影响时长数据映射至0到1的区间内,所述最小-最大规范化方法采用的具体公式为:
其中,x'表示规范化后的数据,x表示规范化前的数据,min(x)表示x对应的数据组中的最小值,max(x)表示x对应的数据组中的最大值。
进一步地,所述步骤S2包括以下分步骤:
S2.1、利用曲线拟合技术,分别选择多项式函数、指数函数、幂函数和对数函数量化大风报警次数关于大风报警时限的第一函数关系;
S2.2、通过拟合误差评判指标,筛选出第一函数关系中总体误差最小的函数类型,得到大风报警次数关于大风报警时限的函数关系T(t);
S2.3、利用曲线拟合技术,分别选择分别多项式函数、指数函数、幂函数和对数函数量化大风报警影响时长关于大风报警时限的第二函数关系;
S2.4、根据拟合误差评判指标筛选出第二函数关系中总体误差最小的函数类型,得到大风报警影响时长关于大风报警时限的函数关系F(t)。
进一步地,所述步骤S2.2中拟合误差评判指标为:
进一步地,所述步骤S4中大风报警时限优化损失函数具体为:
本发明的有益效果为:
(1)本发明中高铁大风报警时限优化结果的精度高,粒度细。
(2)本发明的损失函数中权重系数得到了更准确地描述,明晰了特定线路下高铁行车遇大风报警时报警次数与报警影响时长造成的综合损失占比。
(3)本发明提出的方法可以提升大风报警时限优化结果的精度,能够从大风持续规律角度对优化结果进行合理地解析。
(4)本发明的优化结果能提高调度员对大风报警的处置效率及列车的运行效率,可为高铁灾害监测系统风报警时限的运用优化提供参考。
附图说明
图1为本发明提出的一种高铁大风报警时限优化方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
下面结合附图详细说明本发明的实施例。
如图1所示,一种高铁大风报警时限优化方法,包括以下步骤:
S1、根据高速铁路沿线的风速数据,构建大风报警时限数据集,并对大风报警时限数据集中大风报警次数和大风报警影响时长进行预处理;
S2、利用曲线拟合技术,分别选择函数类型量化大风报警次数和大风报警影响时长与大风报警时限的函数关系;
S3、通过函数关系将大风报警时限优化损失函数显式化,得到大风报警时限优化损失函数;
S4、利用智能优化算法对大风报警时限优化损失函数进行求解,获取大风报警时限与权重系数的最优解,完成高铁大风报警时限优化。
所述步骤S1中根据高速铁路沿线的风速数据,构造大风报警时限数据集的具体方法为:根据高速铁路沿线的风速数据,采集报警时限为t min的大风报警次数和大风报警影响时长,获取大风报警时限数据集,所述大风报警时限数据集中大风报警时限数据格式为:t min,n次,s小时;其中,t=1,2,...,30。
所述步骤S1中对大风报警时限数据集中大风报警次数和大风报警影响时长进行预处理的具体方法为:采用最小-最大规范化方法对大风报警次数和大风报警影响时长进行规范化操作,将大风报警次数和大风报警影响时长数据映射至0到1的区间内,所述最小-最大规范化方法采用的具体公式为:
其中,x'表示规范化后的数据,x表示规范化前的数据,min(x)表示x对应的数据组中的最小值,max(x)表示x对应的数据组中的最大值。
所述步骤S2包括以下分步骤:
S2.1、利用曲线拟合技术,分别选择多项式函数、指数函数、幂函数和对数函数量化大风报警次数关于大风报警时限的第一函数关系;
S2.2、通过拟合误差评判指标,筛选出第一函数关系中总体误差最小的函数类型,得到大风报警次数关于大风报警时限的函数关系T(t);
S2.3、利用曲线拟合技术,分别选择分别多项式函数、指数函数、幂函数和对数函数量化大风报警影响时长关于大风报警时限的第二函数关系;
S2.4、根据拟合误差评判指标筛选出第二函数关系中总体误差最小的函数类型,得到大风报警影响时长关于大风报警时限的函数关系F(t)。
所述步骤S2.2中拟合误差评判指标为:
在本实施例中,在Python3.6的实验环境中,对兰新高铁沿线5712基站的数据分别使用2次多项式函数、3次多项式函数、指数函数、幂函数和对数函数对大风报警次数和大风报警影响时长关于大风报警时限进行拟合操作,拟合结果的结果如表1。
表1
从表1可以看出,幂函数对大风报警次数关于大风报警时限的拟合效果是最佳的,对数函数对大风报警影响时长关于大风报警时限的拟合效果是最佳的。
得到函数为:
所述步骤S4中大风报警时限优化损失函数具体为:
其中,L(t)表示损失函数值,t表示大风报警时限,α表示权重参数。
在本实施例中,智能优化算法采用遗传算法,所述步骤S4中利用智能优化算法对大风报警时限优化损失函数进行求解,获取大风报警时限与权重系数的最优解的具体方法为:
B1、设定最大进化迭代数为N和初始种群最大数目为M,令k=0;
B2、根据优化问题的先验经验,以α和t作为一个个体,在分布范围内随机生成若干个个体,并计算每个个体的损失函数值,将损失函数值从高到低取T个个体加入初始种群,其中,M为T的整数倍;
B3、判断初始种群数目是否等于M,若是,则进入步骤B4,否则返回步骤B2;
B4、使用轮赌盘方法作用于种群,得到优化后的种群;
B5、对优化后的种群中个体进行交叉运算和变异运算,产生新一代个体,并令k的计数值加一;
B6、计算新一代个体的损失函数值,判断每个新个体的损失函数值是否小于0.000001,若是,则将损失函数值最小的新个体作为最优解,否则进入步骤B7;
B7、判断k是否等于N,若是,则将损失函数值最小的新个体作为最优解,否则返回步骤B4。
本发明的有益效果为:
(1)本发明中高铁大风报警时限优化结果的精度高,粒度细。
(2)本发明的损失函数中权重系数得到了更准确地描述,明晰了特定线路下高铁行车遇大风报警时报警次数与报警影响时长造成的综合损失占比。
(3)本发明提出的方法可以提升大风报警时限优化结果的精度,能够从大风持续规律角度对优化结果进行合理地解析。
(4)本发明的优化结果能提高调度员对大风报警的处置效率及列车的运行效率,可为高铁灾害监测系统风报警时限的运用优化提供参考。
Claims (6)
1.一种高铁大风报警时限优化方法,其特征在于,包括以下步骤:
S1、根据高速铁路沿线的风速数据,构建大风报警时限数据集,并对大风报警时限数据集中大风报警次数和大风报警影响时长进行预处理;
S2、利用曲线拟合技术,分别选择函数类型量化大风报警次数和大风报警影响时长与大风报警时限的函数关系;
S3、通过函数关系将大风报警时限优化损失函数显式化,得到大风报警时限优化损失函数;
S4、利用智能优化算法对大风报警时限优化损失函数进行求解,获取大风报警时限与权重系数的最优解,完成高铁大风报警时限优化。
2.根据权利要求1所述的高铁大风报警时限优化方法,其特征在于,所述步骤S1中根据高速铁路沿线的风速数据,构造大风报警时限数据集的具体方法为:根据高速铁路沿线的风速数据,采集报警时限为t min的大风报警次数和大风报警影响时长,获取大风报警时限数据集,所述大风报警时限数据集中大风报警时限数据格式为:t min,n次,s小时;其中,t=1,2,...,30。
4.根据权利要求1所述的高铁大风报警时限优化方法,其特征在于,所述步骤S2包括以下分步骤:
S2.1、利用曲线拟合技术,分别选择多项式函数、指数函数、幂函数和对数函数量化大风报警次数关于大风报警时限的第一函数关系;
S2.2、通过拟合误差评判指标,筛选出第一函数关系中总体误差最小的函数类型,得到大风报警次数关于大风报警时限的函数关系T(t);
S2.3、利用曲线拟合技术,分别选择分别多项式函数、指数函数、幂函数和对数函数量化大风报警影响时长关于大风报警时限的第二函数关系;
S2.4、根据拟合误差评判指标筛选出第二函数关系中总体误差最小的函数类型,得到大风报警影响时长关于大风报警时限的函数关系F(t)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010156618.2A CN111340304A (zh) | 2020-03-09 | 2020-03-09 | 一种高铁大风报警时限优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010156618.2A CN111340304A (zh) | 2020-03-09 | 2020-03-09 | 一种高铁大风报警时限优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111340304A true CN111340304A (zh) | 2020-06-26 |
Family
ID=71187471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010156618.2A Pending CN111340304A (zh) | 2020-03-09 | 2020-03-09 | 一种高铁大风报警时限优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340304A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007269055A (ja) * | 2006-03-30 | 2007-10-18 | Railway Technical Res Inst | 鉄道沿線における簡易横風監視方法及び横風監視装置 |
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 |
-
2020
- 2020-03-09 CN CN202010156618.2A patent/CN111340304A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007269055A (ja) * | 2006-03-30 | 2007-10-18 | Railway Technical Res Inst | 鉄道沿線における簡易横風監視方法及び横風監視装置 |
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 |
Non-Patent Citations (2)
Title |
---|
谢东亮: "《数据清洗基础与实践》", 30 September 2019 * |
赵方霞: "高速铁路灾害监测系统风报警解除时限优化方法", 《铁道建筑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145957B (zh) | 基于大数据的配电网异常指标的识别与处理方法及装置 | |
CN110264107B (zh) | 一种基于大数据技术的台区线损率异常诊断方法 | |
CN113743673B (zh) | 一种台风期间的电力负荷预测方法 | |
CN112434962B (zh) | 基于电力负荷数据的企业用户状态评估方法和系统 | |
CN114861533A (zh) | 基于时间卷积网络的风功率超短期预测方法 | |
CN114004296A (zh) | 一种基于电力负荷特征反向提取监测点的方法及系统 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN103632306A (zh) | 一种基于聚类分析的配电网供电区域划分方法 | |
CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
CN113361202A (zh) | 一种基于特征负荷预测的配变重过载快速预警方法 | |
CN115684809A (zh) | 一种基于虚拟电厂的用户端用电测试系统 | |
CN113095482B (zh) | 基于bp神经网络的拉曼放大器增益值计算方法及系统 | |
CN111340304A (zh) | 一种高铁大风报警时限优化方法 | |
CN117687884A (zh) | 一种电网调度自动化主站运维操作票智能优化方法及系统 | |
CN113139698A (zh) | 负荷预测方法、装置及设备 | |
CN114609372B (zh) | 基于最大熵的工程机械油液监测系统及方法 | |
CN114997470A (zh) | 基于lstm神经网络的短期用电负荷预测方法 | |
CN111563543B (zh) | 一种风电机组的风速-发电功率数据的清洗方法及装置 | |
CN111915129A (zh) | 一种计量器具智能仓库绩效评价方法 | |
CN112232678A (zh) | 一种基于云模型的地区级源网荷系统评估方法 | |
CN109978038A (zh) | 一种集群异常判定方法及装置 | |
CN117278425B (zh) | 一种信息技术运维管理方法及系统 | |
CN115063255B (zh) | 一种海上风电场的运维资源优化配置方法、装置及系统 | |
CN114925900B (zh) | 一种配变重、过载风险预警分析的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200626 |