CN111401633A - 一种铁路沿线风场监测与预测方法及其系统 - Google Patents
一种铁路沿线风场监测与预测方法及其系统 Download PDFInfo
- Publication number
- CN111401633A CN111401633A CN202010176473.2A CN202010176473A CN111401633A CN 111401633 A CN111401633 A CN 111401633A CN 202010176473 A CN202010176473 A CN 202010176473A CN 111401633 A CN111401633 A CN 111401633A
- Authority
- CN
- China
- Prior art keywords
- data
- wind
- railway
- attribute data
- prediction model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000000007 visual effect Effects 0.000 claims abstract description 15
- 238000013500 data storage Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000007726 management method Methods 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 6
- 101100317378 Mus musculus Wnt3 gene Proteins 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process 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
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P13/00—Indicating or recording presence, absence, or direction, of movement
- G01P13/02—Indicating direction only, e.g. by weather vane
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Biodiversity & Conservation Biology (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Atmospheric Sciences (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Hydrology & Water Resources (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Aviation & Aerospace Engineering (AREA)
- Machines For Laying And Maintaining Railways (AREA)
Abstract
本发明公开了一种铁路沿线风场监测与预测系统,方法包括获取铁路沿线风场的属性数据并保存;建立BP和RBF神经网络模型并进行时域学习,建立风速风向预测模型,将属性数据输入风速风向预测模型得到风场数据;输出风场数据并进行可视化显示。系统包括数据读取模块:用于获取铁路沿线风场的属性数据;数据存储模块:用于保存属性数据;数据处理模块:包括模型构建单元和数据处理单元,模型构建单元用于建立BP和RBF神经网络模型并进行时域学习,以及建立风速风向预测模型;数据处理单元,用于将属性数据输入风速风向预测模型得到风场数据;数据显示模块:用于输出风场数据并进行可视化显示。本发明能够解决无法实时预报风向和风速的技术缺陷。
Description
技术领域
本发明涉及监测、预测领域,具体公开了一种铁路沿线风场监测与预测方法及其系统。
背景技术
强风是导致列车事故的主要气象灾害之一,强风已成为影响城轨交通线路运输组织和行车安全的最主要因素,一旦防控环节处置不当,都可能对高铁运输组织产生影响或者危及行车安全,在极端情况下甚至车毁人亡,后果不堪设想。同样,随着全国各大城市城轨的迅速发展,在远离城市中心地带的区域城轨列车处于明线运行状态,尤其是处于暴雨和强台风频发区域突发地区,列车将处在恶劣风雨条件下运行的工况,多次出现由强风造成的大面积晚点现象,风速、雨量过大时甚至停运,严重影响旅客的正常出行。
现在的风向风速数据多依靠与天气预报给出的数据,无法实时的对风向和风速的改变进行预报。
发明内容
本发明目的在提供一种铁路沿线风场监测与预测方法及其系统,以解决现有技术中存在的无法实时的对风向和风速的改变进行预报的技术缺陷。
为实现上述目的,本发明提供了一种铁路沿线风场监测与预测方法,包括以下步骤:
获取铁路沿线风场的属性数据并保存;
建立BP和RBF神经网络模型并进行时域学习,建立风速风向预测模型,将属性数据输入风速风向预测模型得到风场数据;
输出风场数据并进行可视化显示。
优选地,在获取到属性数据后且将属性数据输入风速风向预测模型前需要对属性数据进行低通滤波预处理。
优选地,获取铁路沿线风场的属性数据的数据类型可扩展和/或可删除。
优选地,当获取铁路沿线风场的属性数据并保存、将属性数据输入风速风向预测模型得到风场数据以及输出风场数据并进行可视化显示中任一过程出现错误时,进行初始化处理或者过程重复操作。
依托于上述方法,本发明还提供了一种铁路沿线风场监测与预测系统,包括:
数据读取模块:用于获取铁路沿线风场的属性数据;
数据存储模块:用于保存属性数据;
数据处理模块:包括模型构建单元和数据处理单元,模型构建单元用于建立BP和RBF神经网络模型并进行时域学习,以及建立风速风向预测模型;数据处理单元,用于将属性数据输入风速风向预测模型得到风场数据;
数据显示模块:用于输出风场数据并进行可视化显示。
优选地,数据处理单元还包括数据预处理单元,数据预处理单元用于在数据读取模块获取到属性数据后且数据处理单元将属性数据输入风速风向预测模型前需要对属性数据进行低通滤波预处理。
优选地,铁路沿线风场监测与预测系统还包括设备管理模块,设备管理模块用于对获取铁路沿线风场的属性数据的设备进行扩展和/或删除操作。
优选地,铁路沿线风场监测与预测系统还包括故障处理模块,故障处理模块用于当获取铁路沿线风场的属性数据并保存、将属性数据输入风速风向预测模型得到风场数据以及输出风场数据并进行可视化显示中任一过程出现错误时,进行初始化处理或者过程重复操作。
本发明具有以下有益效果:
本发明的一种铁路沿线风场监测与预测方法及其系统实现了轨道高架沿线的风场的实时监测与预测,完成远程监控预警功能。
下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明优选实施例提供的一种铁路沿线风场监测与预测方法流程图;
图2为本发明优选实施例提供的一种铁路沿线风场监测与预测系统结构图
图3为本发明优选实施例提供的数据存储功能过程示意图;
图4为本发明优选实施例提供的滤波处理结果示意图;
图5为本发明优选实施例提供的可视化展示示意图;
图6为本发明优选实施例提供的又一可视化展示示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
本发明提供了一种铁路沿线风场监测与预测方法,参见图1,包括以下步骤:
获取铁路沿线风场的属性数据并保存;
建立BP和RBF神经网络模型并进行时域学习,建立风速风向预测模型,将属性数据输入风速风向预测模型得到风场数据;
输出风场数据并进行可视化显示。
优选地,在获取到属性数据后且将属性数据输入风速风向预测模型前需要对属性数据进行低通滤波预处理。
优选地,获取铁路沿线风场的属性数据的数据类型可扩展和/或可删除。
优选地,当获取铁路沿线风场的属性数据并保存、将属性数据输入风速风向预测模型得到风场数据以及输出风场数据并进行可视化显示中任一过程出现错误时,进行初始化处理或者过程重复操作。
依托于上述方法,本发明还提供了一种铁路沿线风场监测与预测系统,参见图2,包括:
数据读取模块:用于获取铁路沿线风场的属性数据。
数据读取模块采用自研传感器,其数据结构如下表1所示。
表1
列名 | 数据类型 | 长度 | 说明 |
PID | Int | 4 | 数据标志 |
nDevice | tinyint | 1 | 设备编号 |
fWind | float | 4 | 风速数据 |
fDirect | float | 4 | 风向数据 |
CreateTime | datetime | 8 | 时间 |
自研传感器数据结构设计表包括五个属性:数据标志,设备编号,风速数据,风向数据,时间。数据标志:按照数据产生的先后顺序自动累加编号,定义为int类型,每一条记录的唯一编号;设备编号:有两台风速风向设备,分别编号为1,2;风速数据:采集的实时风速数据;风向数据:采集的实时风向数据;时间:记录每一条数据产生的时间。
数据读取模块亦可采用六合一传感器,其数据结构如下表2所示。
表2
列名 | 数据类型 | 长度 | 说明 |
PID | Int | 4 | 数据标志 |
nDevice | tinyint | 1 | 设备编号 |
Dn | Int | 4 | 最小风向 |
Dm | Int | 4 | 平均风向 |
Dx | Int | 8 | 最大风向 |
Sn | float | 4 | 最小风速 |
Sm | float | 4 | 平均风速 |
Sx | float | 4 | 最大风速 |
Ta | float | 4 | 温度 |
Ua | float | 4 | 湿度 |
Pa | float | 4 | 气压 |
Rc | float | 4 | 雨量 |
CreateTime | datetime | 8 | 时间 |
六合一传感器数据结构设计一共包括13个属性,数据标志、设备编号、最小风向、平均风向、最大风向、最小风速、平均风速、最大风速、温度、气压、雨量、时间。
数据存储模块:用于保存属性数据。
如图3所示,数据存储功能通过4个数据采集线程、1个数据存储线程完成,把数据采集和数据存储流程分开,保证采集的数据顺利存入数据库中。图3中的风速风向传感器为本实施例所述的自研传感器,六要素传感器为本本实施例所述的六合一传感器。
本系统一共采集4个设备的数据,单个设备的数据采集在对应的线程中完成,共有4个数据采集线程,数据采集完成后存入数据存储对列;在数据存储线程中,存储队列中的数据按照先后顺序存入数据库中。
数据处理模块:包括模型构建单元和数据处理单元,模型构建单元用于建立BP和RBF神经网络模型并进行时域学习,以及建立风速风向预测模型;数据处理单元,用于将属性数据输入风速风向预测模型得到风场数据。数据处理单元还包括数据预处理单元,数据预处理单元用于在数据读取模块获取到属性数据后且数据处理单元将属性数据输入风速风向预测模型前需要对属性数据进行低通滤波预处理。
数据处理功能包含两个部分,分别为降噪滤波处理算法和风速风向预测算法,降噪滤波处理算法存储于所述数据预处理单元中,风速风向预测算法存储于数据处理单元中,风速风向预测算法的构建由模型构建单元完成。
采用巴特沃斯低通滤波算法,根据风速风向信号干扰的情况,调节滤波器的截止参数,使得低频信号能正常通过,而超过设定临界值的高频信号则被阻隔、减弱。降噪滤波算法针对设备采集到的原始风场数据进行处理,降低列车运行以及其他噪声数据对风场数据的干扰。滤波效果对比结果如图4所示。
通过对现场测试数据的系统分析,分别建立BP和RBF神经网络模型进行时域学习,建立风速风向的预测模型,结合实时监测的风场数据,实现铁路沿线风场的预测。风速风向预测算法,根据设备周围的地形地貌情况、流场风场的结果以及风场历史数据,建立风场时程预测模型,对线路上的风速风向进行预测。
采用RBF神经网络进行风速空间预测,首先通过构建输入和隐含层之间的映射关系,经过非线性的处理方法建立区域内大风监测点之间风速风向的映射关系,然后通过输出层对风速风向数据按照各监测点之间风速之间具有的线性关系进行处理,最终得到预测数据。
算法的程序逻辑,即详细描述模块实现的算法可采用:(1)标准流程图;(2)PDL语言;(3)N-S图;(4)PAD;(5)判定表等描述算法的图表的方式实现。
数据显示模块:用于输出风场数据并进行可视化显示。
可视化展示平台布置在远程中心,远程读取数据库中的数据,对风场的历史数据、风速风向统计数据、风场的空间分以及风速风向的时间预测进行展示。显示结果如图5和图6所示。
优选地,铁路沿线风场监测与预测系统还包括设备管理模块,设备管理模块用于对获取铁路沿线风场的属性数据的设备进行扩展和/或删除操作。
当串口打开时,按钮为绿色,串口关闭时,按钮为红色;在串口配置对话框中,可对串口的串口号和波特率进行相关的设置,从而配置新的传感器。
优选地,铁路沿线风场监测与预测系统还包括故障处理模块,故障处理模块用于当获取铁路沿线风场的属性数据并保存、将属性数据输入风速风向预测模型得到风场数据以及输出风场数据并进行可视化显示中任一过程出现错误时,进行初始化处理或者过程重复操作。
设备长时间运行服役过程中,难免会遇到一些故障,诸如断电、掉线、死机等不可控事件。根据通信协议,一旦收到故障类的信息,系统可以对这些故障进行诊断处理,比如断电重启、掉线能够自动重连;死机后可以进行重置重启;对一些未知的故障,发出维修维护提醒。
本系统涉及到数据采集设备、本地中控机和远程中心,之间存在大量的数据传输行为。因此制定通信,对通信的内容进行规范编码。协议包含4种:故障类、事件类、心跳包、采集数据。故障类、事件类通信协议包含包头、类型、设备编码、内容、包尾;心跳包通信协议包含包头、类型、内容、包尾;采集数据通信协议包含包头、类型、设备编码、采集数据内容、包尾。
系统投入使用前,需要进行测试,测试要点如下表3所示。
表3
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种铁路沿线风场监测与预测方法,其特征在于,包括以下步骤:
获取铁路沿线风场的属性数据并保存;
建立BP和RBF神经网络模型并进行时域学习,建立风速风向预测模型,将所述属性数据输入所述风速风向预测模型得到风场数据;
输出所述风场数据并进行可视化显示。
2.根据权利要求1所述的一种铁路沿线风场监测与预测方法,其特征在于,在获取到所述属性数据后且将所述属性数据输入所述风速风向预测模型前需要对所述属性数据进行低通滤波预处理。
3.根据权利要求1所述的一种铁路沿线风场监测与预测方法,其特征在于,获取铁路沿线风场的属性数据的数据类型可扩展和/或可删除。
4.根据权利要求1所述的一种铁路沿线风场监测与预测方法,其特征在于,当获取铁路沿线风场的属性数据并保存、将所述属性数据输入所述风速风向预测模型得到风场数据以及输出所述风场数据并进行可视化显示中任一过程出现错误时,进行初始化处理或者过程重复操作。
5.一种铁路沿线风场监测与预测系统,其特征在于,包括:
数据读取模块:用于获取铁路沿线风场的属性数据;
数据存储模块:用于保存所述属性数据;
数据处理模块:包括模型构建单元和数据处理单元,所述模型构建单元用于建立BP和RBF神经网络模型并进行时域学习,以及建立风速风向预测模型;所述数据处理单元,用于将所述属性数据输入所述风速风向预测模型得到风场数据;
数据显示模块:用于输出所述风场数据并进行可视化显示。
6.根据权利要求5所述的一种铁路沿线风场监测与预测系统,其特征在于,所述数据处理单元还包括数据预处理单元,所述数据预处理单元用于在所述数据读取模块获取到所述属性数据后且所述数据处理单元将所述属性数据输入所述风速风向预测模型前需要对所述属性数据进行低通滤波预处理。
7.根据权利要求5所述的一种铁路沿线风场监测与预测系统,其特征在于,所述铁路沿线风场监测与预测系统还包括设备管理模块,所述设备管理模块用于对获取铁路沿线风场的属性数据的设备进行扩展和/或删除操作。
8.根据权利要求5所述的一种铁路沿线风场监测与预测系统,其特征在于,所述铁路沿线风场监测与预测系统还包括故障处理模块,所述故障处理模块用于当获取铁路沿线风场的属性数据并保存、将所述属性数据输入所述风速风向预测模型得到风场数据以及输出所述风场数据并进行可视化显示中任一过程出现错误时,进行初始化处理或者过程重复操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010176473.2A CN111401633A (zh) | 2020-03-13 | 2020-03-13 | 一种铁路沿线风场监测与预测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010176473.2A CN111401633A (zh) | 2020-03-13 | 2020-03-13 | 一种铁路沿线风场监测与预测方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111401633A true CN111401633A (zh) | 2020-07-10 |
Family
ID=71413415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010176473.2A Pending CN111401633A (zh) | 2020-03-13 | 2020-03-13 | 一种铁路沿线风场监测与预测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401633A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111948735A (zh) * | 2020-07-21 | 2020-11-17 | 广州地铁设计研究院股份有限公司 | 一种地铁高架区间的气象监测系统 |
CN114167522A (zh) * | 2021-12-17 | 2022-03-11 | 深圳市云端高科信息科技有限公司 | 一种用于智慧城市高层建筑的风场监测与校正系统 |
CN116127844A (zh) * | 2023-02-08 | 2023-05-16 | 大连海事大学 | 一种考虑流动控制方程约束的流场时程深度学习预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063641A (zh) * | 2010-10-14 | 2011-05-18 | 北京大学 | 高速铁路沿线风速预测方法 |
CN106772695A (zh) * | 2016-11-14 | 2017-05-31 | 中南大学 | 一种融合多测风站实测数据的铁路沿线风速预测方法 |
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 |
CN107133702A (zh) * | 2017-05-18 | 2017-09-05 | 北京唐浩电力工程技术研究有限公司 | 一种风电场全场功率预测方法 |
CN107844095A (zh) * | 2017-10-30 | 2018-03-27 | 上海电气风电集团有限公司 | 应用于风力发电的主控程序仿真测试系统及其方法 |
CN110007901A (zh) * | 2019-02-28 | 2019-07-12 | 华电电力科学研究院有限公司 | 一种集团级风电监控平台的开发系统及其运行方法及开发方法 |
-
2020
- 2020-03-13 CN CN202010176473.2A patent/CN111401633A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063641A (zh) * | 2010-10-14 | 2011-05-18 | 北京大学 | 高速铁路沿线风速预测方法 |
CN106772695A (zh) * | 2016-11-14 | 2017-05-31 | 中南大学 | 一种融合多测风站实测数据的铁路沿线风速预测方法 |
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 |
CN107133702A (zh) * | 2017-05-18 | 2017-09-05 | 北京唐浩电力工程技术研究有限公司 | 一种风电场全场功率预测方法 |
CN107844095A (zh) * | 2017-10-30 | 2018-03-27 | 上海电气风电集团有限公司 | 应用于风力发电的主控程序仿真测试系统及其方法 |
CN110007901A (zh) * | 2019-02-28 | 2019-07-12 | 华电电力科学研究院有限公司 | 一种集团级风电监控平台的开发系统及其运行方法及开发方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111948735A (zh) * | 2020-07-21 | 2020-11-17 | 广州地铁设计研究院股份有限公司 | 一种地铁高架区间的气象监测系统 |
CN114167522A (zh) * | 2021-12-17 | 2022-03-11 | 深圳市云端高科信息科技有限公司 | 一种用于智慧城市高层建筑的风场监测与校正系统 |
CN116127844A (zh) * | 2023-02-08 | 2023-05-16 | 大连海事大学 | 一种考虑流动控制方程约束的流场时程深度学习预测方法 |
CN116127844B (zh) * | 2023-02-08 | 2023-10-31 | 大连海事大学 | 一种考虑流动控制方程约束的流场时程深度学习预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103852271B (zh) | 基于物联网的高速列车走行部故障诊断与远程监测系统 | |
CN104217367B (zh) | 一种轨道交通线路动态安全风险评价方法 | |
CN203101070U (zh) | 基于物联网的高速列车走行部故障诊断与远程监测系统 | |
CN111401633A (zh) | 一种铁路沿线风场监测与预测方法及其系统 | |
CN204264183U (zh) | 一种红外热轴通道监视诊断系统 | |
CN111178663A (zh) | 一种配电网全域大数据的设备状态诊断方法 | |
CN111071291B (zh) | 列车轮对监测系统及列车轮对监测方法 | |
CN109353375A (zh) | 一种城市轨道交通车辆专家系统及方法 | |
CN112622990A (zh) | 城轨地铁车辆智能运维管理系统 | |
CN206132406U (zh) | 一种高铁列车健康状态监测装置 | |
DE112017003313T5 (de) | Online-Fehlerdetektionsvorrichtung installiert in einem Schienenfahrzeug und verwendet für eine Hochgeschwindigkeitsbahn-Betriebskomponente | |
CN111806516A (zh) | 一种用于智能列车监测与运维的健康管理装置及方法 | |
CN113324584A (zh) | 一种电网防灾应急全景监视系统及预警方法 | |
CN101830239A (zh) | 一种用于区段轨道的智能分路及进路式逐段解锁方法 | |
CN114004262A (zh) | 一种齿轮箱轴承故障检测方法及系统 | |
CN105572492A (zh) | 一种城轨列车辅助逆变器故障诊断装置 | |
CN106485420A (zh) | 一种应用于铁路车辆检修作业过程的综合评价方法和系统 | |
CN116307728A (zh) | 一种基于大数据分析的地铁线路运行风险管理系统 | |
CN113554319A (zh) | 一种安全风险综合评定系统及方法 | |
CN113779734A (zh) | 一种基于人工智能的跨坐式单轨道岔监测及其维护系统 | |
CN113740063A (zh) | 列车轴承监控预警方法及系统 | |
CN111453619A (zh) | 一种自适应的岸桥运行机构智能监测与状态评估系统 | |
CN112180827A (zh) | 一种港机智能化自动控制系统 | |
CN217425982U (zh) | 高铁信号系统的集中监控系统 | |
CN105572493A (zh) | 一种车载-地面辅助逆变器远程故障诊断系统 |
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 |