CN115099506A - 一种风速预测方法、系统、电子设备及介质 - Google Patents

一种风速预测方法、系统、电子设备及介质 Download PDF

Info

Publication number
CN115099506A
CN115099506A CN202210770104.5A CN202210770104A CN115099506A CN 115099506 A CN115099506 A CN 115099506A CN 202210770104 A CN202210770104 A CN 202210770104A CN 115099506 A CN115099506 A CN 115099506A
Authority
CN
China
Prior art keywords
wind speed
predicted
predicted wind
determining
signal
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
Application number
CN202210770104.5A
Other languages
English (en)
Inventor
李曙
何学科
申富林
徐晓斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Railway Polytechnic
Original Assignee
Guangzhou Railway Polytechnic
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Railway Polytechnic filed Critical Guangzhou Railway Polytechnic
Priority to CN202210770104.5A priority Critical patent/CN115099506A/zh
Publication of CN115099506A publication Critical patent/CN115099506A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种风速预测方法、系统、电子设备及介质，包括步骤：获取高速列车在当前时间段的第一风速信号；根据第一风速信号，确定近似级数和细节序列；对第一风速信号进行分解，得到多个子信号；根据近似级数和细节序列，通过第一风速预测模型，确定第一预测风速；根据近似级数、细节序列和多个子信号，通过第二风速预测模型，确定第二预测风速；根据近似级数、细节序列和多个子信号，通过第三风速预测模型，确定第三预测风速；根据第一预测风速、第二预测风速和第三预测风速，确定高速列车在下一个时间段的目标预测风速。解决了采用单个模型来预测风速信息，数据精度受限，降低了高速列车监测准确性的问题。

Description

一种风速预测方法、系统、电子设备及介质
技术领域
本发明涉及漏电保护技术领域，尤其涉及一种风速预测方法、系统、电子设备及介质。
背景技术
随着我国高速铁路的发展，高速铁路遭遇强风的里程不断增加，强风会给高速列车施加高气压，并影响列车的动态响应，从而影响列车的运行安全和乘坐舒适性，不同的国家都报告过由风引起的列车事故，与传统列车相比，高速列车对风更敏感，因此，研究风对高速列车的影响对于提高列车的安全性和乘坐舒适性具有重要作用。
传统技术方案通常是采用例如递归神经网络、支持向量机、模糊推理系统、自适应升级模糊推理系统等来预测风速信息，但是采用单个模型来预测风速信息，数据精度受限，降低了高速列车监测准确性。
发明内容
为了克服现有采用单个模型来预测风速信息，数据精度受限，降低了高速列车监测准确性的问题，本发明提供了一种风速预测方法、系统、电子设备及介质。
第一方面，为了解决上述技术问题，本发明提供了一种风速预测方法，包括以下步骤：
获取高速列车在当前时间段的第一风速信号；
根据第一风速信号，确定近似级数和细节序列，近似级数用于表征第一风速信号的总体变化趋势，细节序列用于表征第一风速信号中的高频信号的变化趋势；
对第一风速信号进行分解，得到多个子信号；
根据近似级数和细节序列，通过第一风速预测模型，确定高速列车在当前时间段的下一个时间段的第一预测风速，第一风速预测模型是基于WT-TS模型训练得到的；
根据近似级数、细节序列和多个子信号，通过第二风速预测模型，确定高速列车在下一个时间段的第二预测风速，第二风速预测模型是基于EEMD-ANN模型训练得到的；
根据近似级数、细节序列和多个子信号，通过第三风速预测模型，确定高速列车在下一个时间段的第三预测风速，第三风速预测模型是基于EEMD-ANN-GA模型训练得到的；
根据第一预测风速、第二预测风速和第三预测风速，确定高速列车在下一个时间段的目标预测风速。
本发明提供的一种风速预测方法的有益效果是：通过第一风速预测模型，得到第一预测风速，通过第二风速预测模型，得到第二预测风速，第三风速预测模型，得到第三预测风速，再根据第一预测风速、第二预测风速和第三预测风速，得到目标预测风速，本申请采用了三个预测模型(第一风速预测模型、第二风速预测模型和第三风速预测模型)的输出结果来得到目标预测风速，提高了只根据单个预测模型的输出结果得到目标预测风速的数据精度，解决了采用单个模型来预测风速信息，数据精度受限的问题，降低了高速列车根据目标预测风速来监测运行安全性的问题。
在上述技术方案的基础上，本发明的一种风速预测方法还可以做如下改进。
进一步，上述根据第一风速信号，确定近似级数和细节序列，包括：
将第一风速信号输入滤波器，通过滤波器中的各滤波层对第一风速信号进行快速离散小波变换，得到多个第二风速信号和多个差异值，每个滤波层对应一个第二风速信号，当前滤波层的第二风速信号的频率低于当前滤波层的上一个滤波层的第二风速信号的频率，对于每个差异值，差异值表征了该差异值对应的相邻两个第二风速信号之间的差异；
将滤波器的最后一个滤波层输出的第二风速信号作为近似级数，将各个差异值作为细节序列。
采用上述进一步方案的有益效果是：通过对第一风速信号进行快速离散小波变换，得到近似级数和细节序列，近似级数能够反应第一风速信号的总体变化趋势，细节序列能够反应第一风速信号中的高频信号的变化趋势，获得更加准确的待输入各个预测模型的数据。
进一步，上述对第一风速信号进行分解，得到多个子信号，包括：
S31，将高斯白噪声添加到第一风速信号，得到第三风速信号；
S32，将第三风速信号分解成K个第一本征模态分量和一个第一残余信号，对于每个第一本征模态分量，第一本征模态分量表征了第一风速信号在第一本征模态分量对应的时间尺度的局部特征信息，第一残余信号表征了第一风速信号中的噪声信号；
S33，将具有相同标注偏差的新的高斯白噪声添加到第一风速信号，得到新的第三风速信号，重复S32-S33，直到第一残余信号的频率值低于预设阈值，得到m个数据集合，其中，每个数据集合中包含k个第一本征模态分量和一个第一残余信号；
S34，根据m个数据集合中的第一本征模态分量，通过第一公式，得到k个第二本征模态分量，其中，第一公式为：
Figure BDA0003723676750000031
其中，ci(t)表示第二本征模态分量，t表示第一风速信号在第一本征模态分量对应的时间尺度，m表示数据集合的个数，k表示一个数据集合中第一本征模态分量的总数,cij(t)表示第j个数据集合中的第i个第一本征模态分量；
S35，根据m个数据集合中的第一残余信号，通过第二公式，得到一个第二残余信号，其中，第二公式为：
Figure BDA0003723676750000041
其中，r(t)表示第二残余信号，t表示第一风速信号在第一本征模态分量对应的时间尺度，m表示数据集合的个数，rj(t)表示第j个数据集合中的第一残余信号；
将k个第二本征模态分量和第二残余信号作为子信号。
采用上述进一步方案的有益效果是：将高斯白噪声添加到第一风速信号中，即可得到第一本征模态分量，第一本征模态分量能够反应第一风速信号在第一本征模态分量对应的时间尺度的局部特征信息，同时，还会产生第一残余信号即噪声，因此，将具有相同标注偏差的新的高斯白噪声添加到第一风速信号，得到多个第一本征模态分量，以及第一残余信号，当第一残余信号的频率值低于预设阈值时，表明噪声降到了可接受范围，此时可以得到m个数据集合，通过将m个数据集合中的第一本征模态分量输入第一公式，以及将m个数据集合中的第一残余信号输入第二公式，即可得到子信号。
进一步，上述根据近似级数和细节序列，通过第一风速预测模型，确定高速列车在当前时间段的下一个时间段的第一预测风速，包括：
将近似级数和细节序列输入至第一风速预测模型，通过第一步骤，确定高速列车在当前时间段的下一个时间段的第一预测风速；
其中，第一步骤包括：
S41，根据近似级数和细节序列，确定近似级数对应的第一预测结果，以及细节序列对应的第二预测结果；
S42，根据第一预测结果、第二预测结果、第一预测结果对应的第一权重、第二预测结果对应的第二权重，确定高速列车在当前时间段的下一个时间段的第一预测风速；
根据近似级数、细节序列和多个子信号，通过第二风速预测模型确定高速列车在下一个时间段的第二预测风速，包括：
将近似级数、细节序列和多个子信号输入至第二风速预测模型，通过第二步骤，确定高速列车在下一个时间段的第二预测风速；
其中，第二步骤包括：
S43，根据近似级数、细节序列和多个子信号，确定近似级数对应的第三预测结果、细节序列对应的第四预测结果和子信号对应的第五预测结果；
S44，根据第三预测结果、第四预测结果、第五预测结果、第三预测结果对应的第三权重、第四预测结果对应的第四权重和第五预测结果对应的第五权重，确定高速列车在下一个时间段的第二预测风速；
根据近似级数、细节序列和多个子信号，通过第三风速预测模型，确定高速列车在下一个时间段的第三预测风速，包括：
将近似级数、细节序列和多个子信号输入至第三风速预测模型，通过第三步骤，确定近似级数所对应的第六预测结果、细节序列所对应的第七预测结果和所有子信号所对应的第八预测结果；
其中，第三步骤包括：
S45，根据近似级数、细节序列和多个子信号，确定近似级数对应的第六预测结果、细节序列对应的第七预测结果和子信号对应的第八预测结果；
S46，调整第三权重，得到第六权重，调整第四权重，得到第七权重，调整第五权重，得到第八权重；
S47，根据第六预测结果、第七预测结果、第八预测结果、第六权重、第七权重和第八权重，确定高速列车在下一个时间段的第三预测风速。
采用上述进一步方案的有益效果是：在第一风速预测模型中，根据第一权重和第二权重，对第一预测结果和第二预测结果进行处理，得到第一预测风速，在第二风速预测模型中，根据第二权重、第三权重和第四权重，对第三预测结果、第四预测结果和第五预测结果进行处理，得到第二预测风速，根据第六权重、第七权重和第八权重，对第六预测结果、第七预测结果和第八预测结果进行处理，得到第三预测风速，因此，各个预测结果根据自身所对应的权重在各自预测模型中进行处理，得到各个预测风速，使得各个预测风速的结果更加准确。
进一步，上述方法还包括：
获取第一预测风速的第一误差、第二预测风速的第二误差和第三预测风速的第三误差；
根据第一预测风速、第二预测风速和第三预测风速，确定高速列车在下一个时间段的目标预测风速，包括：
根据第一误差、第二误差和第三误差，通过第三公式，确定第一预测风速、第二预测风速和第三预测风速各自所对应的权重，其中，第三公式为：
Figure BDA0003723676750000061
其中，E表示组合模型的总误差，t表示第一风速信号在第一本征模态分量对应的时间尺度，k表示输入第三公式中预测风速的总数，
Figure BDA0003723676750000062
表示偏导数，eit表示输入第三公式中第i个预测风速所对应的误差，ωi表示输入第三公式中第i个预测风速所对应的权重；
根据第一预测风速、第二预测风速和第三预测风速、以及第一预测风速、第二预测风速和第三预测风速各自所对应的权重，通过第四公式，确定目标预测风速，其中，第四公式为：
Figure BDA0003723676750000063
其中，ωi表示输入第四公式中第i个预测风速所对应的权重，k表示输入第四公式中预测风速果的总数，
Figure BDA0003723676750000064
表示输入第四公式中第i个预测风速，
Figure BDA0003723676750000071
表示目标预测风速。
采用上述进一步方案的有益效果是：在通过第一预测风速、第二预测风速和第三预测风速获得目标预测风速时，将各个预测模型的输出结果的误差考虑进去，因此，根据第一误差、第二误差和第三误差，确定出第一预测风速、第二预测风速和第三预测风速各自对应的权重，最后根据第一预测风速、第二预测风速和第三预测风速各自对应的权重，以及第一预测风速、第二预测风速和第三预测风速，得到目标预测风速，使得目标预测风速更加准确。
进一步，根据第一预测风速、第二预测风速和第三预测风速，确定高速列车在下一个时间段的目标预测风速，包括：
将所述第一预测风速、所述第二预测风速和所述第三预测风速输入至基于ANN模型训练的预测模型，确定所述高速列车在所述下一个时间段的目标预测风速。
采用上述进一步方案的有益效果是：通过训练好的预测模型，获得高速列车在下一个时间段的目标预测风速，使得目标预测风速更加准确。
可选的，还包括：
若目标预测风速大于等于预设的警设阈值，则生成第一预警信息。
采用上述进一步方案的有益效果是：通过目标预测风速与预设的警设阈值做比较，一旦目标预测风速大于等于预设的警设阈值，表明风速对高速列车的运行造成了影响，需要生成第一预警信息。
第二方面，本发明提供了一种风速预测系统，包括：
第一确定模块，用于获取当前时间段的第一风速信号；
第二确定模块，用于根据第一风速信号，确定近似级数和细节序列，近似级数用于表征第一风速信号的总体变化趋势，细节序列用于表征第一风速信号中的高频信号的变化趋势；
第三确定模块，用于对第一风速信号进行分解，得到多个子信号；
第四确定模块，用于根据近似级数和细节序列，通过第一风速预测模型，确定高速列车在当前时间段的下一个时间段的第一预测风速，第一风速预测模型是基于WT-TS训练得到的；
第五确定模块，用于根据近似级数、细节序列和多个子信号，通过第二风速预测模型，确定高速列车在下一个时间段的第二预测风速，第二风速预测模型是基于EEMD-ANN模型训练得到的；
第六确定模块，用于根据近似级数、细节序列和多个子信号，通过第三风速预测模型，确定高速列车在下一个时间段的第三预测风速，第三风速预测模型是基于EEMD-ANN-GA模型训练得到的；
第七确定模块，用于根据第一预测风速、第二预测风速和第三预测风速，确定高速列车在下一个时间段的目标预测风速。
本发明提供的一种风速预测系统的有益效果是：通过第一风速预测模型，得到第一预测风速，通过第二风速预测模型，得到第二预测风速，第三风速预测模型，得到第三预测风速，再根据第一预测风速、第二预测风速和第三预测风速，得到目标预测风速，本申请采用了三个预测模型(第一风速预测模型、第二风速预测模型和第三风速预测模型)的输出结果来得到目标预测风速，提高了只根据单个预测模型的输出结果得到目标预测风速的数据精度，解决了采用单个模型来预测风速信息，数据精度受限的问题，降低了高速列车根据目标预测风速来监测运行安全性的问题。
第三方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的程序，处理器执行程序时实现如上述的一种风速预测方法的步骤。
第四方面，本发明还提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在终端设备上运行时，使得终端设备执行如上述的一种风速预测方法的步骤。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面结合附图和实施例对本发明作进一步说明。
图1为本发明实施例的一种风速预测方法的流程示意图；
图2为使用快速离散小波变换将第一风速信号进行分解的示意图；
图3为当前时间段的第一风速信号的波形图；
图4为当前时间段的近似级数和细节序列的波形图；
图5为当前时间段的第二本征模态分量和第二残余信号的波形图；
图6为第二风速预测模型中ANN模型的结构示意图；
图7为组合模型中ANN模型的结构示意图；
图8为本发明实施例的一种风速预测系统的结构示意图。
具体实施方式
下列实施例是对本发明的进一步解释和补充，对本发明不构成任何限制。
以下结合附图描述本发明实施例的一种风速预测方法、系统、电子设备及介质。
如图1所示，本发明实施例的一种风速预测方法，包括以下步骤：
S1，获取高速列车在当前时间段的第一风速信号。
可选的，第一风速信号的获取可采用采样频率为1Hz的风速计，将风速计设在铁路轨道附近，部署高度为铁路轨道上方4米，在遇到山区、峡谷时，相邻车站之间布设风速计的距离为1-5km，在遇到桥梁和高路堤时，相邻车站之间布设风速计的距离为5-10km。
S2，根据第一风速信号，确定近似级数和细节序列，近似级数用于表征第一风速信号的总体变化趋势，细节序列用于表征第一风速信号中的高频信号的变化趋势。
可选的，上述根据第一风速信号，确定近似级数和细节序列的一种可实现方式为：将第一风速信号输入滤波器，通过滤波器中的各滤波层对第一风速信号进行快速离散小波变换，得到多个第二风速信号和多个差异值，每个滤波层对应一个第二风速信号，当前滤波层的第二风速信号的频率低于当前滤波层的上一个滤波层的第二风速信号的频率，对于每个差异值，差异值表征了该差异值对应的相邻两个第二风速信号之间的差异；
将滤波器的最后一个滤波层输出的第二风速信号作为近似级数，将各个差异值作为细节序列。
本实施例中，如图2所示，滤波器可采用3层滤波层设计，即对第一风速信号连续分解三次，第一层滤波层输出为a1和d1，第二层滤波层输出a2和d2，第三层滤波层输出a3和d3，其中，a1、a2、a3表示各个滤波层输出的第二风速信号，d3、d2、d1表示各个滤波层输出的差异值，因此，第一风速信号通过快速离散小波变换得到近似级数和细节序列可表示为如下：
x(t)＝a3+d3+d2+d1；
其中，x(t)表示第一风速信号，a3表示近似级数，d3、d2、d1表示细节序列，i表示第i层滤波层。
如图3-图4所示，图3中，横坐标表示当前时间段，纵坐标表示第一风速信号在当前时间段的风速，图4中，横坐标表示当前时间段，纵坐标分别表示a3、d3、d2、d1在当前时间段对应的风速，从图4可以看出，将第一风速信号分解为了不同频率下的第二风速信号，由于第二风速信号的波形图相较于第一风速信号更加平稳，有利于提高后续预测模型的预测精度。
S3，对第一风速信号进行分解，得到多个子信号。
可选的，对第一风速信号使用EEMD方法进行分解，得到多个子信号，包括：
S31，将高斯白噪声添加到第一风速信号，得到第三风速信号；
S32，将第三风速信号分解成K个第一本征模态分量和一个第一残余信号，对于每个第一本征模态分量，第一本征模态分量表征了第一风速信号在第一本征模态分量对应的时间尺度的局部特征信息，第一残余信号表征了第一风速信号中的噪声信号；
S33，将具有相同标注偏差的新的高斯白噪声添加到第一风速信号，得到新的第三风速信号，重复S32-S33，直到第一残余信号的频率值低于预设阈值，得到m个数据集合，其中，每个数据集合中包含k个第一本征模态分量和一个第一残余信号；
S34，根据m个数据集合中的第一本征模态分量，通过第一公式，得到k个第二本征模态分量，其中，第一公式为：
Figure BDA0003723676750000111
其中，ci(t)表示第二本征模态分量，t表示第一风速信号在第一本征模态分量对应的时间尺度，m表示数据集合的个数，k表示一个数据集合中第一本征模态分量的总数,cij(t)表示第j个数据集合中的第i个第一本征模态分量；
S35，根据m个数据集合中的第一残余信号，通过第二公式，得到一个第二残余信号，其中，第二公式为：
Figure BDA0003723676750000112
其中，r(t)表示第二残余信号，t表示第一风速信号在第一本征模态分量对应的时间尺度，m表示数据集合的个数，rj(t)表示第j个数据集合中的第一残余信号；
将k个第二本征模态分量和第二残余信号作为子信号，其中，一个子信号包含了一个第二本征模态分量和一个第二残余信号。
如图3-图5所示，图5中，横坐标表示了当前时间段，纵坐标表示了各个第二本征模态分量(IMF)和第二残余信号(Residual)在当前时间段的风速，从图5中可以看出，将第一风速信号分解为了各个第二本征模态分量和一个第二残余信号，由于第二本征模态分量的波形图更加平稳，有利于提高后续预测模型的预测精度。
S4，根据近似级数和细节序列，通过第一风速预测模型，确定高速列车在当前时间段的下一个时间段的第一预测风速，第一风速预测模型是基于WT-TS模型训练得到的。
可选的，WT-TS模型能够为每个分解的分量(近似级数和细节序列)建立ARIMA模型，用于针对非平稳时间序列的平稳性识别、序列确定和参数估计。
可选的，将近似级数和细节序列输入至第一风速预测模型，通过第一步骤，确定高速列车在当前时间段的下一个时间段的第一预测风速；
其中，第一步骤包括：
S41，根据近似级数确定第一预测结果，根据细节序列确定第二预测结果；
S42，根据第一预测结果、第二预测结果、第一预测结果对应的第一权重、第二预测结果对应的第二权重，确定高速列车在当前时间段的下一个时间段的第一预测风速。
上述第一权重和第二权重为预设值，可以根据工作经验与实验进行确定，上述步骤S42中具体是根据第一预测结果、第二预测结果、第一预测结果对应的第一权重、第二预测结果对应的第二权重进行加权处理，将加权处理后的预测结果作为高速列车在当前时间段的下一个时间段的第一预测风速。
S5，根据近似级数、细节序列和多个子信号，通过第二风速预测模型，确定高速列车在下一个时间段的第二预测风速，第二风速预测模型是基于EEMD-ANN模型训练得到的。
本实施例中，EEMD-ANN模型是通过使用EEMD方法将第一风速信号分解为多个子信号后，再使用近似级数、细节序列和多个子信号作为训练集对第一ANN模型进行训练得到的预测模型，其中，如图6所示，为第一ANN模型的一般结构，xi表示第i个输入数据，zj表示第j个隐藏变量，y表示输出数据，ωij(1)表示从输入层到隐藏层的权重系数，ωij(2)表示从隐藏层到输出层的权重系数，从图6可以看出，第一ANN模型具有输入层(Input Layer)、隐藏层(Hidden Layer)和输出层(Output Layer)，输入数据为近似级数、细节序列和多个子信号，输出数据为预测风速序列，隐藏层中的隐藏变量用于建模输入数据和输出数据之间的关系，当神经网络具有多个隐藏层时，神经网络能够表示输入层和输出层之间的非线性关系，相邻层之间的权重系数用于连接不同层中的数据，权重系数的值通过一个学习过程使用反向传播算法确定，该学习过程通过最小化定义为预测输出数据和地面真值数据之间差异的预测误差来优化权重系数的值，地面真值数据通常是测量结果，如铁路沿线风速计测量的风速数据，一旦确定了权重系数，神经网络就可以用来预测未来的风数据。
可选的，将近似级数、细节序列和多个子信号输入至第二风速预测模型，通过第二步骤，确定高速列车在下一个时间段的第二预测风速；
其中，第二步骤包括：
S43，根据近似级数确定第三预测结果，根据细节序列确定第四预测结果，根据多个子信号确定第五预测结果；
S44，根据第三预测结果、第四预测结果、第五预测结果、第三预测结果对应的第三权重、第四预测结果对应的第四权重和第五预测结果对应的第五权重，确定高速列车在下一个时间段的第二预测风速。
上述第三权重、第四权重和第五权重，可以根据工作经验与实验进行确定，上述步骤S44中具体是根据第三预测结果、第四预测结果、第五预测结果、第三预测结果对应的第三权重、第四预测结果对应的第四权重和第五预测结果对应的第五权重进行加权处理，将加权处理后的预测结果作为高速列车在当前时间段的下一个时间段的第二预测风速。
S6，根据近似级数、细节序列和多个子信号，通过第三风速预测模型，确定高速列车在下一个时间段的第三预测风速，第三风速预测模型是基于EEMD-ANN-GA模型训练得到的。
可选的，将近似级数、细节序列和多个子信号输入至第三风速预测模型，通过第三步骤，确定近似级数所对应的第六预测结果、细节序列所对应的第七预测结果和所有子信号所对应的第八预测结果；
其中，第三步骤包括：
S45，根据近似级数确定第六预测结果，根据细节序列确定第七预测结果，根据多个子信号确定第八预测结果；
S46，调整第三权重，得到第六权重，调整第四权重，得到第七权重，调整第五权重，得到第八权重；
S47，根据第六预测结果、第七预测结果、第八预测结果、第六权重、第七权重和第八权重，确定高速列车在下一个时间段的第三预测风速。
上述第六权重是根据第三权重调整后确定的，第七权重是根据第四权重调整后确定的，第八权重是根据第六权重调整后确定的，调整权重的目的在于优化EEMD-ANN模型的原始权重，解决了EEMD-ANN模型对权重的高敏感问题。
上述第六权重、第七权重和第八权重，可以根据工作经验与实验进行确定，上述步骤S47中具体是根据第六预测结果、第七预测结果、第八预测结果、第六预测结果对应的第六权重、第七预测结果对应的第七权重和第八预测结果对应的第八权重进行加权处理，将加权处理后的预测结果作为高速列车在当前时间段的下一个时间段的第三预测风速。
S7，根据第一预测风速、第二预测风速和第三预测风速，确定高速列车在下一个时间段的目标预测风速。
可选的，本实施例采用第一风速预测模型、第二风速预测模型和第三风速预测模型组合后的组合模型来预测目标预测风速，而组合模型可以通过如下两种方法来确定高速列车在下一个时间段的目标预测风速，具体如下：
方法一：
由于单个模型的输出结果与实际测得的数值之间存在差异，因此组合模型的输出结果必然会与实际测得的数值之间存在差异，因此，在组合模型进行预测时，需要将误差带来的影响考虑进去，组合模型的误差可以表示为第六公式：
et＝ω1e1t+ω2e2t+…+ωkekt；
其中，et表示组合模型的总误差，k表示组合模型中单个模型的总数，ω1、ω2、...ωk表示组合模型中单个模型的权重，e1t、e2t、...ekt表示组合模型中单个模型的误差；
由于需满足条件∑i＝1kωi＝1、ωi≥0以及fit＝eit-ekt，因此将上述条件代入第六公式，可得到第三公式为：
Figure BDA0003723676750000151
其中，E表示总误差，t表示第一风速信号在第一本征模态分量对应的时间尺度，k表示表示组合模型中单个模型的总数，
Figure BDA0003723676750000152
表示偏导数，eit表示第i个模型对应的误差，ωi表示第i个模型对应的权重；
当确定组合模型的误差和单个模型的权重后，组合模型的预测结果表示为第四公式：
Figure BDA0003723676750000153
其中，
Figure BDA0003723676750000154
表示组合模型的预测结果，k表示组合模型中单个模型的总数，i表示组合模型中的第i个模型，ωi表示第i个模型的误差，
Figure BDA0003723676750000155
表示第一个模型的输出结果；
综上所述，根据第一预测风速、第二预测风速和第三预测风速，通过第四步骤，确定高速列车在下一个时间段的目标预测风速，其中，第四步骤为：
获取第一预测风速的第一误差、第二预测风速的第二误差和第三预测风速的第三误差，其中，第一误差为第一预测风速与第一预测风速相同时间段时测得的实际风速之间的误差，第二误差为第二预测风速与第二预测风速相同时间段时测得的实际风速之间的误差，第三误差为第三预测风速与第三预测风速相同时间段时测得的实际风速之间的误差；
根据第一误差、第二误差和第三误差，通过第三公式，确定第一预测风速、第二预测风速和第三预测风速各自所对应的权重，其中，第三公式为：
Figure BDA0003723676750000161
其中，E表示组合模型的总误差，t表示第一风速信号在第一本征模态分量对应的时间尺度，
Figure BDA0003723676750000162
表示偏导数，eit表示输入第三公式中第i个预测风速所对应的误差，ωi表示输入第三公式中第i个预测风速所对应的权重；
根据第一预测风速、第二预测风速和第三预测风速、以及第一预测风速、第二预测风速和第三预测风速各自所对应的权重，通过第四公式，确定目标预测风速，其中，第四公式为：
Figure BDA0003723676750000163
其中，ωi表示输入第四公式中第i个预测风速所对应的权重，
Figure BDA0003723676750000164
表示输入第四公式中第i个预测风速，
Figure BDA0003723676750000165
表示目标预测风速。
方法二：
通过新增一个预测模型确定目标预测风速，新增的预测模型是通过第二ANN模型训练得到的，如图7所示，为第二ANN模型的一般结构，具有输入层(Input Layer)、隐藏层(Hidden Layer)和输出层(Output Layer)，其中，WT-TS表示第一预测风速，EEMD-ANN表示第二预测风速，EEMD-ANN-GA表示第三预测风速，Average表示第一预测风速、第二预测风速和第三预测风速的平均值，使用第一预测风速、第二预测风速、第三预测风速和平均值作为训练集，对第二ANN模型进行训练，具体训练过程如下：
获取训练样本，训练样本包括多个时刻对应的样本预测风速，对于每个时刻的样本预测风速，时刻的样本预测风速为基于各个风速预测模型输出的时刻对应的预测风速和时刻之前时刻的样本预测风速确定的，各个风速预测模型包括第一风速预测模型、第二风速预测模型和第三风速预测模型；
根据训练样本对ANN模型进行训练，得到预测模型，如下：。
Figure BDA0003723676750000171
x1到xn表示各个风速预测模型输出的预测风速以及平均值，
Figure BDA0003723676750000172
表示的是初始时刻n+1对应的样本预测风速，
Figure BDA0003723676750000173
表示第n+L时刻对应的样本预测风速，N表示的是各个风速预测模型的个数，f(.)表示ANN模型，L表示的是总步长。
本实施例中，根据第一预测风速、第二预测风速、第三预测风速和平均值，通过预测模型，确定目标预测风速。
本实施例中，L预设次数可为1或3或5。
可选的，还包括对组合模型的性能进行验证。
本实施例中，采用了三种性能来评估组合模型的性能，即平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)，其中，绝对误差的评价公式为：
Figure BDA0003723676750000181
其中，N表示验证总次数，t表示第t次验证，xt表示实际测得的风速，
Figure BDA0003723676750000182
表示目标预测风速；
均方根误差的评价公式为：
Figure BDA0003723676750000183
其中，N表示验证总次数，t表示第t次验证，xt表示实际测得的风速，
Figure BDA0003723676750000184
表示目标预测风速；
平均绝对百分比误差的评价公式为：
Figure BDA0003723676750000185
其中，N表示验证总次数，t表示第t次验证，xt表示实际测得的风速，
Figure BDA0003723676750000186
表示目标预测风速。
综上所述，经过N次验证实验，平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)的数值均在合理范围内，表明组合模型得到的目标预测风速与实际测得的风速结果相近，组合模型的预测结果十分接近实际测得结果。
可选的，还包括：
若目标预测风速大于等于预设的警设阈值，则生成第一预警信息。
本实施例中，通过风洞试验和不同风速下的数值模拟，测试了不同类型高速列车的气动特性和动态响应，提供风速、铁路基础设施和条件以及高速列车的类型和速度时，可以确定高速列车的动态响应，如，对于特定类型的高速列车，在给定预警风速和轨道条件(如轨道不平顺)的情况下，可以使用实验或计算模型来确定脱轨系数、车轮减载率、轮对横向力和每种列车速度下的加速度，因此，在保证运行安全和乘坐舒适性前提下，测得上述给定风速的极限值为警设阈值，一旦目标预测风速大于等于预设的警设阈值，表明风速对高速列车的运行造成了影响，需要生成第一预警信息。
如图3所示，本发明实施例的一种风速预测系统，包括：
第一确定模块202，用于获取当前时间段的第一风速信号；
第二确定模块203，用于根据第一风速信号，确定近似级数和细节序列，近似级数用于表征第一风速信号的总体变化趋势，细节序列用于表征第一风速信号中的高频信号的变化趋势；
第三确定模块204，用于对第一风速信号进行分解，得到多个子信号；
第四确定模块205，用于根据近似级数和细节序列，通过第一风速预测模型，确定高速列车在当前时间段的下一个时间段的第一预测风速，第一风速预测模型是基于WT-TS训练得到的；
第五确定模块206，用于根据近似级数、细节序列和多个子信号，通过第二风速预测模型，确定高速列车在下一个时间段的第二预测风速，第二风速预测模型是基于EEMD-ANN模型训练得到的；
第六确定模块207，用于根据近似级数、细节序列和多个子信号，通过第三风速预测模型，确定高速列车在下一个时间段的第三预测风速，第三风速预测模型是基于EEMD-ANN-GA模型训练得到的；
第七确定模块208，用于根据第一预测风速、第二预测风速和第三预测风速，确定高速列车在下一个时间段的目标预测风速.
可选的，第二确定模块203通过第一单元获得近似级数和细节序列，其中，第一单元具体用于：
将第一风速信号输入滤波器，通过滤波器中的各滤波层对第一风速信号进行快速离散小波变换，得到多个第二风速信号和多个差异值，每个滤波层对应一个第二风速信号，当前滤波层的第二风速信号的频率低于当前滤波层的上一个滤波层的第二风速信号的频率，对于每个差异值，差异值表征了该差异值对应的相邻两个第二风速信号之间的差异；
将滤波器的最后一个滤波层输出的第二风速信号作为近似级数，将各个差异值作为细节序列。
可选的，第三确定模块204用于通过第二单元确定子信号，其中，第二单元，具体包括：
第一子单元，用于将高斯白噪声添加到第一风速信号，得到第三风速信号；
第二子单元，用于将第三风速信号分解成K个第一本征模态分量和一个第一残余信号，对于每个第一本征模态分量，第一本征模态分量表征了第一风速信号在第一本征模态分量对应的时间尺度的局部特征信息，第一残余信号表征了第一风速信号中的噪声信号；
第三子单元，用于将具有相同标注偏差的新的高斯白噪声添加到第一风速信号，得到新的第三风速信号，重复第二子单元至第三子单元的处理过程，直到第一残余信号的频率值低于预设阈值，得到m个数据集合，其中，每个数据集合中包含k个第一本征模态分量和一个第一残余信号；
第四子单元，用于根据m个数据集合中的第一本征模态分量，通过第一公式，得到k个第二本征模态分量，其中，第一公式为：
Figure BDA0003723676750000201
其中，ci(t)表示第二本征模态分量，t表示第一风速信号在第一本征模态分量对应的时间尺度，m表示数据集合的个数，k表示一个数据集合中第一本征模态分量的总数,cij(t)表示第j个数据集合中的第i个第一本征模态分量；
第五子单元，用于根据m个数据集合中的第一残余信号，通过第二公式，得到一个第二残余信号，其中，第二公式为：
Figure BDA0003723676750000211
其中，r(t)表示第二残余信号，t表示第一风速信号在第一本征模态分量对应的时间尺度，m表示数据集合的个数，rj(t)表示第j个数据集合中的第一残余信号；
将k个第二本征模态分量和第二残余信号作为子信号，其中，一个子信号包含了一个第二本征模态分量和一个第二残余信号。
可选的，第四确定模块205在根据所述近似级数和所述细节序列，通过第一风速预测模型，确定所述高速列车在所述当前时间段的下一个时间段的第一预测风速时，具体用于：
将所述近似级数和所述细节序列输入至第一风速预测模型，通过第三单元，确定所述高速列车在所述当前时间段的下一个时间段的第一预测风速；
其中，所述第三单元，具体用于：
根据所述近似级数和所述细节序列，确定所述近似级数对应的第一预测结果，以及所述细节序列对应的第二预测结果；
根据所述第一预测结果、所述第二预测结果、所述第一预测结果对应的第一权重、所述第二预测结果对应的第二权重，确定所述高速列车在所述当前时间段的下一个时间段的第一预测风速；
可选的，第五确定模块206在根据近似级数、细节序列和多个子信号，通过第二风速预测模型确定高速列车在下一个时间段的第二预测风速时，具体用于：
将近似级数、细节序列和多个子信号输入至第二风速预测模型，通过第四单元，确定高速列车在下一个时间段的第二预测风速；
其中，第四单元具体用于：
根据近似级数确定第三预测结果，根据细节序列确定第四预测结果，根据子信号确定第五预测结果；
根据第三预测结果、第四预测结果、第五预测结果、第三预测结果对应的第三权重、第四预测结果对应的第四权重和第五预测结果对应的第五权重，确定高速列车在下一个时间段的第二预测风速；
可选的，第六确定模块207在根据近似级数、细节序列和多个子信号，通过第三风速预测模型，确定高速列车在下一个时间段的第三预测风速时，具体用于：
将近似级数、细节序列和多个子信号输入至第三风速预测模型，通过第五单元，确定近似级数所对应的第六预测结果、细节序列所对应的第七预测结果和所有子信号所对应的第八预测结果；
其中，第五单元具体用于：
根据近似级数确定第六预测结果，根据细节序列确定第七预测结果，根据子信号确定第八预测结果；
调整第三权重，得到第六权重，调整第四权重，得到第七权重，调整第五权重，得到第八权重；
根据第六预测结果、第七预测结果、第八预测结果、第六权重、第七权重和第八权重，确定高速列车在下一个时间段的第三预测风速。
可选的，该系统还包括：
误差获取模块，用于获取所述第一预测风速的第一误差、所述第二预测风速的第二误差和所述第三预测风速的第三误差；
第七确定模块208在根据第一预测风速、所述第二预测风速和所述第三预测风速，确定所述高速列车在所述下一个时间段的目标预测风速时，具体用于：
根据第一误差、第二误差和第三误差，通过第三公式，确定第一预测风速、第二预测风速和第三预测风速各自所对应的权重，其中，第三公式为：
Figure BDA0003723676750000231
其中，E表示组合模型的总误差，t表示第一风速信号在第一本征模态分量对应的时间尺度，k表示输入第三公式中预测风速的总数，
Figure BDA0003723676750000232
表示偏导数，eit表示输入第三公式中第i个预测风速所对应的误差，ωi表示输入第三公式中第i个预测风速所对应的权重；
根据第一预测风速、第二预测风速和第三预测风速、以及第一预测风速、第二预测风速和第三预测风速各自所对应的权重，通过第四公式，确定目标预测风速，其中，第四公式为：
Figure BDA0003723676750000233
其中，ωi表示输入第四公式中第i个预测风速所对应的权重，k表示输入第四公式中预测风速果的总数，
Figure BDA0003723676750000234
表示输入第四公式中第i个预测风速，
Figure BDA0003723676750000235
表示目标预测风速。
可选的，第七确定模块208在根据所述第一预测风速、所述第二预测风速和所述第三预测风速，确定所述高速列车在所述下一个时间段的目标预测风速时，具体用于：
根据第一预测风速、第二预测风速、第三预测风速和平均值，通过预测模型，确定目标预测风速。
可选的，上述系统还包括：
预警模块，用于若目标预测风速大于等于预设的警设阈值，则生成第一预警信息。
本发明实施例的一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，所述处理器执行所述程序时实现上述一种风速预测方法的部分或全部步骤。
其中，电子设备可以选用电脑，相对应地，其程序为电脑软件，且上述关于本发明的一种电子设备中的各参数和步骤，可参考上文中一种风速预测方法的实施例中的各参数和步骤，在此不做赘述。
所属技术领域的技术人员知道，本发明可以实现为系统、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种风速预测方法，其特征在于，包括以下步骤：
获取高速列车在当前时间段的第一风速信号；
根据所述第一风速信号，确定近似级数和细节序列，所述近似级数用于表征所述第一风速信号的总体变化趋势，所述细节序列用于表征所述第一风速信号中的高频信号的变化趋势；
对所述第一风速信号进行分解，得到多个子信号；
根据所述近似级数和所述细节序列，通过第一风速预测模型，确定所述高速列车在所述当前时间段的下一个时间段的第一预测风速，所述第一风速预测模型是基于WT-TS模型训练得到的；
根据所述近似级数、所述细节序列和多个所述子信号，通过第二风速预测模型，确定所述高速列车在所述下一个时间段的第二预测风速，所述第二风速预测模型是基于EEMD-ANN模型训练得到的；
根据所述近似级数、所述细节序列和多个所述子信号，通过第三风速预测模型，确定所述高速列车在所述下一个时间段的第三预测风速，所述第三风速预测模型是基于EEMD-ANN-GA模型训练得到的；
根据所述第一预测风速、所述第二预测风速和所述第三预测风速，确定所述高速列车在所述下一个时间段的目标预测风速。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一风速信号，确定近似级数和细节序列，包括：
将所述第一风速信号输入滤波器，通过所述滤波器中的各滤波层对所述第一风速信号进行快速离散小波变换，得到多个第二风速信号和多个差异值，每个所述滤波层对应一个第二风速信号，当前滤波层的第二风速信号的频率低于所述当前滤波层的上一个滤波层的第二风速信号的频率，对于每个所述差异值，所述差异值表征了该差异值对应的相邻两个第二风速信号之间的差异；
将所述滤波器的最后一个滤波层输出的所述第二风速信号作为近似级数，将所述各个差异值作为细节序列。
3.根据权利要求1所述的方法，其特征在于，所述对所述第一风速信号进行分解，得到多个子信号，包括：
S31，将高斯白噪声添加到所述第一风速信号，得到第三风速信号；
S32，将所述第三风速信号分解成K个第一本征模态分量和一个第一残余信号，对于每个所述第一本征模态分量，所述第一本征模态分量表征了所述第一风速信号在所述第一本征模态分量对应的时间尺度的局部特征信息，所述第一残余信号表征了所述第一风速信号中的噪声信号；
S33，将具有相同标注偏差的新的高斯白噪声添加到所述第一风速信号，得到新的第三风速信号，重复S32-S33，直到所述第一残余信号的频率值低于预设阈值，得到m个数据集合，其中，每个数据集合中包含k个所述第一本征模态分量和一个第一残余信号；
S34，根据m个所述数据集合中的第一本征模态分量，通过第一公式，得到k个第二本征模态分量，其中，所述第一公式为：
Figure FDA0003723676740000021
其中，ci(t)表示第二本征模态分量，t表示第一风速信号在第一本征模态分量对应的时间尺度，m表示数据集合的个数，k表示一个数据集合中第一本征模态分量的总数,cij(t)表示第j个数据集合中的第i个第一本征模态分量；
S35，根据m个所述数据集合中的第一残余信号，通过第二公式，得到一个第二残余信号，其中，所述第二公式为：
Figure FDA0003723676740000022
其中，r(t)表示第二残余信号，t表示第一风速信号在第一本征模态分量对应的时间尺度，m表示数据集合的个数，rj(t)表示第j个数据集合中的第一残余信号；
将所述k个第二本征模态分量和所述第二残余信号作为子信号。
4.根据权利要求1所述的方法，其特征在于，所述根据所述近似级数和所述细节序列，通过第一风速预测模型，确定所述高速列车在所述当前时间段的下一个时间段的第一预测风速，包括：
将所述近似级数和所述细节序列输入至第一风速预测模型，通过第一步骤，确定所述高速列车在所述当前时间段的下一个时间段的第一预测风速；
其中，所述第一步骤包括：
S41，根据所述近似级数和所述细节序列，确定所述近似级数对应的第一预测结果，以及所述细节序列对应的第二预测结果；
S42，根据所述第一预测结果、所述第二预测结果、所述第一预测结果对应的第一权重、所述第二预测结果对应的第二权重，确定所述高速列车在所述当前时间段的下一个时间段的第一预测风速；
所述根据所述近似级数、所述细节序列和多个所述子信号，通过第二风速预测模型确定所述高速列车在所述下一个时间段的第二预测风速，包括：
将所述近似级数、所述细节序列和多个所述子信号输入至所述第二风速预测模型，通过第二步骤，确定所述高速列车在所述下一个时间段的第二预测风速；
其中，所述第二步骤包括：
S43，根据所述近似级数、所述细节序列和多个所述子信号，确定所述近似级数对应的第三预测结果、所述细节序列对应的第四预测结果和所述子信号对应的第五预测结果；
S44，根据所述第三预测结果、所述第四预测结果、所述第五预测结果、所述第三预测结果对应的第三权重、所述第四预测结果对应的第四权重和所述第五预测结果对应的第五权重，确定所述高速列车在所述下一个时间段的第二预测风速；
所述根据所述近似级数、所述细节序列和多个所述子信号，通过第三风速预测模型，确定所述高速列车在所述下一个时间段的第三预测风速，包括：
将所述近似级数、所述细节序列和多个所述子信号输入至所述第三风速预测模型，通过第三步骤，确定所述近似级数所对应的第六预测结果、所述细节序列所对应的第七预测结果和所有所述子信号所对应的第八预测结果；
其中，所述第三步骤包括：
S45，根据所述近似级数、所述细节序列和多个所述子信号，确定所述近似级数对应的第六预测结果、所述细节序列对应的第七预测结果和所述子信号对应的第八预测结果；
S46，调整所述第三权重，得到第六权重，调整所述第四权重，得到第七权重，调整所述第五权重，得到第八权重；
S47，根据所述第六预测结果、所述第七预测结果、所述第八预测结果、所述第六权重、所述第七权重和所述第八权重，确定所述高速列车在所述下一个时间段的第三预测风速。
5.根据权利要求1-4任一项所述的方法，其特征在于，还包括：
获取所述第一预测风速的第一误差、所述第二预测风速的第二误差和所述第三预测风速的第三误差；
所述根据所述第一预测风速、所述第二预测风速和所述第三预测风速，确定所述高速列车在所述下一个时间段的目标预测风速，包括：
根据所述第一误差、所述第二误差和所述第三误差，通过第三公式，确定所述第一预测风速、所述第二预测风速和所述第三预测风速各自所对应的权重，其中，第三公式为：
Figure FDA0003723676740000051
其中，E表示总误差，t表示第一风速信号在第一本征模态分量对应的时间尺度，k表示输入第三公式中预测风速的总数，
Figure FDA0003723676740000052
表示偏导数，eit表示输入第三公式中第i个预测风速所对应的误差，ωi表示输入第三公式中第i个预测风速所对应的权重；
根据所述第一预测风速、所述第二预测风速和所述第三预测风速、以及所述第一预测风速、所述第二预测风速和所述第三预测风速各自所对应的权重，通过第四公式，确定所述目标预测风速，其中，第四公式为：
Figure FDA0003723676740000053
其中，ωi表示输入第四公式中第i个预测风速所对应的权重，k表示输入第四公式中预测风速果的总数，
Figure FDA0003723676740000054
表示输入第四公式中第i个预测风速，
Figure FDA0003723676740000055
表示目标预测风速。
6.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述第一预测风速、所述第二预测风速和所述第三预测风速，确定所述高速列车在所述下一个时间段的目标预测风速，包括：
将所述第一预测风速、所述第二预测风速和所述第三预测风速输入至基于ANN模型训练的预测模型，确定所述高速列车在所述下一个时间段的目标预测风速。
7.根据权利要求1所述的方法，其特征在于，还包括：
若所述目标预测风速大于等于预设的警设阈值，则生成第一预警信息。
8.一种风速预测系统，其特征在于，包括：
第一确定模块，用于获取当前时间段的第一风速信号；
第二确定模块，用于根据所述第一风速信号，确定近似级数和细节序列，所述近似级数用于表征所述第一风速信号的总体变化趋势，所述细节序列用于表征所述第一风速信号中的高频信号的变化趋势；
第三确定模块，用于对所述第一风速信号进行分解，得到多个子信号；
第四确定模块，用于根据所述近似级数和所述细节序列，通过第一风速预测模型，确定所述高速列车在所述当前时间段的下一个时间段的第一预测风速，所述第一风速预测模型是基于WT-TS训练得到的；
第五确定模块，用于根据所述近似级数、所述细节序列和多个所述子信号，通过第二风速预测模型，确定所述高速列车在所述下一个时间段的第二预测风速，所述第二风速预测模型是基于EEMD-ANN模型训练得到的；
第六确定模块，用于根据所述近似级数、所述细节序列和多个所述子信号，通过第三风速预测模型，确定所述高速列车在所述下一个时间段的第三预测风速，所述第三风速预测模型是基于EEMD-ANN-GA模型训练得到的；
第七确定模块，用于根据所述第一预测风速、所述第二预测风速和所述第三预测风速，确定所述高速列车在所述下一个时间段的目标预测风速。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的一种风速预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行如权利要求1至7任一项所述的一种风速预测方法的步骤。
CN202210770104.5A 2022-06-30 2022-06-30 一种风速预测方法、系统、电子设备及介质 Pending CN115099506A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210770104.5A CN115099506A (zh) 2022-06-30 2022-06-30 一种风速预测方法、系统、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210770104.5A CN115099506A (zh) 2022-06-30 2022-06-30 一种风速预测方法、系统、电子设备及介质

Publications (1)

Publication Number Publication Date
CN115099506A true CN115099506A (zh) 2022-09-23

Family

ID=83295517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210770104.5A Pending CN115099506A (zh) 2022-06-30 2022-06-30 一种风速预测方法、系统、电子设备及介质

Country Status (1)

Country Link
CN (1) CN115099506A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345387A (zh) * 2022-10-18 2022-11-15 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种风场风速预测方法、装置及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345387A (zh) * 2022-10-18 2022-11-15 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种风场风速预测方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN111638028B (zh) 一种基于振动特征的高压并联电抗器机械状态评估方法
CN113609955B (zh) 一种基于深度学习和数字孪生的三相逆变器参数辨识方法
CN112183368B (zh) 基于lstm的电力系统低频振荡模态特征的快速辨识方法
CN102829967A (zh) 一种基于回归模型系数变化的时域故障识别方法
CN105784556A (zh) 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法
CN109885854A (zh) 基于arma模型的颤振边界实时预测系统及预测方法
CN110417005B (zh) 结合深度学习和仿真计算的暂态稳定严重故障筛选方法
CN110866448A (zh) 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法
CN105572572A (zh) 基于wknn-lssvm的模拟电路故障诊断方法
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
CN112287592A (zh) 一种基于深度置信网络的工业设备故障诊断方法及系统
CN115099506A (zh) 一种风速预测方法、系统、电子设备及介质
CN111353640B (zh) 一种组合法风速预测模型构建方法
CN115526258A (zh) 基于Spearman相关系数特征提取的电力系统暂稳评估方法
CN113627268A (zh) 模型训练方法、矿井提升机用减速器故障检测方法和装置
CN105335763A (zh) 一种基于改进型极速学习机的织物疵点分类方法
CN116226620A (zh) 一种基于svm和lstm的次同步振荡模态辨识方法
CN116777109A (zh) 风力发电机组设备状态评估方法及系统
Pérez-Pérez et al. Fault detection and isolation in wind turbines based on neuro-fuzzy qLPV zonotopic observers
CN116307773A (zh) 一种变电站二次设备可靠性估计方法
CN113919388A (zh) 一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法及装置
CN112307918A (zh) 一种基于模糊神经网络的变压器直流偏磁的诊断方法
Chu et al. A relaxed support vector data description algorithm based fault detection in distribution systems
CN112329535A (zh) 基于cnn的电力系统低频振荡模态特征的快速辨识方法
CN112464848A (zh) 一种基于密度空间聚类的信息流异常数据监测方法及装置

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