CN116415723A - 一种面向铁路防灾系统的风速预测方法及装置 - Google Patents

一种面向铁路防灾系统的风速预测方法及装置 Download PDF

Info

Publication number
CN116415723A
CN116415723A CN202310314371.6A CN202310314371A CN116415723A CN 116415723 A CN116415723 A CN 116415723A CN 202310314371 A CN202310314371 A CN 202310314371A CN 116415723 A CN116415723 A CN 116415723A
Authority
CN
China
Prior art keywords
wind speed
data
frequency
prediction
sequence
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
CN202310314371.6A
Other languages
English (en)
Inventor
陈嘉翊
杨晓东
林钲围
何丹
黄超
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.)
CRSC Research and Design Institute Group Co Ltd
Original Assignee
CRSC Research and Design Institute Group Co Ltd
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 CRSC Research and Design Institute Group Co Ltd filed Critical CRSC Research and Design Institute Group Co Ltd
Priority to CN202310314371.6A priority Critical patent/CN116415723A/zh
Publication of CN116415723A publication Critical patent/CN116415723A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及铁路防灾技术领域，特别涉及一种面向铁路防灾系统的风速预测方法及装置。本发明直接通过LSTM或ARIMA预测网络直接进行预测时，对风速波动不敏感，且误差较大。未经算法优化的数据通过LSTM‑ARIMA预测网络只能大致符合风速序列基频波动，在面对短时风速波动时仍然存在较大的误差。本发明组合模型能够充分挖掘了风速序列的特性，降低原始风速的复杂程度，结合LSTM‑ARIMA预测网络后，有着更强的时序信号处理能力，能够更充分地挖掘时序信息，有着更高的时序性数据的预测精度，能有效提高短期风速预测的准确度，能取得比其他典型短期风速预测模型更佳的预测效果，在风速短期预测领域具有更好的优势。

Description

一种面向铁路防灾系统的风速预测方法及装置
技术领域
本发明涉及铁路防灾技术领域，特别涉及一种面向铁路防灾系统的风速预测方法及装置。
背景技术
在铁路防灾系统中，风速预警是指通过对风速传感器的实时监测，预测出未来一小段时间的风速值，系统根据预测出的风速值大小判断是否影响列车运行安全，从而对列车运行发出预警。目前，国内外对铁路沿线的风速预测算法相对较少，但是风速预测又关乎铁路运行安全，所以必须针对铁路沿线提出相适应的算法，以提高铁路运行安全。
风速预测可按超短期、短期和中长期等不同预测时长划分。风速在超短期内由于采样间隔较短，与短期相比风速表现出较好的规律性，风速的超短期预测技术较为成熟。而短期风速的非线性和波动性特点更为突出，规律性较弱，预测难度较大。目前国内外在短期风速预测方面主要利用统计的方法来拟合原始风速数据与实际风速数据间的非线性关系，主要有支持向量机法、经验模式分解法、卡尔曼滤波法等。传统的统计方法直接利用原始风速数据建立的预测模型预测精度并不理想，为了解决这一弊端，不少学者提出了利用信号分解的方法挖掘风速样本深层的规律性特征，在单一模型的基础上提出了基于统计方法的组合预测模型。有学者将原始信号利用经验模态分解(EMD)分解为24个模态分量，再与长短期记 (LSTM)神经网络结合的预测方法取得不错的预测效果。为了进一步挖掘原始数据的内在规律性特征，利用变分模态分解(VMD)后，分别利用门控循环网络(GRU)和双向LSTM构建了预测模型，取得了较高的预测精度。
现有的风速预测算法大多数应用在风电场风速预测、结构设计防风风速预测、天气预报风速预测等领域，没有铁路沿线的风速预测算法应用，同时为解决现有技术预测模型预测精度并不理想的问题，结合上述方法的优点，本申请提出了一种基于K均值聚类(Kmeans)、VMD分解、根据样本熵重构分量、ARIMA和LSTM网络结合的风速预测方法。
发明内容
针对上述问题，本发明提供一种面向铁路防灾系统的风速预测方法及装置。
一种面向铁路防灾系统的风速预测方法，所述方法包括：
将原始风速数据进行相似日聚类，得到相似日数据；
将所述相似日数据分解为n个模态分量，分别计算n个序列分量的排列熵，按照时间序列的复杂程度将模态分量分为高频部分和低频部分；
高频序列部分和低频序列部分分别进行预测，将高频序列预测结果和低频序列预测结果相加，得到风速的预测值。
进一步的，所述将原始风速数据进行相似日聚类，得到相似日数据，具体包括：
利用Kmeans算法将原始风速数据进行相似日聚类。
进一步的，所述将相似日数据分解为n个模态分量，分别计算n个序列分量的排列熵，按照时间序列的复杂程度将模态分量分为高频部分和低频部分，具体包括：
使用VMD算法将上述选取的某类相似日数据分解为n个模态分量，使用 PE 算法分别计算n个序列分量的排列熵，按照时间序列的复杂程度将模态分量分为高频部分和低频部分。
进一步的，所述高频序列部分和低频序列部分分别进行预测，将高频序列预测结果和低频序列预测结果相加得到风速的预测值，具体包括：
高频序列部分采用LSTM进行预测，低频序列部分采用ARIMA进行预测，将高频序列预测结果和低频序列预测结果相加，得到风速的预测值。
进一步的，所述将原始风速数据进行相似日聚类，具体包括：
使用Kmeans算法对全年每天的原始风速数据进行相似日聚类；
随机选取K个点，作为样本的聚类中心点，然后计算其他样本到聚类中心点的欧式距离，将其归为离某个中心点最近的那个类别中，形成初始分类；
确定某个评价聚类结果优劣的准则函数；给定某个初始分类，用迭代算法不断寻找合适的K个中心点，使准则函数最小化，即各类别的相似性尽可能小，得到合适的聚类结果。
进一步的，所述准则函数采用Davies-Bouldin指数(简称DBI)，衡量聚类后各类别间的相似度。
进一步的，使用变分模态分解VMD算法将上述选取的某类相似日数据分解为n个模态分量，使用PE算法分别计算n个序列分量的排列熵，按照时间序列的复杂程度将模态分量分为高频部分和低频部分，具体包括：
将第一类相似日数据利用变分模态分解VMD的方式分解为n层子分量，不同子分量代表了相似日不同尺度的特征；将采集的数据，选取一部分的数据为样本数据；余下部分的数据作为测试样本数据；
将 VMD分解以后的数据从低频到高频排列的n个模态分量；
计算n个模态分量熵值，将熵值相近的分量叠加合成，最终重构成数量更少的新分量，以减小分量数。
进一步的，所述高频序列部分采用LSTM进行预测，低频序列部分采用ARIMA进行预测，将高频序列预测结果和低频序列预测结果相加，得到风速的预测值，具体包括：
构建VMD-LSTM-ARIMA测模型，ARIMA模型来说，排列熵值越小，时间复杂度越低，模型的预测精度就越高，将上述分类的排列熵低的数据利用ARIMA 模型，反之则利用LSTM模型进行预测；
将构建好的VMD-LSTM-ARIMA模型进行训练，通过结合ARIMA模型与LSTM模型输出的结果对风速进行预测。
一种面向铁路防灾系统的风速预测装置，包括：数据预处理单元、数据分解与重构单元、以及数据分类与预测单元；
数据预处理单元，用于将原始风速数据进行相似日聚类，得到相似日数据；
数据分解与重构单元，用于将所述相似日数据分解为n个模态分量，分别计算n个序列分量的排列熵，按照时间序列的复杂程度将模态分量分为高频部分和低频部分；
数据分类与预测单元，用于高频序列部分和低频序列部分分别进行预测，将高频序列预测结果和低频序列预测结果相加，得到风速的预测值。
进一步的，所述数据预处理单元，具体用于：
利用Kmeans算法将原始风速数据进行相似日聚类。
本发明至少具备以下有益效果：
本发明直接通过LSTM或ARIMA预测网络直接进行预测时，对风速波动不敏感，且误差较大。未经算法优化的数据通过LSTM-ARIMA预测网络只能大致符合风速序列基频波动，在面对短时风速波动时仍然存在较大的误差。
本发明组合模型能够充分挖掘了风速序列的特性，降低原始风速的复杂程度，结合LSTM-ARIMA预测网络后，有着更强的时序信号处理能力，能够更充分地挖掘时序信息，有着更高的时序 性数据的预测精度，能有效提高短期风速预测的准确度，能取得比其他典型短期风速预测模型更佳的预测效果，在风速短期预测领域具有更好的优势。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
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，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例风速预测方法流程图；
图2为本发明实施例风速预测装置示意图；
图3为本发明实施例风速预测原理示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前国内外在短期风速预测方面主要利用统计的方法来拟合原始风速数据与实际风速数据间的非线性关系，主要有支持向量机法、经验模式分解法、卡尔曼滤波法等。传统的统计方法直接利用原始风速数据建立的预测模型预测精度并不理想，为了解决这一弊端，不少学者提出了利用信号分解的方法挖掘风速样本深层的规律性特征，在单一模型的基础上提出了基于统计方法的组合预测模型。有学者将原始信号利用经验模态分解(EMD)分解为24个模态分量，再与长短期记(LSTM)神经网络结合的预测方法取得不错的预测效果。为了进一步挖掘原始数据的内在规律性特征，利用变分模态分解(VMD)后，分别利用门控循环网络(GRU)和双向LSTM构建了预测模型，取得了较高的预测精度。
结合上述方法的优点，本发明提出了一种基于K均值聚类(Kmeans)、VMD分解、根据样本熵重构分量、ARIMA和LSTM网络结合的风速预测方法及模型，包括一种面向铁路防灾系统的风速预测方法和一种面向铁路防灾系统的风速预测装置。
第一方面，如图1所示，一种面向铁路防灾系统的风速预测方法，所述方法包括：
将原始风速数据进行相似日聚类，得到相似日数据；
将所述相似日数据分解为n个模态分量，分别计算n个序列分量的排列熵，按照时间序列的复杂程度将模态分量分为高频部分和低频部分；
高频序列部分和低频序列部分分别进行预测，将高频序列预测结果和低频序列预测结果相加，得到风速的预测值。
本实施例中，所述将原始风速数据进行相似日聚类，得到相似日数据，具体包括：
利用Kmeans算法将原始风速数据进行相似日聚类。
具体实施时，Kmeans 算法能够处理规律性较弱的原始数据，削弱原始风速不确定性的影响，提取原始风速数据的初步特征，形成具有一定规律性的初始分类。
本实施例中，所述将所述相似日数据分解为n个模态分量，分别计算n个序列分量的排列熵，按照时间序列的复杂程度将模态分量分为高频部分和低频部分，具体包括：
使用VMD算法将上述选取的某类相似日数据分解为n个模态分量，使用 PE 算法分别计算n个序列分量的排列熵，按照时间序列的复杂程度将模态分量分为高频部分和低频部分。
具体实施时，排列熵算法（Permutation Entropy，简称PE）是一种分析系统非线性的新方法，其应用领域广泛，效果明显。
VMD 分解可将具有强非线性、非平稳性及 随机性特征的风速时间序列分解为相对稳定的模态分量，可增强时间序列的可预报性。
本实施例中，所述高频序列部分和低频序列部分分别进行预测，具体包括：
高频序列部分采用LSTM进行预测，低频序列部分采用ARIMA进行预测，将高频序列预测结果和低频序列预测结果相加，得到风速的预测值。
具体实施时，LSTM 神经网络能对复杂度较高的时间 序列进行有效预测，ARIMA对于平稳的时间序列有 良好的预测效果。
本实施例中，所述利用Kmeans将原始风速数据进行相似日聚类，具体包括：
使用Kmeans算法对全年每天的原始风速数据进行相似日聚类；
随机选取K个点，作为样本的聚类中心点，然后计算其他样本到聚类中心点的欧式距离，将其归为离某个中心点最近的那个类别中，形成初始分类；
确定某个评价聚类结果优劣的准则函数；给定某个初始分类，用迭代算法不断寻找合适的K个中心点，使准则函数最小化，即各类别的相似性尽可能小，得到合适的聚类结果。
具体实施时，使用Kmeans算法对365天，每天24 h的原始风速数据进行相似日聚类。
本实施例中，所述准则函数为Davies-Bouldin指数(简称DBI)用于衡量聚类后各类别间的相似度。
本实施例中，所述使用VMD算法将上述选取的某类相似日数据分解为n个模态分量，使用 PE 算法分别计算n个序列分量的排列熵，按照时间序列的复杂程度将模态分量分为高频部分和低频部分，具体包括：
将第一类相似日数据利用变分模态分解（VMD）的方式分解为n层子分量，不同子分量代表了相似日不同尺度的特征；将采集的数据，选取一部分的数据为样本数据；余下部分的数据作为测试样本数据；
将 VMD分解以后的数据从低频到高频排列的n个模态分量；
计算上述n个子分量样本熵值，将熵值相近的分量叠加合成，最终重构成数量更少的新分量，以减小分量数。
具体实施时，将采集的数据，选取80%的数据为样本数据；后20%的数据作为测试样本数据，同时选取n=10。
本实施例中，所述高频序列部分采用LSTM进行预测，低频序列部分采用ARIMA进行预测，将高频序列预测结果和低频序列预测结果相加，得到风速的预测值，具体包括：
构建VMD-LSTM-ARIMA测模型，ARIMA模型来说，排列熵值越小，时间复杂度越低，模型的预测精度就越高，将上述分类的排列熵低的数据利用ARIMA 模型，反之则利用LSTM模型进行预测；
将构建好的VMD-LSTM-ARIMA模型进行训练，通过结合ARIMA 模型与LSTM模型输出的结果对风速进行预测。
具体实施时，预测高频部分建立的 LSTM模型参数为：单元数150，激活函数为relu，迭代次数200，余弦学习率下降。预测低频部分建立的ARIMA模型参数ARIMA(p,d,q)为：ARIMA(3, 1,1)，其中p表示趋势自回归阶数，d表示趋势差分阶数，q表示趋势移动平均阶数。
第二方面，如图2所示，一种面向铁路防灾系统的风速预测装置，包括：数据预处理单元、数据分解与重构单元、以及数据分类与预测单元；
数据预处理单元，用于将原始风速数据进行相似日聚类，得到相似日数据；
数据分解与重构单元，用于将所述相似日数据分解为n个模态分量，分别计算n个序列分量的排列熵，按照时间序列的复杂程度将模态分量分为高频部分和低频部分；
数据分类与预测单元，用于高频序列部分和低频序列部分分别进行预测，将高频序列预测结果和低频序列预测结果相加，得到风速的预测值。
本实施例中，所述数据预处理单元，具体用于：
利用Kmeans算法将原始风速数据进行相似日聚类。
具体实施时，本发明一种面向铁路防灾系统的风速预测装置和一种面向铁路防灾系统的风速预测方法实现过程一一对应，在此就不赘述。
为使本领域的技术人员能更好的理解本发明，结合附图对本发明的原理阐述如下：
现有的风速预测算法大多数应用在风电场风速预测、结构设计防风风速预测、天气预报风速预测等领域，没有铁路沿线的风速预测算法应用。
如图3所示，本发明设计基于如下原理：
（1）利用Kmeans将原始风速进行类似日聚类，降低风速的非线性性，降低预测的难度并提高预测精度。
（2）数据分解与重构。使用VMD算法将上述选取的某类相似日数据分解为n个模态分量。
（3）使用 PE 算法分别计算 n个序列分量的排列熵，按照时间序列的复杂程度将模态分量分为高频部分和低频部分。
（4）高频序列部分采用 LSTM 进行预测，低频序列部分采用 ARIMA 进行预测。
（5）将高频序列预测结果和低频序列预测结果相加，得到风速的预测值。
总体结构如图2：
算法分为数据预处理单元、数据分解与重构单元、数据分类与预测单元。
数据预处理单元；
使用Kmeans算法对365天，每天24 h的原始风速数据进行相似日聚类。
步骤1：随机选取K个点，作为样本的聚类中心点，然后计算其他样本到聚类中心点的欧式距离，将其归为离某个中心点最近的那个类别中，形成初始分类。
步骤2：确定某个评价聚类结果优劣的准则函数。Davies-Bouldin指数(DBI)用于衡量聚类后各类别间的相似度步骤3：给定某个初始分类，用迭代算法不断寻找合适的K个中心点，使准则函数DBI最小化，即各类别的相似性尽可能小，得到合适的聚类结果。
数据分解与重构单元；
为了便于分析不同分解与重构层数对最终预测结果的影响
步骤1：将第一类相似日数据利用变分模态分解（VMD）的方式分解为10层子分量，不同子分量代表了相似日不同尺度的特征。 将采集的数据，选取80%的数据为样本数据。后20%的数据作为测试样本数据。
步骤2：将 VMD分解以后的数据从低频到高频排列的10个模态分量。
步骤3：计算上述10个子分量样本熵值，将熵值相近的分量叠加合成，最终重构成数量更少的新分量，以减小分量数。
数据分类与预测单元；
步骤1：构建VMD-LSTM-ARIMA测模型，ARIMA 模型来说，排列熵值越小，时间复杂度越低，模型的预测精度就越高，将上述分类的排列熵低的数据利用ARIMA 模型，反之则利用LSTM模型进行预测。
步骤2：预测高频部分建立的 LSTM模型参数为：单元数 150，激活函数为 relu，迭代次数 200，余弦学习率下降。预测低频部分建立的 ARIMA 模型参数ARIMA(p,d,q)为：ARIMA(3, 1,1)，其中p表示趋势自回归阶数，d表示趋势差分阶数，q表示趋势移动平均阶数。
步骤3：将构建好的VMD-LSTM-ARIMA模型进行训练，通过结合ARIMA 模型与LSTM模型输出的结果对风速进行预测。
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种面向铁路防灾系统的风速预测方法，其特征在于，所述方法包括：
将原始风速数据进行相似日聚类，得到相似日数据；
将所述相似日数据分解为n个模态分量，分别计算n个序列分量的排列熵，按照时间序列的复杂程度将模态分量分为高频部分和低频部分；
高频序列部分和低频序列部分分别进行预测，将高频序列预测结果和低频序列预测结果相加，得到风速的预测值。
2.根据权利要求1所述的一种面向铁路防灾系统的风速预测方法，其特征在于，所述方法包括：
所述将原始风速数据进行相似日聚类，得到相似日数据，具体包括：
利用Kmeans算法将原始风速数据进行相似日聚类。
3.根据权利要求1所述的一种面向铁路防灾系统的风速预测方法，其特征在于，所述方法包括：
所述将所述相似日数据分解为n个模态分量，分别计算n个序列分量的排列熵，按照时间序列的复杂程度将模态分量分为高频部分和低频部分，具体包括：
使用VMD算法将相似日数据分解为n个模态分量，使用PE算法分别计算n个序列分量的排列熵，按照时间序列的复杂程度将模态分量分为高频部分和低频部分。
4.根据权利要求1所述的一种面向铁路防灾系统的风速预测方法，其特征在于，所述方法包括：
所述高频序列部分和低频序列部分分别进行预测，将高频序列预测结果和低频序列预测结果相加得到风速的预测值，具体包括：
高频序列部分采用LSTM进行预测，低频序列部分采用ARIMA进行预测，将高频序列预测结果和低频序列预测结果相加，得到风速的预测值。
5.根据权利要求1所述的一种面向铁路防灾系统的风速预测方法，其特征在于，
所述将原始风速数据进行相似日聚类，具体包括：
使用Kmeans算法对全年每天的原始风速数据进行相似日聚类；
随机选取K个点，作为样本的聚类中心点，然后计算其他样本到聚类中心点的欧式距离，将其归为离某个中心点最近的那个类别中，形成初始分类；
确定某个评价聚类结果优劣的准则函数；给定某个初始分类，用迭代算法不断寻找合适的K个中心点，使准则函数最小化，得到聚类结果。
6.根据权利要求5所述的一种面向铁路防灾系统的风速预测方法，其特征在于，
所述准则函数采用Davies-Bouldin指数，衡量聚类后各类别间的相似度。
7.根据权利要求1所述的一种面向铁路防灾系统的风速预测方法，其特征在于，
所述使用VMD算法将相似日数据分解为n个模态分量，使用PE算法分别计算n个序列分量的排列熵，按照时间序列的复杂程度将模态分量分为高频部分和低频部分，具体包括：
将第一类相似日数据利用变分模态分解VMD的方式分解为n层子分量，不同子分量代表相似日不同尺度的特征；将采集的数据，选取一部分的数据为样本数据；余下部分的数据作为测试样本数据；
将 VMD分解以后的数据从低频到高频排列的n个模态分量；
计算n个模态分量熵值，将熵值相近的分量叠加合成，重构成数量更少的新分量。
8.根据权利要求1所述的一种面向铁路防灾系统的风速预测方法，其特征在于，
所述高频序列部分采用LSTM进行预测，低频序列部分采用ARIMA进行预测，将高频序列预测结果和低频序列预测结果相加，得到风速的预测值，具体包括：
构建VMD-LSTM-ARIMA测模型，将排列熵低的低频序列数据利用ARIMA 模型预测，反之则利用LSTM模型进行预测；
将构建好的VMD-LSTM-ARIMA模型进行训练，通过结合ARIMA模型与LSTM模型输出的结果对风速进行预测。
9.一种面向铁路防灾系统的风速预测装置，其特征在于，包括：数据预处理单元、数据分解与重构单元、以及数据分类与预测单元；
数据预处理单元，用于将原始风速数据进行相似日聚类，得到相似日数据；
数据分解与重构单元，用于将所述相似日数据分解为n个模态分量，分别计算n个序列分量的排列熵，按照时间序列的复杂程度将模态分量分为高频部分和低频部分；
数据分类与预测单元，用于高频序列部分和低频序列部分分别进行预测，将高频序列预测结果和低频序列预测结果相加，得到风速的预测值。
10.根据权利要求9所述的一种面向铁路防灾系统的风速预测装置，其特征在于，
所述数据预处理单元，具体用于：
利用Kmeans算法将原始风速数据进行相似日聚类。
CN202310314371.6A 2023-03-28 2023-03-28 一种面向铁路防灾系统的风速预测方法及装置 Pending CN116415723A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310314371.6A CN116415723A (zh) 2023-03-28 2023-03-28 一种面向铁路防灾系统的风速预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310314371.6A CN116415723A (zh) 2023-03-28 2023-03-28 一种面向铁路防灾系统的风速预测方法及装置

Publications (1)

Publication Number Publication Date
CN116415723A true CN116415723A (zh) 2023-07-11

Family

ID=87049124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310314371.6A Pending CN116415723A (zh) 2023-03-28 2023-03-28 一种面向铁路防灾系统的风速预测方法及装置

Country Status (1)

Country Link
CN (1) CN116415723A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056735A (zh) * 2023-10-13 2023-11-14 云南电投绿能科技有限公司 一种风电场的短期风速预测方法、装置、设备及存储介质
CN117196123A (zh) * 2023-11-06 2023-12-08 深圳市粤能电气有限公司 一种配电设备数字化生产的数据控制方法、装置及设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056735A (zh) * 2023-10-13 2023-11-14 云南电投绿能科技有限公司 一种风电场的短期风速预测方法、装置、设备及存储介质
CN117196123A (zh) * 2023-11-06 2023-12-08 深圳市粤能电气有限公司 一种配电设备数字化生产的数据控制方法、装置及设备
CN117196123B (zh) * 2023-11-06 2024-03-19 深圳市粤能电气有限公司 一种配电设备数字化生产的数据控制方法、装置及设备

Similar Documents

Publication Publication Date Title
CN116415723A (zh) 一种面向铁路防灾系统的风速预测方法及装置
CN111582551B (zh) 风电场短期风速预测方法、系统及电子设备
CN113095550B (zh) 基于变分递归网络和自注意力机制的空气质量预测方法
CN103810374A (zh) 一种基于mfcc特征提取的机器故障预测方法
CN115329682A (zh) 一种基于多周期特征的lstm-svr地铁车站温度预测方法
Qiu et al. A piecewise method for bearing remaining useful life estimation using temporal convolutional networks
CN105976077A (zh) 一种输变电工程造价动态控制目标计算系统及计算方法
Cacciola et al. Aspects about air pollution prediction on urban environment
CN110533007A (zh) 一种桥梁车载应变影响线特征智能识别与提取方法
CN116451142A (zh) 一种基于机器学习算法的水质传感器故障检测方法
CN111141879A (zh) 一种深度学习的空气质量监测方法以及装置、设备
CN118035670A (zh) 基于Deep-Pred框架的台风风速预测方法及系统
CN112069621B (zh) 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法
CN113340547A (zh) 一种基于改进集总平均经验分解的绞车振动诊断方法
Yuan et al. A hybrid deep learning model for predicting PM2. 5
Zhu et al. Prediction of air quality index based on wavelet transform combination model
CN115600498A (zh) 一种基于人工神经网络的风速预报订正方法
Kang et al. Research on forecasting method for effluent ammonia nitrogen concentration based on GRA-TCN
Hu et al. The early warning model of dust concentration in smart construction sites based on long short term memory network
Cao et al. Air Quality Index Predictions with a Hybrid Forecasting Model: Combining Series Decomposition and Deep Learning Techniques
Liu et al. Short-term Load Forecasting Approach with SVM and Similar Days Based on United Data Mining Technology
CN114580798B (zh) 一种基于transformer的设备点位预测方法及系统
CN115048868B (zh) 基于时序神经网络的动态测量系统不确定度的评定方法
CN117760731B (zh) 基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动轴承故障诊断方法及系统
Qin et al. Performance degradation assessment of train rolling bearings based on SVM and segmented vote method

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