一种强风高速铁路沿线风速自适应分解预测方法技术

本发明专利技术提供了一种强风高速铁路沿线风速自适应分解预测方法，该方法包括以下步骤：步骤1：设置辅助测风站；步骤2：对风速数据进行滤波处理；步骤3：将滤波后的各组数据进行分解；步骤4：对各组分解后的数据进行滤波；步骤5：将各组滤波后的IMF分量和R分量进行信号重构；步骤6：选出当前时段与目标测风站相关较高的m个辅助测风站；步骤7：构建CS优化的小波神经网络模型；步骤8：将实测的m个辅助测风站风速值输入到训练好的模型，得到目标测风站的风速预测值。本发明专利技术能在各种地形、气候条件下对铁路沿线风速进行高精度预测，有效避免了单一测风站硬件故障造成的预测错误及预测中断。

【技术实现步骤摘要】

本专利技术属于铁路风速预测领域，特别涉及一种强风高速铁路沿线风速自适应分解预测方法。
技术介绍
我国幅员辽阔，海岸线长，很多地区常出现强风天气。风电是一种宝贵的资源，然而，强风会使列车气动性能和侧向稳定性恶化，导致列车容易发生脱轨、倾覆等事故。强风导致的列车安全事故在世界各国均有发生，为防止这些事故的发生，众多学者开展了各项研究。其中，由于铁路部门的调度指挥必须具备准确性和超前性，因此，铁路沿线风速预测成为核心的研究内容之一。风速受各种因素的影响，具有很强的随机性和非平稳性，预测难度很高。传统的风速预测研究多集中在风电场风速预测，方法主要有时间序列、卡尔曼滤波、人工神经网络、支持向量机、小波分析、经验模式分解等，近年来，一些学者提出了新的组合模型，这些组合模型的预测性能优于单一模型。因为在强风条件下，相比其他区段，列车通过一些特定区段(如风口区域的桥梁、高路堤、丘陵、曲线等)时更容易发生安全事故，所以，对这些特定区段，风速预测要更加准确。目前，铁路沿线风速预测方法不论特定区段还是普通区段，大多基于单测风站风速数据，采样信号单一，抗干扰性差，无法避免单测风站硬件故障造成的预测错误及预测中断。现有的基于空间相关性的风速预测方法多针对大规模风电场，且或是各测风站位置相隔较远，预测精度不高；或是使用大时间尺度分析，短期预测精度不高；或是采用流场分析方法，计算时间长；难以完全满足铁路调度指挥的要求。因此，迫切需要建立一种能满足小区域、短期性、高精度需要的铁路沿线风速智慧预测方法。
技术实现思路
本专利技术提供了一种强风高速铁路沿线风速自适应分解预测方法，其目的在于，克服现有铁路风速预测方法中存在的不足，通过多测风站数据提高预测精度，同时由于融合多个测风站之间的风速数据多样性，保证预测模型的稳定性，且能避免单测风站传感器硬件故障造成的预测中断。一种强风高速铁路沿线风速自适应分解预测方法，包括以下步骤：步骤1：在目标测风站位置周围至少安装N个辅助测风站，利用辅助测风站实时采集目标测风站的风速数据，获得目标测风站和辅助测风站的风速样本集合；其中，N为大于或等于5的整数；辅助测风站以目标测风站位置为原点，以20公里为最大半径，顺着铁路沿线搜索目标测风站位置前后周围的铁路接触网立柱；将N个辅助测风站安装在铁路接触网立柱距铁路轨面4米的高度位置上；目标测风站和辅助测风站位置高度与沿线行驶列车的车顶等高；步骤2：对风速样本集合中的风速数据进行滤波处理去除风速数据中潜在的误差；步骤3：对经过步骤2滤波后的风速样本集合采用自适应噪声完整集成经验模态进行分解；步骤4：对经步骤3分解后的数据进行滤波处理；步骤5：将经步骤4滤波后的数据进行信号重构，得到各测风站的风速重构数据；步骤6：将各辅助测风站的风速重构数据与目标测风站的风速重构数据进行相关性检验，按相关度从高到低排序，选出与目标测风站风速重构数据相关度排名前m组辅助测风站的风速重构数据和对应的m个辅助测风站；其中，m为整数，取值范围为[3，60％N]；步骤7：将目标测风站和步骤6选出的辅助测风站的风速重构数据按照频率划分成高频子序列、中频子序列、低频子序列，再将所有测风站的高频子序列、中频子序列、低频子序列分别归类到高频层、中频层和低频层；步骤8：训练各频层的基于CS的小波神经网络预测模型，将各频层预测模型的输出结果累加作为整体预测模型的输出结果，获得整体预测模型；以高频层中各辅助测风站的高频子序列和目标测风站的高频子序列分别作为高频层基于CS的小波神经网络预测模型的输入和输出；以中频层中各辅助测风站的中频子序列和目标测风站的中频子序列分别作为中频层基于CS的小波神经网络预测模型的输入和输出；以低频层中各辅助测风站的低频子序列和目标测风站的低频子序列分别作为低频层基于CS的小波神经网络预测模型的输入和输出；步骤9：将实时采集的辅助测风站的风速数据，按照步骤2-5进行处理后，并对处理后的数据按照步骤7进行频率划分，将划分后的数据输入到步骤8构建的整体预测模型中，得到目标测风站的风速预测结果。所述步骤2和步骤4中采用的滤波方法为交互多模型卡尔曼滤波法。所述步骤6中使用的相关性检验方法为DCCA去趋势互相关分析法。所述基于CS的小波神经网络预测模型的构建步骤如下：步骤1：利用CS算法随机产生50组小波神经网络的初始网络连接权值和阈值的鸟巢位置种群；其中，每一个鸟巢位置对应着一组小波神经网络的初始连接权值和阈值，鸟巢位置的更新代数为100；步骤2：根据风速预测均方根误差最小原则，利用风速样本对每个鸟巢位置进行对比，筛选出最优的鸟巢位置；在每次筛选中，对原始50组鸟巢位置中最劣的10组鸟巢用重新随机产生的10组鸟巢进行更换，并且将上一步50组鸟巢位置中最优的5组鸟巢进行保留到下一步的性能对比中；步骤3：当达到100步后，CS算法输出最佳鸟巢位置，将这一步的最优初始连接权值和阈值赋予给小波神经网络模型。步骤4：将辅助测风站的各子序列作为小波神经网络模型的输入，对应目标测风站的各子序列作为输出，完成自身的学习训练过程，得到基于CS的小波神经网络预测模型；其中，基于CS的小波神经网络预测模型的隐含层节点的传递函数为小波母函数。利用CS算法(即布谷鸟算法)优化小波神经网络的目的是产生小波神经网络最优的初始网络连接权值和隐含层阈值。有益效果本专利技术公开了一种强风高速铁路沿线风速自适应分解预测方法，该方法包括以下步骤：步骤1：设置辅助测风站；步骤2：对风速数据进行滤波处理；步骤3：将滤波后的各组数据进行分解；步骤4：对各组分解后的数据进行滤波；步骤5：将各组滤波后的IMF分量和R分量进行信号重构；步骤6：选出当前时段与目标测风站相关较高的m个辅助测风站；步骤7：构建CS优化的小波神经网络模型；步骤8：将实测的m个辅助测风站风速值输入到训练好的模型，得到目标测风站的风速预测值。本专利技术能在各种地形、气候条件下对铁路沿线风速进行高精度预测，有效避免了单一测风站硬件故障造成的预测错误及预测中断。通过在目标测风站位置周围安装5个辅助测风站，通过辅助测风站每秒实时采集目标测风站周围的风场风速数据，形成包括目标测风站和辅助测风站在内的风速样本集合；对原始风速数据用交互多模型卡尔曼滤波处理，剔除传感器带来的测量误差，利用CEEMDAN分解，剔除信号高频跳跃特征；用去趋势互相关分析法准确选出当前时段与目标测风站风速信号相关度较高的辅助测风站；采用CS优化的小波神经网络进行训练和预测。本专利技术专利的巧妙之处在于：首先，不同于现有技术中对目标测风站的自身所获得的风速时间序列直接建立预测模型，而是巧妙地采用CS优化后的小波神经网络对目标测风站和其周边的辅助测风站建立起非线性风速预测网络，充分地利用了在铁路沿线所采集的空间风速数据；其次，为了降低风速数据内潜在的测量误差对小波神经网络的预测精度影响，巧妙地提出了运用交互多模型卡尔曼联滤波和CEEMDAN分解混合处理的技术方案，而不是常规的直接进行滤波处理，即先利用交互多模型卡尔曼滤波多全部的原始风速数据进行去除噪声的滤波处理，然后对第一次滤波后的全部风速数据进行CEEMDAN分解，最后在运用交互多模型卡尔曼滤波对分解后的高频风速数据进行第二次滤波处理，通过滤波、分解、再滤波的本文档来自技高网...

【技术保护点】
一种强风高速铁路沿线风速自适应分解预测方法，其特征在于，包括以下步骤：步骤1：在目标测风站位置周围至少安装N个辅助测风站，利用辅助测风站实时采集目标测风站的风速数据，获得目标测风站和辅助测风站的风速样本集合；其中，N为大于或等于5的整数；步骤2：对风速样本集合中的风速数据进行滤波处理去除风速数据中潜在的误差；步骤3：对经过步骤2滤波后的风速样本集合采用自适应噪声完整集成经验模态进行分解；步骤4：对经步骤3分解后的数据进行滤波处理；步骤5：将经步骤4滤波后的数据进行信号重构，得到各测风站的风速重构数据；步骤6：将各辅助测风站的风速重构数据与目标测风站的风速重构数据进行相关性检验，按相关度从高到低排序，选出与目标测风站风速重构数据相关度排名前m组辅助测风站的风速重构数据和对应的m个辅助测风站；其中，m为整数，取值范围为[3，60％N]；步骤7：将目标测风站和步骤6选出的辅助测风站的风速重构数据按照频率划分成高频子序列、中频子序列、低频子序列，再将所有测风站的高频子序列、中频子序列、低频子序列分别归类到高频层、中频层和低频层；步骤8：训练各频层的基于CS的小波神经网络预测模型，将各频层预测模型的输出结果累加作为整体预测模型的输出结果，获得整体预测模型；以高频层中各辅助测风站的高频子序列和目标测风站的高频子序列分别作为高频层基于CS的小波神经网络预测模型的输入和输出；以中频层中各辅助测风站的中频子序列和目标测风站的中频子序列分别作为中频层基于CS的小波神经网络预测模型的输入和输出；以低频层中各辅助测风站的低频子序列和目标测风站的低频子序列分别作为低频层基于CS的小波神经网络预测模型的输入和输出；步骤9：将实时采集的辅助测风站的风速数据，按照步骤2‑5进行处理后，并对处理后的数据按照步骤7进行频率划分，将划分后的数据输入到步骤8构建的整体预测模型中，得到目标测风站的风速预测结果。...

【技术特征摘要】
1.一种强风高速铁路沿线风速自适应分解预测方法，其特征在于，包括以下步骤：步骤1：在目标测风站位置周围至少安装N个辅助测风站，利用辅助测风站实时采集目标测风站的风速数据，获得目标测风站和辅助测风站的风速样本集合；其中，N为大于或等于5的整数；步骤2：对风速样本集合中的风速数据进行滤波处理去除风速数据中潜在的误差；步骤3：对经过步骤2滤波后的风速样本集合采用自适应噪声完整集成经验模态进行分解；步骤4：对经步骤3分解后的数据进行滤波处理；步骤5：将经步骤4滤波后的数据进行信号重构，得到各测风站的风速重构数据；步骤6：将各辅助测风站的风速重构数据与目标测风站的风速重构数据进行相关性检验，按相关度从高到低排序，选出与目标测风站风速重构数据相关度排名前m组辅助测风站的风速重构数据和对应的m个辅助测风站；其中，m为整数，取值范围为[3，60％N]；步骤7：将目标测风站和步骤6选出的辅助测风站的风速重构数据按照频率划分成高频子序列、中频子序列、低频子序列，再将所有测风站的高频子序列、中频子序列、低频子序列分别归类到高频层、中频层和低频层；步骤8：训练各频层的基于CS的小波神经网络预测模型，将各频层预测模型的输出结果累加作为整体预测模型的输出结果，获得整体预测模型；以高频层中各辅助测风站的高频子序列和目标测风站的高频子序列分别作为高频层基于CS的小波神经网络预测模型的输入和输出；以中频层中各辅助测风站的中频子序列和目标测风站的中频子序列分别作为中频层基于CS的小波神经网络预测模型的输入和输出；以低频层中各辅助测风站的低频子序列和...

【专利技术属性】
技术研发人员：李燕飞，刘辉，米希伟，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43