一种高速铁路沿线风速特征提取智能预测方法技术

本发明专利技术公开了一种高速铁路沿线风速特征提取智能预测方法，该方法利用风速不同特征进行K‑means聚类，并选择最优聚类数K，将风速模型样本分为K类，然后针对K个聚类类别分别建立100个风速预测特征预选模型，利用数学分析和相关性分析方法筛选风速预测特征预选模型并建立K个风速预测特征模型组和K个风速预测归一模型，最后分析预测的风速向量与风速时间序列数据集之间的相关性并还原真实风速，该方法具有预测高精度、特征智能提取、适应性强、鲁棒性高的特点，适合应用于大风环境下的高速铁路沿线安全等领域。

【技术实现步骤摘要】
一种高速铁路沿线风速特征提取智能预测方法
本专利技术涉及一种高速铁路沿线风速特征提取智能预测方法。
技术介绍
近年来，风速预测迅速成为国内外热门研究领域之一。风速预测方法在大风环境下的高速铁路沿线安全方面有着越来越大的作用和广泛应用。风速预测方法应用于大风环境下的铁路沿线安全，实时精确预测未来风速能为列车提供更多提前预警处理时间，形成安全行车方案，保证行车安全。风速会受到季节、温度、海拔等因素的影响，其具有很强的随机性和复杂的非线性特点。目前风速预测方法主要有学习方法、物理方法和统计方法。机器学习方法在近年来得到快速发展，因此使用机器学习方法对复杂非线性的风速进行预测更为可取，常用模型有人工神经网络、卡尔曼滤波、时间序列分析等。为解决风速预测中的非平稳非线性的问题，有效提取风速特征，对风速进行高精度的预测，急需提供一种高速铁路沿线风速特征提取智能预测方法，实现对风速的高精度、强适应性、高鲁棒性的预测。
技术实现思路
本专利技术提供了一种高速铁路沿线风速特征提取智能预测方法，其目的在于，通过聚类算法和机器学习算法分析高速铁路沿线大风环境下风速特性，并提取的风速特征，建立多种神经网络模型，对高速铁路沿线风速进行准确有效的预测。一种高速铁路沿线风速特征提取智能预测方法，包括以下步骤：步骤1：通过测风站获取原始风速时间序列数据集；在高速铁路沿线指定位置设置测风站，通过测风站获取原始风速时间序列数据集；所述原始风速时间序列数据集共由n个原始风速数据组成；其中Δt为风速采样时间间隔；n为采样次数，n至少大于500；步骤2：建立风速模型样本A；所述风速模型样本A包括风速模型训练样本Aa和风速模型筛选样本Ab；建立风速模型样本A的具体过程如下：步骤A1：对原始风速时间序列数据集进行卡尔曼滤波，得到滤波后的风速时间序列数据集和噪声时间序列数据集；步骤A2：将风速时间序列数据集中任意连续4个时刻的风速作为一组风速向量，得到包含有n-3组风速向量的风速模型样本A；不同的所述风速向量中可能出现同一时刻的风速值；步骤A3：按采样时间顺序，从风速模型样本A中，选取前3/4的风速向量组成风速模型训练样本Aa，剩余的风速向量组成风速模型筛选样本Ab；步骤3：使用K-means聚类方法，对风速模型样本A中的每一组风速向量进行聚类，选取最优聚类数K，得到K个聚类中心时间序列；步骤4：依据已经聚为K个聚类类别的风速模型样本A，将风速模型训练样本Aa分为K个对应聚类类别的风速模型训练子样本{Aa,1,Aa,2,…,Aa,K}，将风速模型筛选样本Ab分为K个对应风速模型筛选子样本{Ab,1,Ab,2,…,Ab,K}；步骤5：针对K个风速模型训练子样本，建立K种基于Elman神经网络的风速预测特征预选模型各100个；所述基于Elman神经网络的风速预测特征预选模型输出值命名为风速特征预选值；步骤6：筛选模型，分别将K种基于Elman神经网络的风速预测特征预选模型各100个筛选至各10个；步骤7：每种聚类类别的10个风速预测特征预选模型组成风速预测特征模型组，得到K个风速预测特征模型组；所述风速预测特征模型组包括10个风速预测特征预选模型，每个风速预测特征模型组输出数据组成长度为10的向量命名为风速特征向量；步骤8：针对K个风速预测特征模型组，建立K个基于小波神经网络的风速预测归一模型；所述风速预测归一模型输出值设定为风速归一值；步骤9：实时预测风速；实时采集当前时刻及近期的风速数据，数据采样时间间隔应保持与步骤1中使用的原始风速时间序列数据集的风速采样时间间隔Δt一致，进行实时预测风速的具体过程如下：步骤B1：设置风速预测目标时间T，通过测风站获取与目标时间T最接近的至少200个时刻的原始风速值组成原始风速时间序列，进入步骤B2；步骤B2：对原始风速时间序列进行卡尔曼滤波，得到滤波后的风速时间序列，进入步骤B3；步骤B3：计算风速时间序列中与目标时间T最接近的4个时刻的风速值与步骤3得出的K个聚类中心时间序列的欧式距离，以距离最小原则选择对应聚类类别的风速预测特征模型组，将风速时间序列中与目标时间T最接近的3个时刻的风速值作为输入数据，输入到风速预测特征模型组中，输出得到长度为10的风速特征向量，进入步骤B4；步骤B4：将风速特征向量作为输入数据，输入到对应聚类类别的风速预测归一模型，输出风速归一值，进入步骤B5；步骤B5：判断步骤B4输出风速归一值所在时刻是否大于目标时间T，若是，进入步骤B7，否则，进入步骤B6；步骤B6：将步骤B4输出的风速归一值插入到风速时间序列首位，更新风速时间序列，返回步骤B3；步骤B7：计算风速时间序列中与目标时间T最接近的100个时刻的风速值组成的向量与步骤2中得到的风速时间序列数据集任意连续的100个时刻的风速值组成的向量之间的皮尔逊相关系数，选择皮尔逊相关系数最高的风速时间序列数据集中一组100个时刻的风速值组成的向量，将步骤2中的噪声时间序列数据集对应时刻的滤波噪声附加在风速时间序列与目标时间T最接近的100个时刻中，即还原预测风速真实性，完成目标时刻的风速预测。进一步地，所述使用K-means聚类方法，对风速模型样本A中的每一组风速向量进行聚类，选取最优聚类数K，得到K个聚类中心时间序列的具体过程如下：步骤2.1：设置K-means聚类数K’，K’＝1；步骤2.2：采用欧式距离作为相似性度量函数，对风速模型样本A中的每一组风速向量进行聚类，获得K’个聚类类别和K’个聚类中心时间序列；所述欧式距离的计算公式为其中，X＝(x1,x2,x3,x4),Y＝(y1,y2,y3,y4)分别为两个不同的风速向量，d(X,Y)为风速向量X,Y之间的欧式距离；步骤2.3：计算K-means聚类的误差平方和SSE(K′)；其中，K′是聚类数，Ci是第i个聚类类别，p是Ci类中的一组风速向量，mi是Ci类的聚类中心；步骤2.4：判断K’值是否等于20，若是，进入步骤2.5，否则，令K’＝K’+1，然后返回步骤2.2；步骤2.5：分别计算当K’＝2至19时的每个α(K′)和β(K′)值，然后进入步骤2.6；α(K′)＝arctan(SSE(K′)-SSE(K′+1)),α∈(0°,90°),K′∈[2,19]β(K′)＝arctan(SSE(K′)-SSE(K′-1)),β∈(90°,180°),K′∈[2,19]；步骤2.6：分别计算当K’＝2至19时的每个α(K′)+β(K′)值，选取使得α(K′)+β(K′)最大时的K’值作为最优聚类数K，得到K个聚类中心时间序列。进一步地，所述针对K个风速模型训练子样本，建立K种基于Elman神经网络的风速预测特征预选模型各100个的过程为：依次将K个风速模型训练子样本中的每组风速向量前3个时刻的风速值作为输入数据，第4个时刻的风速值作为输出数据，训练Elman神经网络，针对每个风速模型训练子样本训练得到的Elman神经网络分别随机设置100种不同取值的Elman神经网络参数，得到K种基于Elman神经网络的风速预测特征预选模型各100个，共100*K个基于Elman神经网络的风速预测特征预选模型。进一步地，所述100*K个基于Elman神经网络的风速预测特征预选模型在训练时均设置输入本文档来自技高网...

【技术保护点】
1.一种高速铁路沿线风速特征提取智能预测方法，其特征在于，包括以下步骤：步骤1：通过测风站获取原始风速时间序列数据集；在高速铁路沿线指定位置设置测风站，通过测风站获取原始风速时间序列数据集；所述原始风速时间序列数据集共由n个原始风速数据组成；其中Δt为风速采样时间间隔；n为采样次数，n至少大于500；步骤2：建立风速模型样本A；所述风速模型样本A包括风速模型训练样本Aa和风速模型筛选样本Ab；建立风速模型样本A的具体过程如下：步骤A1：对原始风速时间序列数据集进行卡尔曼滤波，得到滤波后的风速时间序列数据集和噪声时间序列数据集；步骤A2：将风速时间序列数据集中任意连续4个时刻的风速作为一组风速向量，得到包含有n‑3组风速向量的风速模型样本A；步骤A3：按采样时间顺序，从风速模型样本A中，选取前3/4的风速向量组成风速模型训练样本Aa，剩余的风速向量组成风速模型筛选样本Ab；步骤3：使用K‑means聚类方法，对风速模型样本A中的每一组风速向量进行聚类，选取最优聚类数K，得到K个聚类中心时间序列；步骤4：依据已经聚为K个聚类类别的风速模型样本A，将风速模型训练样本Aa分为K个对应聚类类别的风速模型训练子样本{Aa，1，Aa，2，…，Aa，K}，将风速模型筛选样本Ab分为K个对应风速模型筛选子样本{Ab，1，Ab，2，…，Ab，K}；步骤5：针对K个风速模型训练子样本，建立K种基于Elman神经网络的风速预测特征预选模型各100个；所述基于Elman神经网络的风速预测特征预选模型输出值命名为风速特征预选值；步骤6：筛选模型，分别将K种基于Elman神经网络的风速预测特征预选模型各100个筛选至各10个；步骤7：每种聚类类别的10个风速预测特征预选模型组成风速预测特征模型组，得到K个风速预测特征模型组；所述风速预测特征模型组包括10个风速预测特征预选模型，每个风速预测特征模型组输出数据组成长度为10的向量命名为风速特征向量；步骤8：针对K个风速预测特征模型组，建立K个基于小波神经网络的风速预测归一模型；所述风速预测归一模型输出值设定为风速归一值；步骤9：实时预测风速；实时采集当前时刻及近期的风速数据，数据采样时间间隔应保持与步骤1中使用的原始风速时间序列数据集的风速采样时间间隔Δt一致，进行实时预测风速的具体过程如下：步骤B1：设置风速预测目标时间T，通过测风站获取与目标时间T最接近的至少200个时刻的原始风速值组成原始风速时间序列，进入步骤B2；步骤B2：对原始风速时间序列进行卡尔曼滤波，得到滤波后的风速时间序列，进入步骤B3；步骤B3：计算风速时间序列中与目标时间T最接近的4个时刻的风速值与步骤3得出的K个聚类中心时间序列的欧式距离，以距离最小原则选择对应聚类类别的风速预测特征模型组，将风速时间序列中与目标时间T最接近的3个时刻的风速值作为输入数据，输入到风速预测特征模型组中，输出得到长度为10的风速特征向量，进入步骤B4；步骤B4：将风速特征向量作为输入数据，输入到对应聚类类别的风速预测归一模型，输出风速归一值，进入步骤B5；步骤B5：判断步骤B4输出风速归一值所在时刻是否大于目标时间T，若是，进入步骤B7，否则，进入步骤B6；步骤B6：将步骤B4输出的风速归一值插入到风速时间序列首位，更新风速时间序列，返回步骤B3；步骤B7：计算风速时间序列中与目标时间T最接近的100个时刻的风速值组成的向量与步骤2中得到的风速时间序列数据集任意连续的100个时刻的风速值组成的向量之间的皮尔逊相关系数，选择皮尔逊相关系数最高的风速时间序列数据集中一组100个时刻的风速值组成的向量，将步骤2中的噪声时间序列数据集对应时刻的滤波噪声附加在风速时间序列与目标时间T最接近的100个时刻中，即还原预测风速真实性，完成目标时刻的风速预测。...

【技术特征摘要】
1.一种高速铁路沿线风速特征提取智能预测方法，其特征在于，包括以下步骤：步骤1：通过测风站获取原始风速时间序列数据集；在高速铁路沿线指定位置设置测风站，通过测风站获取原始风速时间序列数据集；所述原始风速时间序列数据集共由n个原始风速数据组成；其中Δt为风速采样时间间隔；n为采样次数，n至少大于500；步骤2：建立风速模型样本A；所述风速模型样本A包括风速模型训练样本Aa和风速模型筛选样本Ab；建立风速模型样本A的具体过程如下：步骤A1：对原始风速时间序列数据集进行卡尔曼滤波，得到滤波后的风速时间序列数据集和噪声时间序列数据集；步骤A2：将风速时间序列数据集中任意连续4个时刻的风速作为一组风速向量，得到包含有n-3组风速向量的风速模型样本A；步骤A3：按采样时间顺序，从风速模型样本A中，选取前3/4的风速向量组成风速模型训练样本Aa，剩余的风速向量组成风速模型筛选样本Ab；步骤3：使用K-means聚类方法，对风速模型样本A中的每一组风速向量进行聚类，选取最优聚类数K，得到K个聚类中心时间序列；步骤4：依据已经聚为K个聚类类别的风速模型样本A，将风速模型训练样本Aa分为K个对应聚类类别的风速模型训练子样本{Aa，1，Aa，2，…，Aa，K}，将风速模型筛选样本Ab分为K个对应风速模型筛选子样本{Ab，1，Ab，2，…，Ab，K}；步骤5：针对K个风速模型训练子样本，建立K种基于Elman神经网络的风速预测特征预选模型各100个；所述基于Elman神经网络的风速预测特征预选模型输出值命名为风速特征预选值；步骤6：筛选模型，分别将K种基于Elman神经网络的风速预测特征预选模型各100个筛选至各10个；步骤7：每种聚类类别的10个风速预测特征预选模型组成风速预测特征模型组，得到K个风速预测特征模型组；所述风速预测特征模型组包括10个风速预测特征预选模型，每个风速预测特征模型组输出数据组成长度为10的向量命名为风速特征向量；步骤8：针对K个风速预测特征模型组，建立K个基于小波神经网络的风速预测归一模型；所述风速预测归一模型输出值设定为风速归一值；步骤9：实时预测风速；实时采集当前时刻及近期的风速数据，数据采样时间间隔应保持与步骤1中使用的原始风速时间序列数据集的风速采样时间间隔Δt一致，进行实时预测风速的具体过程如下：步骤B1：设置风速预测目标时间T，通过测风站获取与目标时间T最接近的至少200个时刻的原始风速值组成原始风速时间序列，进入步骤B2；步骤B2：对原始风速时间序列进行卡尔曼滤波，得到滤波后的风速时间序列，进入步骤B3；步骤B3：计算风速时间序列中与目标时间T最接近的4个时刻的风速值与步骤3得出的K个聚类中心时间序列的欧式距离，以距离最小原则选择对应聚类类别的风速预测特征模型组，将风速时间序列中与目标时间T最接近的3个时刻的风速值作为输入数据，输入到风速预测特征模型组中，输出得到长度为10的风速特征向量，进入步骤B4；步骤B4：将风速特征向量作为输入数据，输入到对应聚类类别的风速预测归一模型，输出风速归一值，进入步骤B5；步骤B5：判断步骤B4输出风速归一值所在时刻是否大于目标时间T，若是，进入步骤B7，否则，进入步骤B6；步骤B6：将步骤B4输出的风速归一值插入到风速时间序列首位，更新风速时间序列，返回步骤B3；步骤B7：计算风速时间序列中与目标时间T最接近的100个时刻的风速值组成的向量与步骤2中得到的风速时间序列数据集任意连续的100个时刻的风速值组成的向量之间的皮尔逊相关系数，选择皮尔逊相关系数最高的风速时间序列数据集中一组100个时刻的风速值组成的向量，将步骤2中的噪声时间序列数据集对应时刻的滤波噪声附加在风速时间序列与目标时间T最接近的100个时刻中，即还原预测风速真实性，完成目标时刻的风速预测。2.根据权利要求1所述的方法，其特征在于，所述使用K-means聚类方法，对风速模型样本A中的每一组风速向量进行聚类，选取最优聚类数K，得到K个聚类中心时间序列的具体过程如下：步骤2.1：设置K-means聚类数K’，K’＝1；步骤2.2：采用欧式距离作为相似性度量函数，对风速模型样本A中的每一组风速向量进行聚类，获得K’个聚类类别和K’个聚类中心时间序列；所述欧式距离的计算公式为其中，X＝(x1，x2，x3，x4)，Y＝(y1，y2，y3，y4)分别为两个不同的风速向量，d(X，Y)为风速向量X...

【专利技术属性】
技术研发人员：刘辉，尹恒鑫，李燕飞，段铸，陈浩林，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43