一种基于气象数据的火电厂运煤火车停车预测模型制造技术

本发明专利技术提供了一种基于气象数据的火电厂运煤火车停车预测模型，本发明专利技术安装精确天气预报系统，能达到10天以上精确预报能力，预防极端情况，及时启动应急库存方案；通过建立各项灾害与停车之间的深度学习概率模型，预测出某一天气条件下发生各项灾害的概率与停车时间，根据得到的停车结果制定铁路运输计划方案，加强煤炭在运输、接卸等环节中的管理、调度和检修工作，对实现燃煤电厂燃料零库存、提高铁路运输的可靠性具有重要意义。

A prediction model of coal train stop based on meteorological data

【技术实现步骤摘要】
一种基于气象数据的火电厂运煤火车停车预测模型
本专利技术涉及一种基于气象数据的火电厂运煤火车停车预测模型，提供给火电厂运煤火车有关管理和调控中心，用于为了减少煤库存提前对灾害气候导致的停车进行预测，属于用气象数据预测的方法

技术介绍
燃煤电厂储煤会导致燃料积压、煤炭的热值损失、影响电厂的资金流动。因此在煤的生产、运输、使用协同配合的条件下，煤的接卸、运输调度响应及时，应在煤到达燃煤电厂后直接使用，改变煤“先储再用”的使用模式，实现燃煤电厂燃料零库存，仅预留最少数量的煤应对突发状况的风险。为了达到预留最少数量的煤的目标，需要进行铁路的提前调度和调配，因此需要对气象灾害进行实时气象预报。在过去的实践和技术使用过程中，多数燃煤铁路仅收集对未来天气的预报然后进行主观停车概率的判断，精确度较低；并未建立各项灾害与停车之间的概率模型，无法预测停车时间。
技术实现思路
本专利技术要解决的技术问题是：现有技术未建立各项灾害与停车之间的概率模型，无法精准预测停车时间的问题。为了解决上述问题，本专利技术的技术方案是提供了一种基于气象数据的火电厂运煤火车停车预测模型，其特征在于，包括以下步骤：步骤一、收集至少过去8年间大型铁路灾害的历史数据，并经过python处理为时间网格点数据，所述历史数据包括历史气象参数、对应的停车时间和灾害类型；步骤二、获取未来至少9小时的铁路沿线气象参数的预测数据；步骤三、利用历史数据与预测数据建立CNN深度学习网络模型，输入数据为历史气象参数，历史气象参数经过激活函数得到第二层数据，第二层数据经过激活函数得到第三层数据，层层激活得出各类历史灾害停车概率与历史气象参数之间的关系；步骤四、将预测为灾害发生的对应气象参数输入多元回归模型，建立气象参数与预测停车时间的概率关系，根据预测的气象数据得出预测的停车时间。优选地，所述历史气象参数包括降雨量x1、云量x2、压强x3、风速x4和风向x5，所述灾害类型包括雪害y1、水害y2、沙害y3和雷害y4。优选地，所述步骤二获取预测数据的方法为利用四维实时同化预报技术建立针对铁路沿线的实时气象灾害预报系统，得到气象参数预测数据。优选地，所述气象参数预测数据包括降雨量x1’、云量x2’、压强x3’、风速x4’、风向x5’。优选地，所述激活函数为第二层数据a1(2)＝Z(w0x0+w1x1+w3x3+w4x4+w5x5),其中x0＝1，w0、w1、w2、w3、w4和w5为权重参数。优选地，通过二元交叉熵作为损失函数对所述CNN深度学习网络模型进行参数估计，二元交叉熵其中p(x)为预测停车概率，q(x)为历史停车概率。与现有技术相比，本专利技术的有益效果是：本专利技术安装精确天气预报系统，能达到10天以上精确预报能力，预防极端情况，及时启动应急库存方案；通过建立各项灾害与停车之间的深度学习概率模型，预测出某一天气条件下发生各项灾害的概率与停车时间，根据得到的停车结果制定铁路运输计划方案，加强煤炭在运输、接卸等环节中的管理、调度和检修工作，对实现燃煤电厂燃料零库存、提高铁路运输的可靠性具有重要意义。附图说明图1为本专利技术CNN深度学习网络模型示意图；图2为本专利技术数据层级关系示意图。具体实施方式为使本专利技术更明显易懂，兹以优选实施例，并配合附图作详细说明如下。本专利技术一种基于气象数据的火电厂运煤火车停车预测模型包括以下步骤：步骤一、收集过去历史8年间大型铁路灾害和对应的气象历史数据，将输入结果即各气象参数降雨量x1、云量x2、压强x3、风速x4、风向x5等、对应停车时间(h1)、输出结果即是否发生雪害y1、水害y2、沙害y3、雷害y4，经过python处理为时间网格点数据。步骤二：利用四维实时同化预报技术建立针对铁路沿线的实时气象灾害预报系统，得到未来9小时的气象参数预报各气象参数降雨量x1’、云量x2’、压强x3’、风速x4’、风向x5’等。步骤三：利用历史数据与预测数据建立CNN深度学习网络模型，输入数据为降雨量x1、云量x2、压强x3、风速x4、风向x5，a1(2)、a2(2)、a3(2)表示第2层的数据。从x1到第二层需要一个激活函数。设定这个函数为逻辑回归的Sigmoid函数加上权重参数w0、w1、w2、w3w4、w5，可得：a(12)＝z(w0x0+w1x1+w2x2+w3x3+w4x4+w5x5)，其中x0＝1。之后a1(2)作为下一层的带入激活函数，以此类推得出历史停车概率与历史气象参数之间的关系。本模型取二元交叉熵作为损失函数。二元交叉熵可以用来衡量两个概率分布之间的距离，是分类问题中使用比较多的一种损失函数。对于两个概率分布p和q，表示交叉熵如下：其中p(x)为预测停车概率，q(x)为历史停车概率。在实际编程中使用python的Keras模型包建立建立CNN深度学习网络模型，调整模型参数，经过5轮训练后，精度超过80％。这是一个多标签深度学习模型，因为输出结果(标签)为不同类型的气象灾害，并且各类气象灾害可能同时发生。经过与ML-KNN、ML-DT、RANK-SVM的传统多标签分类模型比较后，取得最佳模型表现为CNN深度学习网络模型。步骤四：将预测为灾害发生的对应气象参数输入多元回归模型，建立气象参数与停车时间的概率关系，根据预测的气象数据得出预测的停车时间。本文档来自技高网...

【技术保护点】
1.一种基于气象数据的火电厂运煤火车停车预测模型，其特征在于，包括以下步骤：/n步骤一、收集至少过去8年间大型铁路灾害的历史数据，并经过python处理为时间网格点数据，所述历史数据包括历史气象参数、对应的停车时间和灾害类型；/n步骤二、获取未来至少9小时的铁路沿线气象参数的预测数据；/n步骤三、利用历史数据与预测数据建立CNN深度学习网络模型，输入数据为历史气象参数，历史气象参数经过激活函数得到第二层数据，第二层数据经过激活函数得到第三层数据，层层激活得出各类历史灾害停车概率与历史气象参数之间的关系；/n步骤四、将预测为灾害发生的对应气象参数输入多元回归模型，建立气象参数与预测停车时间的概率关系，根据预测的气象数据得出预测的停车时间。/n

【技术特征摘要】
1.一种基于气象数据的火电厂运煤火车停车预测模型，其特征在于，包括以下步骤：
步骤一、收集至少过去8年间大型铁路灾害的历史数据，并经过python处理为时间网格点数据，所述历史数据包括历史气象参数、对应的停车时间和灾害类型；
步骤二、获取未来至少9小时的铁路沿线气象参数的预测数据；
步骤三、利用历史数据与预测数据建立CNN深度学习网络模型，输入数据为历史气象参数，历史气象参数经过激活函数得到第二层数据，第二层数据经过激活函数得到第三层数据，层层激活得出各类历史灾害停车概率与历史气象参数之间的关系；
步骤四、将预测为灾害发生的对应气象参数输入多元回归模型，建立气象参数与预测停车时间的概率关系，根据预测的气象数据得出预测的停车时间。


2.如权利要求1所述的一种基于气象数据的火电厂运煤火车停车预测模型，其特征在于：所述历史气象参数包括降雨量x3、云量x2、压强x3、风速x4和风向x5，所述灾害类型包括雪害y1、水害y2、沙害y3和雷害y4。

【专利技术属性】
技术研发人员：潘丹璐，马文通，李霄，邓超翔，张珈豪，邬慧君，段森，梅勇，
申请(专利权)人：中电投电力工程有限公司，
类型：发明
国别省市：上海;31