【技术实现步骤摘要】
本专利技术属于大风天气下高速铁路安全行车的监测与控制
，涉及一种用于 高速铁路沿线风速预测的方法，特别涉及一种小波分析与BP神经网络相结合的高精度风 速预测方法，运算时间短，能够进行超前2至5分钟、时间间隔不超过10秒的高精度风速预 测。
技术介绍
高速铁路因具有运输能力强、速度快、正点率高、全天候运行、经济效率高等特点， 在交通运输体系中扮演的角色日益突出。为了缓解铁路运输的紧张状况，满足国民经济和 社会发展的需要，目前我国正在大力建设高速铁路。由于高速列车的车体轻、速度快，运行 时产生的升浮力和仰俯力矩大，列车对侧风影响敏感，尤其在风口区域的特大桥梁、高路 提、丘陵及弯道等一些特殊路段，极易产生脱轨、倾覆事故，进而引起重大人员伤亡和巨大 经济损失。因此，在建设高速铁路的同时，也需要在铁路沿线设立若干个监测点，安装风速 风向传感器和采集单元，实时采集风速风向数据，建立预测模式，为大风条件下限速或停运 决策提供依据。目前国外已有学者提出各种风速预测的方法，如时间序列法、线性外推法、空间相 关法、卡尔曼滤波法、遗传算法等，实现了较短时间内的风速预测。国内已有的高速铁路大 风监测预警系统仍以气象统计分析、风速采集与实时监测为主，对于铁路沿线风速预测的 研究很少。由于高速铁路大风监测预警系统发出的警报既需要考虑实测风速、路况参数、列 车参数等信息，又要保证列车有足够的应急处理时间，因此高速铁路沿线风速预测对预警 时间、时间间隔及预测精度有更高的要求，具有很强的特殊性。使用目前已有的单一的预测 方法难以满足高速铁路安全行车管理的要求。
技术实现思路
本专利技术...
【技术保护点】
一种高速铁路沿线风速预测方法，该方法基于小波分析法与ＢＰ神经网络相结合；其特征在于，该方法包括如下步骤：（１）将指定时间范围内的风速序列作为训练集，拟预测的风速序列作为预测集，选择小波分析法的分解与重构算法对训练集风速序列与预测集风速序列分别进行多层分解与重构计算，将训练集风速序列与预测集风速序列分解为不同尺度的训练集子序列与预测集子序列；（２）对分解后的训练集子序列与预测集子序列分别进行归一化处理，归一化的公式为：ｘ↓［ｉ］′＝ｃ（ｘ↓［ｉ］－ｘ↓［ｍｉｎ］）／（ｘ↓［ｍａｘ］－ｘ↓［ｍｉｎ］）式中，ｘ↓［ｉ］为归一化前的训练集子序列或预测集子序列的第ｉ个数据；ｘ↓［ｉ］′为序列第ｉ个数据归一化后的值；ｘ↓［ｍａｘ］为序列中的最大值，ｘ↓［ｍｉｎ］为序列中的最小值，ｃ为归一化系数；（３）利用归一化后的多层训练集子序列分别建立ＢＰ神经网络模型：（３．１）网络初始化，随机给定输入层、隐含层与输出层间的连接权，给定计算精度值和最大学习次数；（３．２）由给定的输入输出模式计算隐含层、输出层各神经元输出；（３．３）修正连接权及阈值；（３．４）计算全局误差，判断网络误差是否满足要求，当网络误差低...
【技术特征摘要】
1.一种高速铁路沿线风速预测方法，该方法基于小波分析法与BP神经网络相结合；其 特征在于，该方法包括如下步骤(1)将指定时间范围内的风速序列作为训练集，拟预测的风速序列作为预测集，选择小 波分析法的分解与重构算法对训练集风速序列与预测集风速序列分别进行多层分解与重 构计算，将训练集风速序列与预测集风速序列分解为不同尺度的训练集子序列与预测集子 序列；(2)对分解后的训练集子序列与预测集子序列分别进行归一化处理，归一化的公式为2.如权利要求1所述的风速预测方法，其特征在于所述步骤(1)中所述的...
【专利技术属性】
技术研发人员：李振山，薛安，温闲云，曾秋兰，马淑红，李建群，殷和宜，
申请(专利权)人：北京大学，
类型：发明
国别省市：11[中国|北京]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。