[发明专利]一种融合风向的铁路沿线风速智能滚动预测方法

说明书

本发明公开了一种融合风向的铁路沿线风速智能滚动预测方法，通过历史风速建立多个高精度风速预测模型，集成优化预测结果，通过择优集成和关联分析的方法，提升了风速预测模型的预测精度和预测稳定性，增加了风速预测过程的鲁棒性；同时利用模拟预测误差，结合目标测风点风向真实值，建立风速预测误差校正模型，极大提高铁路沿线风速预测精度；风速预测过程融合风向数据，构造风速预测误差与风向之间的映射关系，针对不同的风向对集成优化后的预测风速进行进一步的优化，避免了单一数据驱动的局限性，完善了铁路沿线风速预测的流程，显著提高风速预测精度。

技术领域

本发明属于铁路风速预测领域，特别涉及一种融合风向的铁路沿线风速智能滚动预测方法。

背景技术

大风严重威胁铁路运输的运营安全，每年因突发大风导致的安全事故不在少数。针对铁路大风问题，多数研究者将目光放在铁路沿线风速的预测中，旨在通过对风速时间序列分析，实现铁路沿线风速的高精度预测，很少涉及预测完成后的误差校正问题。

造成列车事故的因素除了风速外，还跟大风的风向密切相关，同等运行速度下，列车的运行状态同风向呈现高相关性；对于历史风数据中，风向相近的大风在生成因素、变化规律方面存在高相关性。

发明内容

本发明提供了一种融合风向的铁路沿线风速智能滚动预测方法，通过历史风速建立多个高精度风速预测模型，集成优化预测结果，提高预测精度，同时利用模拟预测预测误差，结合目标测风点风向真实值，建立误差修正模型，进一步提高风速预测预测精度。

一种融合风向的铁路沿线风速智能滚动预测方法，包括以下步骤：

步骤1：在铁路目标测风点设置测风站，包括目标测风站和辅助测风站；

所述目标测风站1个，距离铁路目标测风点100米，所述辅助测风站包括3个，布置在等边三角形的三个顶点，两两之间相距1000米，等边三角形中心位于目标测风站处，底边平行于铁路轨道；

步骤2：构建训练样本数据；

以相同采样频率采集两段不同历史时间段内目标测风站的风速数据、风向数据和辅助测风站的风向数据；

将第一段历史时间段内目标测风站的历史风速数据，以时间间隔T内的风速中值作为目标测风站的样本时刻风速，获得风速样本数据；将第一段历史时间段内各测风站的历史风向数据以时间间隔T内的风向中值作为各测风站的样本时刻风向，获得风向训练样本数据；

将第二段历史时间段内各测风站的历史风速数据和历史风向数据，按照第一段历史时间段内历史风速和风向数据的处理方法处理，获得风向与风速误差校正样本数据；

即将每个时间间隔T内的多个风速/风向的中值作为一个样本时刻的风速/风向值，压缩历史风速/风向数据；

步骤3：利用风速样本数据和设置的预测步长，构建基于卷积神经网络的风速预测模型；

将风速样本数据中最后102+Δt个时刻的数据作为风速测试样本，其余时刻的数据作为风速训练样本，Δt为预测步长，取值范围为z·T，z＝1，2，3…,10；

针对基于卷积神经网络的风速预测模型中的卷积层个数和卷积核大小，随机选取n种取值组合,n取值至少为100，构建n个基于卷积神经网络的风速预测模型；

利用风速训练样本数据，依次以任意三个连续时刻t-2、t-1、和t时刻的风速值作为每个基于卷积神经网络的风速预测模型的输入数据，将t+Δt时刻的风速值作为每个基于卷积神经网络的风速预测模型的输出数据，训练得到n个基于卷积神经网络的风速预测模型；

依次将风速测试样本连续三个时刻的风速值作为每个基于卷积神经网络的风速预测模型的输入数据，分别得到风速测试样本中最后100个时刻的风速测试预测值；