[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

摘要

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。

主权项

1.一种融合风向的铁路沿线风速智能滚动预测方法，其特征在于，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；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数据中最后100个时刻的风速测试预测值；从n个基于卷积神经网络的风速预测模型中随机选取20个基于卷积神经网络的风速预测模型；依次选取上述20个基于卷积神经网络的风速预测模型的100个风速测试预测值，将任意两个基于卷积神经网络的风速预测模型中对应100个风速测试预测值进行相关性分析，得到任意两个基于卷积神经网络的风速预测模型的皮尔逊相关性系数，并选择使得S最小的10个基于卷积神经网络的风速预测模型；其中，si为第i个基于卷积神经网络的风速预测模型同另外9个基于卷积神经网络的风速预测模型皮尔逊相关性系数的最大值；步骤4：利用风向训练样本数据和设置的预测步长，构建基于支持向量机的风向预测模型组；依次以目标测风站和所有辅助测风站中任意三个测风站在任意历史时刻t0的风向值作为输入数据，剩余测风站在t0+Δt时刻的风向值作为输出数据，对支持向量机进行训练，获得各测风站预测步长为Δt的基于支持向量机的风向预测模型组；步骤5：利用风向与风速误差校正样本数据，构建基于极限学习机的风速预测误差校正模型；在风向与风速误差校正样本数据中随机选取某一样本数据所在时刻作为一次模拟预测的起始时刻，记为ts，随机确定模拟预测的目标预测时间，记为ms,ts+ms和ts‑1‑Δt均不超过风向与风速误差校正样本数据所在的时刻范围；将ts‑1‑Δt，ts‑Δt，ts+1‑Δt三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于卷积神经网络的风速预测模型的输入数据，输出10个ts+1时刻的风速预测值，对10个结果取平均得到ts+1时刻综合风速预测值；将ts+1时刻的综合风速预测值作为ts+1时刻时目标测风站的实测风速值；将ts‑Δt，ts+1‑Δt，ts+1三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于卷积神经网络的风速预测模型的输入数据，输出10个ts+2时刻的风速预测值，对10个结果取平均得到ts+2时刻的综合风速预测值；依次类推，进入滚动预测，直到得到ts+ms时刻的目标测风站的综合风速预测值；将ts‑Δt+ms％Δt时刻四个测风站的风向数据作为所述基于支持向量机的风向预测模型组的输入数据，获得各测风站在ts+ms％Δt时刻的风向预测值；将四个测风站输出的风向预测值再次作为所述基于支持向量机的风向预测模型组的输入数据，迭代多次，直至得到ts+ms时刻的各测风站的风向预测值；其中，ms％Δt表示ms对Δt取余；以目标测风站在模拟预测时刻的综合风速预测值和风向预测值，对比风向与风速误差校正样本数据中相应时刻的风速真实值，得到模拟预测时刻的风速预测误差值；进行P次模拟预测，P的取值至少为500，将每一次模拟预测的综合风速预测值和风向预测值作为基于极限学习机的风速预测误差校正模型的输入数据，风速预测误差值作为基于极限学习机的风速预测误差校正模型的输出数据进行模型训练，得到基于极限学习机的风速预测误差校正模型；步骤6：利用步骤3获得的基于卷积神经网络的风速预测模型、步骤4获得的基于支持向量机的风向预测模型组以及步骤5获得的基于极限学习机的风速预测误差校正模型，进行风速预测和风向预测；记当前时刻为tnow时刻，目标预测时刻为tnow+m时刻；将tnow‑1‑Δt，tnow‑Δt，tnow+1‑Δt三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于卷积神经网络的风速预测模型的输入数据，输出10个tnow+1时刻的风速预测值，对10个结果取平均得到tnow+1时刻综合风速预测值；将tnow+1时刻的综合风速预测值作为tnow+1时刻时目标测风站的实测风速值；将tnow‑Δt，tnow+1‑Δt，tnow+1三个时刻目标测风站的实时风速数据依次作为步骤3所选的10个基于卷积神经网络的风速预测模型的输入数据，输出10个tnow+2时刻的风速预测值，对10个结果取平均得到tnow+2时刻的综合风速预测值；依次类推，进入滚动预测，直到得到tnow+m时刻的目标测风站的综合风速预测值；将tnow‑Δt+m％Δt时刻四个测风站的风向数据作为所述基于支持向量机的风向预测模型组的输入数据，获得各测风站在tnow+m％Δt时刻的风向预测值；将四个测风站输出的风向预测值再次作为所述基于支持向量机的风向预测模型组的输入数据，迭代多次，直至得到tnow+m时刻的各测风站的风向预测值；其中，m％Δt表示m对Δt取余；将tnow+m时刻目标测风站的综合风速预测值和风向预测值作为基于极限学习机的风速预测误差校正模型的输入数据，输出得到tnow+m时刻的风速预测误差值，将tnow+m时刻的综合风速预测值减去tnow+m时刻的风速预测误差值，得到tnow+m时刻的最优风速预测值。