專利名稱：一種高速鐵路沿線風速智能混合預測方法
技術領域：
本發明涉及一種高速鐵路沿線風速智能混合預測方法。
背景技術：
我國國土幅員遼闊，新疆、西藏等西部省份強風資源豐富。隨著我國列車開行速度的快速提高，該氣象特征對于鐵路運營安全來說是個不小的挑戰。強風導致的列車翻車事故在世界各國時有發生。為防止大風給列車運行安全帶來的危害，研建強風監控預警系統是一種有效的方法。如德國國家鐵路公司(Deutsche Bahn AG)研建了 Nowcasting System 鐵路強風監測預警系統；東日本鐵路公司(JR-EAST)開發了 Windas System強風列車預警系統。我國也建立了蘭新等相關線路的強風監測預警指揮系統。對這類系統而言，除了需要實時監控列車車型載重、路況參數、沿線實時風速等信息外，更需要提前預測獲得沿線風速的變化規律，做到提前預警。因此，風速預測是研建列車預警系統和保障強風環境下的行車安全的核心技術之一。為此，國內外學者相繼開展了基于時間序列統計分析、神經網絡、卡爾曼濾波等理論的風速預測研究。但截至目前為止，能用于實際鐵路(列車)預警系統的風速預測方法(模型)僅為下述兩個德國Nowcasting System系統采取了基于風速超前兩分鐘線性外推統計預測的鐵路風速預測功能，該預測方法通過對所采集的歷史三十分鐘風速序列進行兩分鐘線性統計外推計算，再外推風速加權誤差方差和陣風系數誤差，最終獲得超前兩分鐘的風速預測值。該方法屬于風速統計預測范疇，雖具有建模簡單、計算量小等優點，但面臨統計分析方法所普遍具有的預測精度低、預測時長過短的算法局限；日本Windas System系統擁有基于卡爾曼濾波預測遞推方程組的鐵路風速預測功能。該預測方法依靠建立的卡爾曼濾波測量方程和狀態方程對鐵路沿線采樣的風速時間序列樣本進行卡爾曼濾波遞推方程遞推計算，以獲得風速的預測值。雖然該方法具有較好的信息挖掘和較高的預測精度。但該方法需要海量風速樣本和大量前期計算以獲得較為準確的卡爾曼濾波測量方程和狀態方程，否則就無法使用卡爾曼濾波遞推方程。因此該方法前期計算工作量大，輸出實時性差， 現場運用難度大。隨著我國列車運行速度的提高,沿線風速對列車氣動性能的影響越來越大，及時提出一種能夠用于鐵路現場強風預警的、同時兼顧高精度和建模簡便性的鐵路風速預測方法已迫在眉睫。
發明內容
本發明的目的在于克服現有技術中的不足，提供一種建模簡單、預測精度高、不需要分析風速產生來源、能夠直接實施于風速預測現場的高速鐵路沿線風速智能混合預測方法。
本發明的目的通過下述技術方案予以實現所述方法的步驟包括數據采集與輸入、數據序列分層、建立數學模型、預測綜合計算和預測結果輸出，所述預測綜合計算是對數學模型中的數據進行加權計算；
所述數據序列分層是對輸入的數據采用模式經驗分解法，將原始數據分解成至少兩層的風速數據并輸出；
所述建立數學模型中設置有與數據序列分層數據輸出層數相同數量的通道，即每個通道對應一個層的風速數據輸出；在每個通道中，先對對應層的風速數據在遺傳算法尋優處理的步驟中進行處理，其處理結果再在BP神經網絡模型的步驟中進行處理；
所述建立數學模型和預測綜合計算之間設置數據棧，數據棧的輸入端數量與所有BP 神經網絡模型輸出端的數量相等，當所有BP神經網絡模型輸出端的數據全部到達數據棧后，數據棧內的所有數據同時向預測綜合計算輸出數據并進行加權計算，最后由預測結果輸出輸出預測計算結果。所述遺傳算法尋優處理與BP神經網絡模型之間設置最優判斷，當遺傳算法尋優處理輸出的數據與事先設定的數據趨于吻合時，最優判斷自動判定為“是”，此時，該數據被送入BP神經網絡模型的步驟中進行處理；否則，程序進入并執行選擇、交叉與變異、產生新樣種后獲得新樣種數據，此時，新樣種數據被送回到該遺傳算法尋優處理的輸入端進行新一輪的循環處理，直到最優判斷自動判定為“是”時，循環結束。所述數據序列分層中采用的模式經驗分解法包括以下兩個步驟
步驟一，獲取極值和包絡線數據采集與輸入輸出N個風速樣本數據到數據序列分層中進行處理，首先計算出每個風速樣本數據的局部數據的兩個極值，即局部極大值和局部極小值；然后采用三次樣條法將局部極大值的點連接起來形成上包絡線，將局部極小值的點連接起來形成下包絡線；
步驟二，確定序列分層計算出每個局部數據對應的上包絡線和下包絡線的包絡線平均值，每個包絡線平均值再逐一與風速樣本數據進行比較，逐一求出風速樣本數據與包絡線平均值之間的殘差，當殘差滿足以下兩個條件時就確定為某個分層的序列
①、在某局部數據段內，極值點的個數和零交叉點的個數相等或只相差一個；
②、對于某局部數據段內，其局部極大值點形成的上包絡線和局部極小值點形成的下包絡線的平均值趨向為零；
該序列代表的數據為模式經驗分解后確定的某個分層的風速數據。與現有技術相比，本發明具有以下優點預測方法科學合理，簡單易行，能夠直接對鐵路沿線現場測風站所獲得的風速樣本數據進行高精度的、超前多步的預測分析。
圖I為本發明方法的流程框圖。圖2為實施例I在甲地區的高速鐵路沿線采集的非平穩風速數據。圖3為圖2數據經過模式經驗分解法處理后被轉化為9個序列分層數據。圖4為實施例I超前三分鐘預測結果輸出。圖5為實施例I超前六分鐘預測結果輸出。圖6為實施例I超前九分鐘預測結果輸出。
圖7為實施例2在乙地區的高速鐵路沿線采集的非平穩風速數據。圖8為圖7數據經過模式經驗分解法處理后被轉化為10個序列分層數據。圖9為實施例2超前三分鐘預測結果輸出。圖10為實施例2超前六分鐘預測結果輸出。圖11為實施例2超前九分鐘預測結果輸出。圖I中1_數據采集與輸入，2-數據序列分層，3-產生新樣種，4-交叉與變異， 5-選擇，6-最優判斷，7-BP神經網絡模型，8-數據棧，9-預測綜合計算，10-預測結果輸出， 11-建立數學模型，12-遺傳算法尋優處理。
具體實施例方式下面結合附圖和實施例對本發明作進一步說明
參考附圖1，所述方法的步驟包括數據采集與輸入I、數據序列分層2、建立數學模型
11、預測綜合計算9和預測結果輸出10，所述預測綜合計算9是對數學模型中的數據進行加權計算；
所述數據序列分層2是對輸入的數據采用模式經驗分解法，將原始數據分解成至少兩層的風速數據并輸出；
所述建立數學模型11中設置有與數據序列分層2數據輸出層數相同數量的通道，即每個通道對應一個層的風速數據輸出；在每個通道中，先對對應層的風速數據在遺傳算法尋優處理12的步驟中進行處理，其處理結果再在BP神經網絡模型7的步驟中進行處理； 所述建立數學模型11和預測綜合計算9之間設置數據棧8，數據棧8的輸入端數量與所有BP神經網絡模型7輸出端的數量相等，當所有BP神經網絡模型7輸出端的數據全部到達數據棧8后，數據棧8內的所有數據同時向預測綜合計算9輸出數據并進行加權計算， 最后由預測結果輸出10輸出預測計算結果。所述遺傳算法尋優處理12與BP神經網絡模型7之間設置最優判斷6，當遺傳算法尋優處理12輸出的數據與事先設定的數據趨于吻合時，最優判斷6自動判定為“是”，此時， 該數據被送入BP神經網絡模型7的步驟中進行處理；否則，程序進入并執行選擇5、交叉與變異4、產生新樣種3后獲得新樣種數據，此時，新樣種數據被送回到該遺傳算法尋優處理 12的輸入端進行新一輪的循環處理，直到最優判斷6自動判定為“是”時，循環結束。所述數據序列分層2中采用的模式經驗分解法包括以下兩個步驟
步驟一，獲取極值和包絡線數據采集與輸入I輸出N個風速樣本數據到數據序列分層 2中進行處理，首先計算出每個風速樣本數據的局部數據的兩個極值，即局部極大值和局部極小值；然后采用三次樣條法將局部極大值的點連接起來形成上包絡線，將局部極小值的點連接起來形成下包絡線；
步驟二，確定序列分層計算出每個局部數據對應的上包絡線和下包絡線的包絡線平均值，每個包絡線平均值再逐一與風速樣本數據進行比較，逐一求出風速樣本數據與包絡線平均值之間的殘差，當殘差滿足以下兩個條件時就確定為某個分層的序列
①、在某局部數據段內，極值點的個數和零交叉點的個數相等或只相差一個；
②、對于某局部數據段內，其局部極大值點形成的上包絡線和局部極小值點形成的下包絡線的平均值趨向為零；該序列代表的數據為模式經驗分解后確定的某個分層的風速數據。所述模式經驗分解法，屬于現有技術新的應用。本發明在步驟數據序列分層2中采用模式經驗分解法的好處是模式經驗分解法依據數據自身的時間尺度特征來處理復雜的、非平穩的信號，無須人工干預預先設定任何基函數。采用模式經驗分解法獲得的序列分層，每個序列分層的數據中包含了原始信號在不同時間尺度的局部特征信號。由此可以看出，與建立在先驗性的諧波基函數法、小波基函數上的傅里葉分解法、小波分解法等相比較，本發明在步驟數據序列分層2中采用模式經驗分解法所獲得的結果具有更接近實際的程度，降低后期神經網絡預測模型對原始突變風速實現高精度預測的難度，提高了預測計算的精確度。實施例I :
I、數據采集與輸入I :采集的單個風速樣本參考附圖2，在本實施例中共采集了 500個原始數據，前300個原始數據被送入數據序列分層2。2、數據序列分層2 :采用的模式經驗分解法，采用兩個步驟，滿足兩個條件，將前 300個原始數據分解成9個序列分層的數據，序列分層的數據參考附圖3。序列分層采用模式經驗分解法兩個步驟并滿足兩個條件
步驟一，獲取極值和包絡線數據采集與輸入I輸出N個風速樣本數據到數據序列分層 2中進行處理，首先計算出每個風速樣本數據的局部數據的兩個極值，即局部極大值和局部極小值；然后采用三次樣條法將局部極大值的點連接起來形成上包絡線，將局部極小值的點連接起來形成下包絡線；
步驟二，確定序列分層計算出每個局部數據對應的上包絡線和下包絡線的包絡線平均值，每個包絡線平均值再逐一與風速樣本數據進行比較，逐一求出風速樣本數據與包絡線平均值之間的殘差，當殘差滿足以下兩個條件時就確定為某個分層的序列
①、在某局部數據段內，極值點的個數和零交叉點的個數相等或只相差一個；
②、對于某局部數據段內，其局部極大值點形成的上包絡線和局部極小值點形成的下包絡線的平均值趨向為零；
該序列代表的數據為模式經驗分解后確定的某個分層的風速數據。3、建立數學模型11 :連段式處理方法，即對數據先在遺傳算法尋優處理12的步驟中進行處理，其處理結果再在BP神經網絡模型7的步驟中進行處理。為了提高預測的精確度，在遺傳算法尋優處理12的輸出端，可以設置一個判斷和有條件的循環迭代的優化程序。(I)、遺傳算法尋優處理12 :采用成熟的現有技術。(2)、最優判斷6和有條件的循環迭代的優化程序設定標準數據為A，當遺傳算法尋優處理12輸出的數據趨近于A時，自動判定為“是”，此時，該數據被送入BP神經網絡模型7的步驟中進行處理；當遺傳算法尋優處理12輸出的數據沒有趨近于A時，自動判定為 “否”，此時，程序進入并執行選擇5、交叉與變異4、產生新樣種3后獲得新樣種數據，此時， 新樣種數據被送回到該遺傳算法尋優處理12的輸入端進行新一輪的循環迭代處理，直到最優判斷6自動判定為“是”時，循環才結束。所述選擇5:選擇的目的是為了從當前群體中選出優良的個體，使得他們有機會作為父代為下一代繁衍子孫。進行選擇的總體原則是適應性強的個體為下一代貢獻一個或多個后代的概率大，這符合達爾文的進化論思想。本發明選擇輪盤選擇算子來完成選擇操作。所述交叉與變異4 :交叉操作是將群體內的各個個體隨機搭配成對，對每一個個體，以某種概率或稱為交叉概率交換它們之間的部分染色體。交叉體現了信息交換思想。 采用對于解空間里的任意兩點m 、 的交換組合來進行變異操作，即
a m (I a) n, a
所述產生新樣種3 :按照神經網絡的神經元和閾值個數，在限定數值區間內隨機產生新樣種。采用隨機產生的目的是為了保證樣種的多樣性。同時，為克服傳統二進制編碼方式所產生的新種群存在數據冗長、算法運行效率低等問題，本發明采用實數編碼方式。(3)、BP神經網絡模型7 :采用成熟的現有技術。4、預測綜合計算9 :對數學模型中的數據進行加權計算。5、預測結果輸出10 :采用成熟的現有技術。預測結果輸出10輸出的結果參考附圖4-6。如果以每三分鐘為提前一步的話，那么
圖4為實施例I超前一步預測結果輸出；
圖5為實施例I超前兩步預測結果輸出；
圖6為實施例I超前三步預測結果輸出。實施例I風速預測結果參考表I。表I實施例I風速預測結果分析表
權利要求
1.一種高速鐵路沿線風速智能混合預測方法，所述方法的步驟包括數據采集與輸入(I)、數據序列分層(2)、建立數學模型(11)、預測綜合計算(9)和預測結果輸出(10)，所述預測綜合計算(9)是對數學模型中的數據進行加權計算；其特征在于所述數據序列分層(2)是對輸入的數據采用模式經驗分解法，將原始數據分解成至少兩層的風速數據并輸出；所述建立數學模型(11)中設置有與數據序列分層(2)數據輸出層數相同數量的通道， 即每個通道對應一個層的風速數據輸出；在每個通道中，先對對應層的風速數據在遺傳算法尋優處理(12)的步驟中進行處理，其處理結果再在BP神經網絡模型(7)的步驟中進行處理；所述建立數學模型(11)和預測綜合計算(9)之間設置數據棧(8)，數據棧(8)的輸入端數量與所有BP神經網絡模型(7)輸出端的數量相等，當所有BP神經網絡模型(7)輸出端的數據全部到達數據棧(8)后，數據棧(8)內的所有數據同時向預測綜合計算(9)輸出數據并進行加權計算，最后由預測結果輸出(10)輸出預測計算結果。
2.根據權利要求I所述的高速鐵路沿線風速智能混合預測方法，其特征在于所述遺傳算法尋優處理(12)與BP神經網絡模型(7)之間設置最優判斷(6)，當遺傳算法尋優處理(12)輸出的數據與事先設定的數據趨于吻合時，最優判斷(6)自動判定為“是”，此時，該數據被送入BP神經網絡模型(7)的步驟中進行處理；否則，程序進入并執行選擇(5)、交叉與變異(4)、產生新樣種(3)后獲得新樣種數據，此時，新樣種數據被送回到該遺傳算法尋優處理(12)的輸入端進行新一輪的循環處理，直到最優判斷(6)自動判定為“是”時，循環結束。
3.根據權利要求I或2所述的高速鐵路沿線風速智能混合預測方法，其特征在于所述數據序列分層(2)中采用的模式經驗分解法包括以下兩個步驟步驟一，獲取極值和包絡線數據采集與輸入(I)輸出N個風速樣本數據到數據序列分層(2)中進行處理，首先計算出每個風速樣本數據的局部數據的兩個極值，即局部極大值和局部極小值；然后采用三次樣條法將局部極大值的點連接起來形成上包絡線，將局部極小值的點連接起來形成下包絡線；步驟二，確定序列分層計算出每個局部數據對應的上包絡線和下包絡線的包絡線平均值，每個包絡線平均值再逐一與風速樣本數據進行比較，逐一求出風速樣本數據與包絡線平均值之間的殘差，當殘差滿足以下兩個條件時就確定為某個分層的序列①、在某局部數據段內，極值點的個數和零交叉點的個數相等或只相差一個；②、對于某局部數據段內，其局部極大值點形成的上包絡線和局部極小值點形成的下包絡線的平均值趨向為零；該序列代表的數據為模式經驗分解后確定的某個分層的風速數據。
全文摘要
一種高速鐵路沿線風速智能混合預測方法，所述方法的步驟包括數據采集與輸入、數據序列分層、建立數學模型、預測綜合計算和預測結果輸出；數據序列分層是對輸入的數據采用模式經驗分解法，將原始數據分解成至少兩層的風速數據并輸出；建立數學模型中設置有與數據序列分層數據輸出層數相同數量的通道，在每個通道中，對應層的風速數據在遺傳算法尋優處理中進行處理后，再在BP神經網絡模型中進行處理；建立數學模型和預測綜合計算之間設置供所有數據同時輸出的數據棧。本發明具有以下優點預測方法科學合理，簡單易行，能夠直接對鐵路沿線現場測風站所獲得的風速樣本數據進行高精度的、超前多步的預測分析。
文檔編號G06Q10/04GK102609788SQ201210036109
公開日2012年7月25日 申請日期2012年2月17日 優先權日2012年2月17日
發明者劉輝, 姚松, 張雷, 楊明智, 梁習鋒, 田紅旗, 魯寨軍 申請人:中南大學