[發(fā)明專利]一種融合風(fēng)向的鐵路沿線風(fēng)速智能滾動(dòng)預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201811099805.0
• 申請日: 2018-09-20
• 公開（公告）號: CN109190839B
• 公開（公告）日: 2022-02-15
• 發(fā)明（設(shè)計(jì)）人: 劉輝;吳海平;陳浩林
• 申請（專利權(quán)）人: 中南大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30;G06N3/04
• 代理公司: 長沙市融智專利事務(wù)所(普通合伙) 43114
• 代理人: 龔燕妮

1.一種融合風(fēng)向的鐵路沿線風(fēng)速智能滾動(dòng)預(yù)測方法，其特征在于，包括以下步驟：

步驟1：在鐵路目標(biāo)測風(fēng)點(diǎn)設(shè)置測風(fēng)站，包括目標(biāo)測風(fēng)站和輔助測風(fēng)站；

所述目標(biāo)測風(fēng)站1個(gè)，距離鐵路目標(biāo)測風(fēng)點(diǎn)100米，所述輔助測風(fēng)站包括3個(gè)，布置在等邊三角形的三個(gè)頂點(diǎn)，兩兩之間相距1000米，等邊三角形中心位于目標(biāo)測風(fēng)站處，底邊平行于鐵路軌道；

步驟2：構(gòu)建訓(xùn)練樣本數(shù)據(jù)；

以相同采樣頻率采集兩段不同歷史時(shí)間段內(nèi)目標(biāo)測風(fēng)站的風(fēng)速數(shù)據(jù)、風(fēng)向數(shù)據(jù)和輔助測風(fēng)站的風(fēng)向數(shù)據(jù)；

將第一段歷史時(shí)間段內(nèi)目標(biāo)測風(fēng)站的歷史風(fēng)速數(shù)據(jù)，以時(shí)間間隔T內(nèi)的風(fēng)速中值作為目標(biāo)測風(fēng)站的樣本時(shí)刻風(fēng)速，獲得風(fēng)速樣本數(shù)據(jù)；將第一段歷史時(shí)間段內(nèi)各測風(fēng)站的歷史風(fēng)向數(shù)據(jù)以時(shí)間間隔T內(nèi)的風(fēng)向中值作為各測風(fēng)站的樣本時(shí)刻風(fēng)向，獲得風(fēng)向訓(xùn)練樣本數(shù)據(jù)；

將第二段歷史時(shí)間段內(nèi)各測風(fēng)站的歷史風(fēng)速數(shù)據(jù)和歷史風(fēng)向數(shù)據(jù)，按照第一段歷史時(shí)間段內(nèi)歷史風(fēng)速和風(fēng)向數(shù)據(jù)的處理方法處理，獲得風(fēng)向與風(fēng)速誤差校正樣本數(shù)據(jù)；

步驟3：利用風(fēng)速樣本數(shù)據(jù)和設(shè)置的預(yù)測步長，構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測模型；

將風(fēng)速樣本數(shù)據(jù)中最后102+Δt個(gè)時(shí)刻的數(shù)據(jù)作為風(fēng)速測試樣本，其余時(shí)刻的數(shù)據(jù)作為風(fēng)速訓(xùn)練樣本，Δt為預(yù)測步長，取值范圍為z·T，z＝1，2，3…,10；

針對基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測模型中的卷積層個(gè)數(shù)和卷積核大小，隨機(jī)選取n種取值組合,n取值至少為100，構(gòu)建n個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測模型；

利用風(fēng)速訓(xùn)練樣本數(shù)據(jù)，依次以任意三個(gè)連續(xù)時(shí)刻t-2、t-1、和t時(shí)刻的風(fēng)速值作為每個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測模型的輸入數(shù)據(jù)，將t+Δt時(shí)刻的風(fēng)速值作為每個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測模型的輸出數(shù)據(jù)，訓(xùn)練得到n個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測模型；

依次將風(fēng)速測試樣本連續(xù)三個(gè)時(shí)刻的風(fēng)速值作為每個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測模型的輸入數(shù)據(jù)，分別得到風(fēng)速測試樣本數(shù)據(jù)中最后100個(gè)時(shí)刻的風(fēng)速測試預(yù)測值；

從n個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測模型中隨機(jī)選取20個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測模型；

依次選取上述20個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測模型的100個(gè)風(fēng)速測試預(yù)測值，將任意兩個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測模型中對應(yīng)100個(gè)風(fēng)速測試預(yù)測值進(jìn)行相關(guān)性分析，得到任意兩個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測模型的皮爾遜相關(guān)性系數(shù)，并選擇使得S最小的10個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測模型；

其中，s_i為第i個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測模型同另外9個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測模型皮爾遜相關(guān)性系數(shù)的最大值；

步驟4：利用風(fēng)向訓(xùn)練樣本數(shù)據(jù)和設(shè)置的預(yù)測步長，構(gòu)建基于支持向量機(jī)的風(fēng)向預(yù)測模型組；

依次以目標(biāo)測風(fēng)站和所有輔助測風(fēng)站中任意三個(gè)測風(fēng)站在任意歷史時(shí)刻t₀的風(fēng)向值作為輸入數(shù)據(jù)，剩余測風(fēng)站在t₀+Δt時(shí)刻的風(fēng)向值作為輸出數(shù)據(jù)，對支持向量機(jī)進(jìn)行訓(xùn)練，獲得各測風(fēng)站預(yù)測步長為Δt的基于支持向量機(jī)的風(fēng)向預(yù)測模型組；

步驟5：利用風(fēng)向與風(fēng)速誤差校正樣本數(shù)據(jù)，構(gòu)建基于極限學(xué)習(xí)機(jī)的風(fēng)速預(yù)測誤差校正模型；

在風(fēng)向與風(fēng)速誤差校正樣本數(shù)據(jù)中隨機(jī)選取某一樣本數(shù)據(jù)所在時(shí)刻作為一次模擬預(yù)測的起始時(shí)刻，記為ts，隨機(jī)確定模擬預(yù)測的目標(biāo)預(yù)測時(shí)間，記為ms，ts+ms和ts-1-Δt均不超過風(fēng)向與風(fēng)速誤差校正樣本數(shù)據(jù)所在的時(shí)刻范圍；

將ts-1-Δt，ts-Δt，ts+1一Δt三個(gè)時(shí)刻目標(biāo)測風(fēng)站的實(shí)時(shí)風(fēng)速數(shù)據(jù)依次作為步驟3所選的10個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測模型的輸入數(shù)據(jù)，輸出10個(gè)ts+1時(shí)刻的風(fēng)速預(yù)測值，對10個(gè)結(jié)果取平均得到ts+1時(shí)刻綜合風(fēng)速預(yù)測值；將ts+1時(shí)刻的綜合風(fēng)速預(yù)測值作為ts+1時(shí)刻時(shí)目標(biāo)測風(fēng)站的實(shí)測風(fēng)速值；

將ts-Δt，ts+1-Δt，ts+2-Δt三個(gè)時(shí)刻目標(biāo)測風(fēng)站的實(shí)時(shí)風(fēng)速數(shù)據(jù)依次作為步驟3所選的10個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測模型的輸入數(shù)據(jù)，輸出10個(gè)ts+2時(shí)刻的風(fēng)速預(yù)測值，對10個(gè)結(jié)果取平均得到ts+2時(shí)刻的綜合風(fēng)速預(yù)測值；

依次類推，進(jìn)入滾動(dòng)預(yù)測，直到得到ts+ms時(shí)刻的目標(biāo)測風(fēng)站的綜合風(fēng)速預(yù)測值；

將ts-Δt+ms％Δt時(shí)刻四個(gè)測風(fēng)站的風(fēng)向數(shù)據(jù)作為所述基于支持向量機(jī)的風(fēng)向預(yù)測模型組的輸入數(shù)據(jù)，獲得各測風(fēng)站在ts+ms％Δt時(shí)刻的風(fēng)向預(yù)測值；將四個(gè)測風(fēng)站輸出的風(fēng)向預(yù)測值再次作為所述基于支持向量機(jī)的風(fēng)向預(yù)測模型組的輸入數(shù)據(jù)，迭代多次，直至得到ts+ms時(shí)刻的各測風(fēng)站的風(fēng)向預(yù)測值；其中，ms％Δt表示ms對Δt取余；

以目標(biāo)測風(fēng)站在模擬預(yù)測時(shí)刻的綜合風(fēng)速預(yù)測值，對比風(fēng)向與風(fēng)速誤差校正樣本數(shù)據(jù)中相應(yīng)時(shí)刻的風(fēng)速真實(shí)值，得到模擬預(yù)測時(shí)刻的風(fēng)速預(yù)測誤差值；

進(jìn)行P次模擬預(yù)測，P的取值至少為500，將每一次模擬預(yù)測的綜合風(fēng)速預(yù)測值和風(fēng)向預(yù)測值作為基于極限學(xué)習(xí)機(jī)的風(fēng)速預(yù)測誤差校正模型的輸入數(shù)據(jù)，風(fēng)速預(yù)測誤差值作為基于極限學(xué)習(xí)機(jī)的風(fēng)速預(yù)測誤差校正模型的輸出數(shù)據(jù)進(jìn)行模型訓(xùn)練，得到基于極限學(xué)習(xí)機(jī)的風(fēng)速預(yù)測誤差校正模型；

步驟6：利用步驟3獲得的基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測模型、步驟4獲得的基于支持向量機(jī)的風(fēng)向預(yù)測模型組以及步驟5獲得的基于極限學(xué)習(xí)機(jī)的風(fēng)速預(yù)測誤差校正模型，進(jìn)行風(fēng)速預(yù)測和風(fēng)向預(yù)測；

記當(dāng)前時(shí)刻為t_now時(shí)刻，目標(biāo)預(yù)測時(shí)刻為t_now+m時(shí)刻；

將t_now-1-Δt，t_now-Δt，t_now+1-Δt三個(gè)時(shí)刻目標(biāo)測風(fēng)站的實(shí)時(shí)風(fēng)速數(shù)據(jù)依次作為步驟3所選的10個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測模型的輸入數(shù)據(jù)，輸出10個(gè)t_now+1時(shí)刻的風(fēng)速預(yù)測值，對10個(gè)結(jié)果取平均得到t_now+1時(shí)刻綜合風(fēng)速預(yù)測值；將t_now+1時(shí)刻的綜合風(fēng)速預(yù)測值作為t_now+1時(shí)刻時(shí)目標(biāo)測風(fēng)站的實(shí)測風(fēng)速值；

將t_now-Δt，t_now+1-Δt，t_now+2-Δt三個(gè)時(shí)刻目標(biāo)測風(fēng)站的實(shí)時(shí)風(fēng)速數(shù)據(jù)依次作為步驟3所選的10個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測模型的輸入數(shù)據(jù)，輸出10個(gè)t_now+2時(shí)刻的風(fēng)速預(yù)測值，對10個(gè)結(jié)果取平均得到t_now+2時(shí)刻的綜合風(fēng)速預(yù)測值；

依次類推，進(jìn)入滾動(dòng)預(yù)測，直到得到t_now+m時(shí)刻的目標(biāo)測風(fēng)站的綜合風(fēng)速預(yù)測值；

將t_now-Δt+m％Δt時(shí)刻四個(gè)測風(fēng)站的風(fēng)向數(shù)據(jù)作為所述基于支持向量機(jī)的風(fēng)向預(yù)測模型組的輸入數(shù)據(jù)，獲得各測風(fēng)站在t_now+m％Δt時(shí)刻的風(fēng)向預(yù)測值；將四個(gè)測風(fēng)站輸出的風(fēng)向預(yù)測值再次作為所述基于支持向量機(jī)的風(fēng)向預(yù)測模型組的輸入數(shù)據(jù)，迭代多次，直至得到t_now+m時(shí)刻的各測風(fēng)站的風(fēng)向預(yù)測值；其中，m％Δt表示m對Δt取余；

將t_now+m時(shí)刻目標(biāo)測風(fēng)站的綜合風(fēng)速預(yù)測值和風(fēng)向預(yù)測值作為基于極限學(xué)習(xí)機(jī)的風(fēng)速預(yù)測誤差校正模型的輸入數(shù)據(jù)，輸出得到t_now+m時(shí)刻的風(fēng)速預(yù)測誤差值，將t_now+m時(shí)刻的綜合風(fēng)速預(yù)測值減去t_now+m時(shí)刻的風(fēng)速預(yù)測誤差值，得到t_now+m時(shí)刻的最優(yōu)風(fēng)速預(yù)測值。