铁路沿线风速超前多步高精度预测方法研究

Strong-wind is one of major meteorological disasters which directly affect the safety of railway transportation. Realizing real-time high-precision forecasting for wind speed from certain important zones along strong-wind railway is an effective way to avoid the strong-wind caused accidents, and to provide a scientific guidance for railway departments. Aim at the disadvantages of limited ahead steps, poor self-learning capacity and hard computation in railway wind signal prediction, in this study a hybrid forecasting method based on several statistical and intelligent theories will be done. The main research contents are demonstrated as follows: ① To improve the non-stationary tracking performance of the traditional time series forecasting model, a modified way using information feedback idea will be presented; ② To establish different kinds of hybrid statistical-intelligent models, a new research using the upper modified feedback time series algorithm and some latest signal decomposition algorithms (including wavelet/wavelet packet/empirical mode decomposition) will be made; ③ To build different kinds of hybrid multi-intelligent forecasting models, a new study using genetic algorithm, artificial neural networks and some signal decomposition algorithms (including wavelet/wavelet packet/empirical mode decomposition) will also be done; ④ A common hybrid high-accuracy wind speed forecasting method for different kinds of strong-wind conditions in railway will be finally proposed based on the comparison of the upper works; and ⑤ A corresponding forecasting system and common software components will be developed.

强风是影响铁路运输安全的主要气象灾害之一。实现铁路沿线风速预测是铁路运营部门在恶劣强风环境下防范事故、科学决策和安全指挥调度的有效手段。针对目前风速预测所面临的超前步数有限、自学习能力差和求解复杂等问题，拟引入多种智能控制优化算法开展风速统计-智能、多智能混合预测研究，核心内容涵盖：① 运用信息闭环反馈技术对经典时序预测模型进行优化以提高其信息追踪融合能力；② 通过对小波/小波包分析法、模式经验分解法与优化后的闭环时序模型进行二次混合建模，建立不同组合的风速混合预测模型；③ 运用小波/小波包分析法、遗传算法等对经典神经网络模型进行优化以提高其对非平稳风速的全局搜索与高分辨识别能力，建立混合模型；④ 比较分析上述所建的风速预测模型体系，确定适应不同预测场合的铁路风速混合预测方法；⑤ 基于算法成果开发相应的风速智能预测系统及成套软件。

为保障强风环境下的铁路运营安全，本课题完成了铁路沿线风速的超前多步高精度建模与预测研究。主要内容包括：（1）完成铁路局部近地风场物理数值模拟计算，提出了以列车气动性能为依据的铁路沿线测风点位置确定方法和风速流动规律计算方法；（2）建立通过信息反馈技术优化的滚动时序RARIMA预测新模型。将其与模式经验分解法EMD实现二次建模，建立名为EMD-RARIMA的混合预测新模型，发表于国际JCR一区期刊《Journal of Wind Engineering and Industrial Aerodynamics》；（3）利用小波WD/小波包WPD/经验模式分解EMD/快速集成经验模式分解FEEMD四种信号分解算法对铁路风速开展多尺度分解。根据获得的不同分解层风速特征，运用不同类型的神经网络（包括ANFIS、MLP、ELMAN和ELM）与不同的信号分解算法开展混合建模，引入遗传算法GA和思维进化算法MEA优化相关神经网络，发现并建立了一系列铁路风速混合预测的新模型，包括：建立名为FEEMD-MLP、FEEMD-ANFIS、WPD-MLP和WPD-ANFIS的4种混合预测新模型，发表于国际JCR一区期刊《Energy Conversion & Management》；建立名为WPD-FEEMD-ELMAN的混合预测新模型，发表于国际JCR一区权威期刊《Applied Energy》；建立名为WD-ELM、WPD-ELM、EMD-ELM和FEEMD-ELM的4种混合预测新模型，发表于国际JCR一区权威期刊《Energy Conversion & Management》；建立名为FEEMD-GA-MLP和FEEMD-MEA-MLP的2种混合预测新模型，发表于国际JCR二区期刊《Renewable Energy》；建立名为小波-神经网络的混合预测新模型，发表于《铁道学报》；建立名为EMD-ANFIS的混合预测新模型，发表于《中南大学学报》；（4）利用Adaboost算法和MLP神经网络开展混合建模，发现并建立了名为Adaboost-MLP的混合预测新模型，发表于国际JCR一区权威期刊《Energy Conversion & Management》；（5）比较上述混合预测新模型的性能，形成满足不同场合的铁路风速预测方法及技术，并开发了铁路风速预测软件，已申请国家发明专利5项。