高速铁路沿线风速预测方法

摘要

本发明公开小波分析法与BP神经网络相结合的高速铁路沿线风速预测方法，通过小波分析的分解与重构算法对实测风速数据进行多层分解与重构计算，实现原始风速序列分解为不同尺度的风速序列。对分解后的各层风速序列进行归一化处理，利用误差反向后传(Back Propagation，BP)学算法训练神经网络直至收敛，对各层风速序列分别建立相应的预测模型进行预测，最后对各层的风速预测值进行重构计算，获得原始风速序列的预测值。本发明克服传统方法预测精度低、时间间隔过大等不足，实现了各种气候类型下高速铁路沿线的风速预测，运算时间短，预测精度高，为制定高速铁路运行管制规则提供科学依据。

主权项

1.一种高速铁路沿线风速预测方法，该方法基于小波分析法与BP神经网络相结合；其特征在于，该方法包括如下步骤：(1)将指定时间范围内的风速序列作为训练集，拟预测的风速序列作为预测集，选择小波分析法的分解与重构算法对训练集风速序列与预测集风速序列分别进行多层分解与重构计算，将训练集风速序列与预测集风速序列分解为不同尺度的训练集子序列与预测集子序列；(2)对分解后的训练集子序列与预测集子序列分别进行归一化处理，归一化的公式为：${x_i}^{\prime }=c\frac{x_i-x_{\min }}{x_{\max }-x_{\min }}$式中，x_i为归一化前的训练集子序列或预测集子序列的第i个数据；x_i′为序列第i个数据归一化后的值；x_max为序列中的最大值，x_min为序列中的最小值，c为归一化系数；(3)利用归一化后的多层训练集子序列分别建立BP神经网络模型：(3.1)网络初始化，随机给定输入层、隐含层与输出层间的连接权，给定计算精度值和最大学习次数；(3.2)由给定的输入输出模式计算隐含层、输出层各神经元输出；(3.3)修正连接权及阈值；(3.4)计算全局误差，判断网络误差是否满足要求，当网络误差低于设定误差或学习次数大于设定的最大次数时，结束算法；否则，随机选取下一个学习样本，返回到(3.2)，进入下一轮学习过程；(4)对上述训练好的BP神经网络输入经归一化后的多层预测集子序列，对BP神经网络输出进行反归一化处理得到分解后的多层预测集子序列对应的风速预测值，BP神经网络输出反归一化的公式为：${y_i}^{\prime }=\frac{y_i\left(\begin{array}{cc}{y}_{\max }& y_{\min }\end{array}\right)}{c}+y_{\min }$式中，y_i为反归一化前的BP神经网络输出；y_i′为序列第i个数据反归一化后的BP神经网络输出；y_max为序列中的最大值，y_min为序列中的最小值，c为归一化系数；(5)对分解后的多层预测集子序列对应的风速预测值分别进行重构计算，获取预测集序列的风速预测值。