为应对自然风随机性与波动性带来的风速预测精度低的问题,提出一种基于频-时转换与Informer的强风等级预测方法(a strong-wind level prediction method with frequency-time transformation and Informer,FT-Informer)。该方法通过预...为应对自然风随机性与波动性带来的风速预测精度低的问题,提出一种基于频-时转换与Informer的强风等级预测方法(a strong-wind level prediction method with frequency-time transformation and Informer,FT-Informer)。该方法通过预测强风等级并输出包含多级强风信息的风速等级概率分布表,提升高铁系统在强风环境下的调度能力。首先,将Informer作为主要预测器,基于编码器-解码器架构和自注意力机制,预测实时风速。然后,引入频-时转换(frequency-time trans-formation,FT)方法对预测风速的随机脉动特性进行数值分析,进而实现风速波动范围的遍历模拟,降低风速波动性对预测结果的干扰。最后,为提供更具决策支持性的大风预警信息,构建预测风速的概率密度函数(probability density function,PDF)样本矢量集,模拟随机脉动风场的全概率尺度,从而生成未来一段时间内风速等级的概率分布表。实验结果表明,所提出的预测方法在风速等级预测精度上明显优于其他5种模型。其中预测准确率提高0.64%~10.36%,预测等级偏差为1的误差率降低0.36%~6.78%。值得注意的是,所提方法预测等级偏差为2的概率为0,与其他模型相比预测效果提升0.19%~3.68%。此外,在不同时间间隔及不同数据集的泛化实验中,该方法均展现出较强的鲁棒性和泛化性,在功率谱拟合度实验(power spectrum fitting experiment)以及风速概率精度对比实验中,验证了各强风等级概率计算结果的有效性。研究方法不仅降低了随机脉动风对预测结果的干扰,还为铁路调度人员提供未来一段时间内铁路沿线3个强风等级的发生概率,助力铁路部门制定更加精准且细致的调度决策,从而为列车在强风环境下的安全运营提供有力保障。展开更多
风速和风向是影响高速列车运行安全的重要因素,对高铁沿线的大风风速和风向进行有效预测有助于及时地对列车运行状况进行评估和预警。目前高铁大风领域的研究主要集中在风速的预测,尚未考虑风速风向的联合预测。基于深度循环神经网络—...风速和风向是影响高速列车运行安全的重要因素,对高铁沿线的大风风速和风向进行有效预测有助于及时地对列车运行状况进行评估和预警。目前高铁大风领域的研究主要集中在风速的预测,尚未考虑风速风向的联合预测。基于深度循环神经网络—长短记忆(LSTM)模型,提出独立预测法、分量预测法和多变量预测法等3种风速与风向联合预测方法,并利用兰新高铁大风监测实测数据对沿线多个基站的短期风速和风向进行同步联合预测。首先,通过归一化预处理原始风向和风速序列,并运用控制变量法确定最优时间步长和模型参数。其次,采用BPTT(Backpropagation Through Time)和Adam算法进行迭代训练,并结合早停法控制收敛,得到优化后的网络结构。最后,利用训练好的LSTM网络,采用3种方法对风速和风向进行联合预测。4个基站的实验结果表明,优化后的LSTM模型可以有效提取风速风向时间序列的长期依赖特征,结合联合预测方法能够实现对风速和风向的高精度同步预测;3种联合预测方法都能在较小范围内准确预测风速和风向,除5520基站外,风速预测误差在15%以内,风向预测误差在20%以内,其中多变量预测法表现出最优的整体预测精度,独立预测法次之。本研究为风速风向的联合预测提供了新的视角,对保障高铁列车运行的安全性具有参考价值。展开更多
文摘风速和风向是影响高速列车运行安全的重要因素,对高铁沿线的大风风速和风向进行有效预测有助于及时地对列车运行状况进行评估和预警。目前高铁大风领域的研究主要集中在风速的预测,尚未考虑风速风向的联合预测。基于深度循环神经网络—长短记忆(LSTM)模型,提出独立预测法、分量预测法和多变量预测法等3种风速与风向联合预测方法,并利用兰新高铁大风监测实测数据对沿线多个基站的短期风速和风向进行同步联合预测。首先,通过归一化预处理原始风向和风速序列,并运用控制变量法确定最优时间步长和模型参数。其次,采用BPTT(Backpropagation Through Time)和Adam算法进行迭代训练,并结合早停法控制收敛,得到优化后的网络结构。最后,利用训练好的LSTM网络,采用3种方法对风速和风向进行联合预测。4个基站的实验结果表明,优化后的LSTM模型可以有效提取风速风向时间序列的长期依赖特征,结合联合预测方法能够实现对风速和风向的高精度同步预测;3种联合预测方法都能在较小范围内准确预测风速和风向,除5520基站外,风速预测误差在15%以内,风向预测误差在20%以内,其中多变量预测法表现出最优的整体预测精度,独立预测法次之。本研究为风速风向的联合预测提供了新的视角,对保障高铁列车运行的安全性具有参考价值。
