铁路沿线风信号智能预测算法研究

论文摘要

强风是危及铁路运输安全的主要气象灾害之一。我国有多条横跨恶劣强风区域的铁路线路,包括青藏、兰新等。强风线路沿线风速引发的气动横向力和气动升力是造成列车吹翻事故的根本原因。开展铁路沿线关键区域强风风速实时预测研究,是铁路运营部门在恶劣强风环境下防范事故、进行科学决策和安全行车指挥调度的有效手段,也是研建高水平强风预警指挥系统的核心关键技术之一。为获得不同步长的高精度铁路沿线风速短期预报值,本文引入小波分析、遗传算法、神经网络和自适应卡尔曼滤波等现代智能优化理论,结合时间序列分析理论,开展高精度风速预测智能优化研究。经过多年研究,提出了铁路沿线非平稳风速信号智能预测新算法：（1）对实测非平稳风速信号建立时间序列模型,完成超前多步预测计算。针对所建模型存在的精度不高问题,引入滚动修正优化改进思路,提出了滚动时间序列分析法。并将该方法与小波分析法混合建模,提出了小波分析-滚动时间序列分析法（Wavelet Rolling Time Series Method,简称WRTSM）。预测实例表明：WTSM明显提高了时间序列分析法的预测精度,改善了模型预测延时现象。WTSM兼具小波分析法信号细分与时间序列分析法建模简单的综合算法性能,获得了高精度的大步长预测结果。该研究成果已刊登于国际SCI刊物《Renewable Energy》。（2）对实测非平稳风速信号建立BP （Back Propagation）神经网络模型,完成超前多步预测计算。针对BP预测网络初始权值确定的随意性与主观性,以及网络学习时间过长、预测精度不高等不足,引入遗传算法和时间序列分析理论的潘迪特-吴贤明建模方案,提出了遗传-神经网络优化模型和神经网络结构时间序列确定方法。并将该优化方法与小波分析法混合建模,提出了小波分析-遗传算法-神经网络法（Wavelet Genetic BP Method,简称WGBM）。预测实例表明：WGBM明显改善了上述神经网络的不足,兼有小波分析法信号细分、遗传算法信号全局搜索和神经网络法信号非线性映射等能力,获得了高精度小步长预测结果。该研究成果将刊登于国际SCI刊物《Information Science》。（3）为了获得非平稳风速信号超前单步超高精度预测,运用小波分析法和自适应卡尔曼滤波法混合建模,提出了小波分析-卡尔曼滤波法（Wavelet-Kalman Method,简称WKM）。预测实例表明：WKM吸收了小波分析法信号细分和自适应卡尔曼滤波法实时追踪的综合算法特征,获得了超前单步超高精度预测结果,该研究成果已刊登于《中国电机工程学报》和《中南大学学报（英文版）》。（4）为进一步考核优化算法性能,本文将其推广应用于我国典型强风高海拔铁路-青藏铁路工程。通过对沿线唐古拉山、风火山、五道梁等重点监控区域风速信号进行建模与预测,结果表明所提出的几种风速预测优化改进算法是正确和可行的。此外,由于非平稳随机信号预测机理相似,所提出的算法同样可以推广到风电场风速、机器人路径、机械振动等领域,具有学术与工程双重意义。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 选题的背景与意义
• 1.1.1 选题背景
• 1.1.2 选题意义
• 1.2 国内外研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.2.3 总结
• 1.3 本文开展的研究工作
• 第二章 铁路风速小波-滚动时间序列大步长预测算法
• 2.1 引言
• 2.2 铁路风速超前多步预测精度与实时性指标
• 2.3 基于时间序列分析法的铁路风速超前多步预测模型
• 2.3.1 时间序列分析法概述
• 2.3.2 时间序列分析法建模步骤
• 2.4 基于滚动时间序列分析法的铁路风速超前多步预测模型
• 2.4.1 滚动时间序列分析法优化思路
• 2.4.2 滚动时间序列分析法建模步骤
• 2.5 基于小波分析-滚动时间序列分析法的铁路风速超前多步预测优化模型
• 2.5.1 多尺度小波分析理论
• 2.5.2 小波分析-滚动时间序列分析法优化思路
• 2.5.3 小波分析-滚动时间序列分析法建模步骤
• 2.6 优化算法预测结果分析
• 2.6.1 小步长预测结果分析
• 2.6.2 大步长预测结果分析
• 2.7 优化算法推广应用
• 2.8 结论
• 第三章 铁路风速小波-遗传神经网络小步长预测算法
• 3.1 引言
• 3.2 基于神经网络法的铁路风速超前多步预测模型
• 3.2.1 神经元结构及经典网络类型
• 3.2.2 BP神经网络模型误差反向传播算法
• 3.2.3 BP神经网络主要设计参数
• 3.2.4 BP神经网络预测计算
• 3.3 基于小波分析-遗传算法-神经网络法的铁路风速超前多步预测优化模型
• 3.3.1 遗传算法
• 3.3.2 小波分析-遗传算法-神经网络法优化思路
• 3.3.3 遗传算法优化神经网络
• 3.4 优化算法预测结果分析
• 3.4.1 超前一步预测结果
• 3.4.2 超前两步预测结果
• 3.4.3 超前三步预测结果
• 3.4.4 超前四步预测结果
• 3.4.5 超前五步预测结果
• 3.5 优化算法推广应用
• 3.6 结论
• 第四章 铁路风速小波-卡尔曼单步超高精度预测算法
• 4.1 引言
• 4.2 自适应卡尔曼滤波理论
• 4.2.1 卡尔曼描述方程
• 4.2.2 卡尔曼最优估计
• 4.2.3 卡尔曼最优预测
• 4.3 铁路风速小波分析-卡尔曼滤波法超前单步高精度预测模型
• 4.3.1 小波分析-卡尔曼滤波法建模思路
• 4.3.2 小波分析-卡尔曼滤波法建模步骤
• 4.4 优化算法预测结果分析
• 4.4.1 小波分解层风速预测结果分析
• 4.4.2 原始风速预测结果分析
• 4.5 预测算法推广应用
• 4.6 结论
• 第五章 青藏铁路工程优化算法应用研究
• 5.1 引言
• 5.2 预测重点区域
• 5.3 监测预警系统预测指标
• 5.4 预测结果分析
• 5.4.1 昆仑山测风站
• 5.4.2 五道梁测风站
• 5.4.3 风火山测风站
• 5.4.4 沱沱河测风站
• 5.4.5 唐古拉山测风站
• 5.4.6 安多测风站
• 5.5 结论
• 第六章 总结
• 6.1 论文总结
• 6.2 后续工作
• 6.2.1 算法方面
• 6.2.2 软件开发方面
• 参考文献
• 致谢
• 攻读学位期间主要的研究成果目录