基于LSTM的高铁大风预测模型及算法研究

李隆; 王瑞; 张惟皎

基于LSTM的高铁大风预测模型及算法研究

李隆^{1, 2,},
王瑞²,
张惟皎²

1.
中国铁道科学研究院　研究生部，北京　100081
2.
中国铁道科学研究院集团有限公司　电子计算技术研究所，北京　 100081

基金项目: 中国铁路总公司科技研究开发计划课题（P2018G001）

详细信息

作者简介:
李　隆，在读硕士研究生

王　瑞，副研究员

中图分类号: U216.413 : U238 : TP39
计量
- 文章访问数: 118
- HTML全文浏览量: 355
- PDF下载量: 47
出版历程
- 收稿日期: 2020-04-25
- 网络出版日期: 2021-03-01
- 刊出日期: 2021-03-01

High-speed railway gale prediction model and algorithm based on LSTM

1.
Postgraduate Department, China Academy of Railway Sciences, Beijing　100081, China
2.
Institute of Computing Technologies, China Academy of Railway Sciences Corporation Limited, Beijing 　100081, China

摘要

摘要: 通过对风速数据进行时间序列分析，建立风速预测模型，实现大风灾害的预警，对提升高铁运营安全保障能力具有重要意义。通过分析某高铁客运专线防灾系统的历史风速数据，建立了一种基于LSTM神经网络的大风预测模型，使用TensorFlow平台进行模型参数训练，并结合实际监测数据进行了模型验证。结果表明，该方法预测未来20 min的大风效果较好，预测20～30 m/s大风时的平均误差为13.4%。该研究可为高铁大风预警技术的应用提供参考。
- 高速铁路 /
- 大风 /
- 风速预测 /
- 长短期记忆（LSTM） /
- TensorFlow
Abstract: Through the time series analysis of gale speed data, this paper established gale speed prediction model to implement the early warning of gale disaster, which was of great significance to improve the operation safety supportability of high-speed railway. The paper analyzed the historical gale speed data of the disaster prevention system of a high-speed railway passenger dedicated line, established a gale prediction model based on LSTM neural network, used TensorFlow platform to train the model parameters, and verified the model with the actual monitoring data. The results show that this method has a good effect in predicting the gale in the next 20 minutes, and the average error of 20 ~ 30 m / s gale prediction is 13.4%. The research can provide reference for the application of high-speed railway gale early warning technology.
- high-speed railway /
- gale /
- gale speed prediction /
- LSTM(Long Short-Term Memory) /
- TensorFlow

HTML全文

图 1 高铁沿线风速采集装置布设示意

下载: 全尺寸图片幻灯片

图 2 LSTM神经网络结构

下载: 全尺寸图片幻灯片

图 3 1 h时间尺度平均风速数据分析

下载: 全尺寸图片幻灯片

图 4 30 min时间尺度平均风速数据分析

下载: 全尺寸图片幻灯片

图 5 20 min时间尺度平均风速数据分析

下载: 全尺寸图片幻灯片

图 6 风速预测结果

下载: 全尺寸图片幻灯片

表 1 超声波风速风向仪具体参数

风速量程	0~60 m/s
风速分辨率	0.1 m/s
风速准确度	风速为0~35 m/s时：±0.3 m/s或3%（较高者为准）风速为35~60 m/s时：±5%
风向量程	0~360°
风向分辨率	1°
风向准确度	±3°

下载: 导出CSV

表 2 样本数据特征

指标名称	数值/m·s⁻¹
最小风速	0.0
最大风速	29.2
平均风速	5.4
标准差	3.8
25百分位数	2.4
50百分位数	4.5
75百分位数	7.7

下载: 导出CSV

参考文献(13)

[1]	王大卫,白广争. 铁路防灾系统中风雨报警判断的算法实现 [J]. 铁路计算机应用,2012,21(8):6-8. DOI: 10.3969/j.issn.1005-8451.2012.08.002
[2]	Liu H, Tian HQ, Li YF. Short-term forecasting optimization algorithms for wind speed along Qinghai-Tibet railway based on different intelligent modeling theories [J]. Journal of Central South University of Technology (English Edition), 2009, 16(4): 690-696. DOI: 10.1007/s11771-009-0114-3
[3]	刘辉,田红旗,李燕飞. 基于小波分析法与神经网络法的非平稳风速信号短期预测优化算法 [J]. 中南大学学报(自然科学版),2011,42(9):2704-2711.
[4]	王　瑞. 铁路防灾安全监控系统中风速预测与地震监测技术研究[D]. 北京: 中国铁道科学研究院, 2011.
[5]	王瑞,史天运,王彤. 基于RBF神经网络的铁路沿线短时风速预测方法 [J]. 中国铁道科学,2011,32(5):132-134.
[6]	李文良,卫志农,孙国强. 基于改进空间相关法和径向基神经网络的风电场短期风速分时预测模型 [J]. 电力自动化设备,2009,29(6):89-92. DOI: 10.3969/j.issn.1006-6047.2009.06.020
[7]	马韫娟,马淑红,李振山,等. 我国客运专线高速列车安全运行大风预警系统研究 [J]. 铁道工程学报,2009(7):43-47. DOI: 10.3969/j.issn.1006-2106.2009.07.010
[8]	潘迪夫,刘辉,李燕飞. 基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型 [J]. 电网技术,2008,32(7):82-86.
[9]	丁明,张立军,吴义纯. 基于时间序列分析的风电场风速预测模型 [J]. 电力自动化设备,2005,25(8):32-34. DOI: 10.3969/j.issn.1006-6047.2005.08.007
[10]	郭鹏. 双自回归滑动平均模型风速预测研究 [J]. 现代电力,2009(6):66-69. DOI: 10.3969/j.issn.1007-2322.2009.06.015
[11]	周培毅,张新燕. 基于时间序列与支持向量机的风电场风速预测研究 [J]. 陕西电力,2009(12):1-4.
[12]	傅蓉,王维庆,何桂雄. 基于气象因子的BP神经网络风电场风速预测 [J]. 可再生能源,2009,27(5):86-89. DOI: 10.3969/j.issn.1671-5292.2009.05.020
[13]	Hochreiter S, Schmidhuber J. Long Short-Term Memory [J]. Neural Computation, 1997, 9(8): 1735-1780. DOI: 10.1162/neco.1997.9.8.1735

施引文献(4)

期刊类型引用(3)

1.	高崧，刘超，肖娜，薛璐璐，谢宏坤，杨亮. 物联网环保设备状态监测预警模型改进设计. 信息技术. 2022(05): 154-158+164 . 百度学术
2.	赵正阳，王冰，李洋，王文斌，麻全周. 轨道动态几何状态与轮轨力检测数据里程校准方法及应用. 铁道建筑. 2022(10): 55-59 . 百度学术
3.	赵春红. 数据挖掘技术舰船液压与气动设备状态智能检测. 舰船科学技术. 2020(20): 214-216 . 百度学术