高铁线路风速风向短时局地预测方法研究
发布时间：2021-01-13 15:27
随着高速铁路动车组运行速度的不断提高,大风对高速列车运行造成的影响开始被人们所重视。高速列车在行驶过程中极易受到强风的影响,从而产生较大的俯仰力矩,造成行车事故。在地理位置或环境特殊的路段,车体周围风场发生变化,导致气动力显著改变,增加了列车脱轨、倾覆的可能性。因此,对于高速铁路线路周边大风天气的预测有着重要的意义。本文研究了高速铁路线路风速风向短时局地预测方法,搭建风速风向超前预测模型,使用由WindLog风速风向传感器获得的数据对于模型进行训练,并进行风速风向超前1min、5min、10min的超短期预测。为了实现风速风向超前预测,构建了基于LSTM长短时记忆网络的预测模型,对数据进行预处理,设置合理的学习步长,建立双层LSTM网络结构,获取历史步长内的数据特征,进行超前预测。以单变量与双变量为数据输入,比较LSTM模型预测性能的优劣。对风速超前预测模型进行优化,基于CNN卷积神经网络搭建预测模型,叠加多个CNN卷积模块,提取深层的风速数据特征。结合LSTM长短时记忆网络与CNN卷积神经网络,构建双层LSTM与双层CNN卷积层相叠加的预测模型,LSTM学习数据的时序特征,CNN学习...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：102 页
【学位级别】：硕士
【部分图文】：
图１－１侧翻的５８０７次旅客列车??Ｆｉｇ．?１－１?Ｏｖｅｒｔｕｒｎｉｎｇ?ｏｆ?Ｎ．５８０７?ｐａｓｓｅｎｇｅｒ?ｔｒａｉｎ??
风速风向预测。例如，对于某一大风多发地区，在列车行驶经过该地之前的５分??钟，要将该地风速风向预测结果发送到列车司机室，以便列车针对风速风向的情??况做出速度等方面的调整，如图２－１。??ｎ?ｋ?ｎ??超前酬＾．?一?？?？?ｚ?＂?＾＿中心??司机宙?ｙ?ｙ?＊???＾＾ｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚ－????＾????图２－１高速铁路沿线大风预报示意图??Ｆｉｇ．２－１?Ｇａｌｅ?ｐｒｅｄｉｃｔｉｏｎ?ａｌｏｎｇ?ｈｉｇｈ－ｓｐｅｅｄ?ｒａｉｌｗａｙ??进行大风天气的超前预测，需要建立风速风向预测模型。首先要求获得足够??多的风速风向数据作为模型训练的数据输入。由于条件限制，不能在高速铁路线??路周边安置风速风向传感器，所以考虑在拥有类似大风环境的地点安装传感器模??拟高速铁路周边的大风环境的数据。北京春季风速变化多端，且大风情况较多，??风力等级可达６？８级，阵风风速可达８？９级，因此在北京市海淀区取点，将风速??风向传感器安装于高１５ｍ的楼顶，在无遮挡的情况下进行检测，由此获得风速风??向数据。??７??
为优秀的深度学习体系结构之一，十分擅长对时间序列进行分类、处理和预测。??使用１４时刻的风速风向数据，对第Ｚ＋ｄｅｌｔａ时刻的风速风向进行预测，预测示意??图如图２－３所示，其中ｓｅｑｕｅｎｃｅ?ｌｅｎｇｔｈ为ＬＳＴＭ预测需要的历史步长，ｄｅｌｔａ为超??前预测的时间长度。??ｙｔ－＾－ｄｅｌｔａ????????ｔ??ＬＳＴＭ?—……—ＬＳＴＭ?—?ＬＳＴＭ?—？?ＬＳＴＭ????＾??Ｉ??ｓｅｑｕｅｎｃｅ?ｌｅｎｇｔｈ??图２－３?ＬＳＴＭ预测示意图??Ｆｉｇ．２－３?ＬＳＴＭ?ｐｒｅｄｉｃｔｉｏｎ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ??风速风向数据由风速风向传感器获得，要求传感器测得每分钟的最大风速，??以及测得最大风速对应时刻的风向，通过模型可以预测出第／＋ｄｅｌｔａ时刻的最大风??速及风向。ＬＳＴＭ预测方案框图如图２－４所示。??ＬＳＴＭ网络训练?￣传感器￣????｜结构构建｜?实时＾数据??ｒ—＾丨龍预，｜超参数设定｜?，??Ｌ数据分ｇ?＾?｜输入数据?＾风速风向Ｈ超測测??Ｉ归一化Ｉ?｜循冧诃练?＾预测模型ｎ结果输出??Ｉ数据集划分?｜损失函数??Ｉ１?」」｜梯漫讦算??梯度下降算??法更新权重??图２－４?ＬＳＴＭ风速风向预测方案框图??Ｆｉｇ．２－４?Ｂｌｏｃｋ?ｄｉａｇｒａｍ?ｏｆ?ＬＳＴＭ?ｗｉｎｄ?ｓｐｅｅｄ?ａｎｄ?ｄｉｒｅｃｔｉｏｎ?ｐｒｅｄｉｃｔｉｏｎ??由风速风向传感器获得的数据进行预处理，分为数据分组、归一化、数据集??划分三个步骤。构建ＬＳＴＭ网络模型，首先初步确定网络的超参数，将预处理后??的数据送入网络中进行训练
【参考文献】：
期刊论文
[1]基于改进卷积神经网络的短时公交客流预测[J]. 陈深进,薛洋. 计算机科学. 2019(05)
[2]深度学习在图像识别中的应用研究综述[J]. 郑远攀,李广阳,李晔. 计算机工程与应用. 2019(12)
[3]双卷积池化结构的3D-CNN高光谱遥感影像分类方法[J]. 李冠东,张春菊,高飞,张雪英. 中国图象图形学报. 2019(04)
[4]基于多层深度卷积特征的抗遮挡实时跟踪算法[J]. 崔洲涓,安军社,崔天舒. 光学学报. 2019(07)
[5]基于自适应卷积核的改进CNN数值型数据分类算法[J]. 程诚,任佳. 浙江理工大学学报(自然科学版). 2019(05)
[6]基于ARIMA与自适应过滤法的组合预测模型研究[J]. 徐超,项薇,季孟忠,谢勇. 计算机应用与软件. 2018(11)
[7]基于量子加权长短时记忆神经网络的状态退化趋势预测[J]. 李锋,陈勇,向往,王家序,汤宝平. 仪器仪表学报. 2018(07)
[8]基于经验模态分解和遗传算法改进的神经网络模型的风速时间序列预测[J]. 贺坤,李星野. 电子测量技术. 2018(08)
[9]基于卷积记忆神经网络的微博短文本情感分析[J]. 郑啸,王义真,袁志祥,秦锋. 电子测量与仪器学报. 2018(03)
[10]结合LSTM和CNN混合架构的深度神经网络语言模型[J]. 王毅,谢娟,成颖. 情报学报. 2018(02)
硕士论文
[1]基于深度学习的情感词向量及文本情感分析的研究[D]. 张志华.华东师范大学 2016
[2]基于CNN的字符识别方法研究[D]. 王强.天津师范大学 2014
[3]机场预报预测系统的相关技术研究[D]. 张吉楠.河南大学 2010
[4]横风环境下动车组倾覆稳定性研究[D]. 许士军.中南大学 2009
[5]ARMA相关模型及其应用[D]. 安潇潇.燕山大学 2008
[6]时间序列分析的研究与应用[D]. 汤岩.东北农业大学 2007
本文编号：2975106
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：102 页
【学位级别】：硕士
【部分图文】：
图１－１侧翻的５８０７次旅客列车??Ｆｉｇ．?１－１?Ｏｖｅｒｔｕｒｎｉｎｇ?ｏｆ?Ｎ．５８０７?ｐａｓｓｅｎｇｅｒ?ｔｒａｉｎ??
风速风向预测。例如，对于某一大风多发地区，在列车行驶经过该地之前的５分??钟，要将该地风速风向预测结果发送到列车司机室，以便列车针对风速风向的情??况做出速度等方面的调整，如图２－１。??ｎ?ｋ?ｎ??超前酬＾．?一?？?？?ｚ?＂?＾＿中心??司机宙?ｙ?ｙ?＊???＾＾ｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚｚ－????＾????图２－１高速铁路沿线大风预报示意图??Ｆｉｇ．２－１?Ｇａｌｅ?ｐｒｅｄｉｃｔｉｏｎ?ａｌｏｎｇ?ｈｉｇｈ－ｓｐｅｅｄ?ｒａｉｌｗａｙ??进行大风天气的超前预测，需要建立风速风向预测模型。首先要求获得足够??多的风速风向数据作为模型训练的数据输入。由于条件限制，不能在高速铁路线??路周边安置风速风向传感器，所以考虑在拥有类似大风环境的地点安装传感器模??拟高速铁路周边的大风环境的数据。北京春季风速变化多端，且大风情况较多，??风力等级可达６？８级，阵风风速可达８？９级，因此在北京市海淀区取点，将风速??风向传感器安装于高１５ｍ的楼顶，在无遮挡的情况下进行检测，由此获得风速风??向数据。??７??
为优秀的深度学习体系结构之一，十分擅长对时间序列进行分类、处理和预测。??使用１４时刻的风速风向数据，对第Ｚ＋ｄｅｌｔａ时刻的风速风向进行预测，预测示意??图如图２－３所示，其中ｓｅｑｕｅｎｃｅ?ｌｅｎｇｔｈ为ＬＳＴＭ预测需要的历史步长，ｄｅｌｔａ为超??前预测的时间长度。??ｙｔ－＾－ｄｅｌｔａ????????ｔ??ＬＳＴＭ?—……—ＬＳＴＭ?—?ＬＳＴＭ?—？?ＬＳＴＭ????＾??Ｉ??ｓｅｑｕｅｎｃｅ?ｌｅｎｇｔｈ??图２－３?ＬＳＴＭ预测示意图??Ｆｉｇ．２－３?ＬＳＴＭ?ｐｒｅｄｉｃｔｉｏｎ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ??风速风向数据由风速风向传感器获得，要求传感器测得每分钟的最大风速，??以及测得最大风速对应时刻的风向，通过模型可以预测出第／＋ｄｅｌｔａ时刻的最大风??速及风向。ＬＳＴＭ预测方案框图如图２－４所示。??ＬＳＴＭ网络训练?￣传感器￣????｜结构构建｜?实时＾数据??ｒ—＾丨龍预，｜超参数设定｜?，??Ｌ数据分ｇ?＾?｜输入数据?＾风速风向Ｈ超測测??Ｉ归一化Ｉ?｜循冧诃练?＾预测模型ｎ结果输出??Ｉ数据集划分?｜损失函数??Ｉ１?」」｜梯漫讦算??梯度下降算??法更新权重??图２－４?ＬＳＴＭ风速风向预测方案框图??Ｆｉｇ．２－４?Ｂｌｏｃｋ?ｄｉａｇｒａｍ?ｏｆ?ＬＳＴＭ?ｗｉｎｄ?ｓｐｅｅｄ?ａｎｄ?ｄｉｒｅｃｔｉｏｎ?ｐｒｅｄｉｃｔｉｏｎ??由风速风向传感器获得的数据进行预处理，分为数据分组、归一化、数据集??划分三个步骤。构建ＬＳＴＭ网络模型，首先初步确定网络的超参数，将预处理后??的数据送入网络中进行训练
【参考文献】：
期刊论文
[1]基于改进卷积神经网络的短时公交客流预测[J]. 陈深进,薛洋. 计算机科学. 2019(05)
[2]深度学习在图像识别中的应用研究综述[J]. 郑远攀,李广阳,李晔. 计算机工程与应用. 2019(12)
[3]双卷积池化结构的3D-CNN高光谱遥感影像分类方法[J]. 李冠东,张春菊,高飞,张雪英. 中国图象图形学报. 2019(04)
[4]基于多层深度卷积特征的抗遮挡实时跟踪算法[J]. 崔洲涓,安军社,崔天舒. 光学学报. 2019(07)
[5]基于自适应卷积核的改进CNN数值型数据分类算法[J]. 程诚,任佳. 浙江理工大学学报(自然科学版). 2019(05)
[6]基于ARIMA与自适应过滤法的组合预测模型研究[J]. 徐超,项薇,季孟忠,谢勇. 计算机应用与软件. 2018(11)
[7]基于量子加权长短时记忆神经网络的状态退化趋势预测[J]. 李锋,陈勇,向往,王家序,汤宝平. 仪器仪表学报. 2018(07)
[8]基于经验模态分解和遗传算法改进的神经网络模型的风速时间序列预测[J]. 贺坤,李星野. 电子测量技术. 2018(08)
[9]基于卷积记忆神经网络的微博短文本情感分析[J]. 郑啸,王义真,袁志祥,秦锋. 电子测量与仪器学报. 2018(03)
[10]结合LSTM和CNN混合架构的深度神经网络语言模型[J]. 王毅,谢娟,成颖. 情报学报. 2018(02)
硕士论文
[1]基于深度学习的情感词向量及文本情感分析的研究[D]. 张志华.华东师范大学 2016
[2]基于CNN的字符识别方法研究[D]. 王强.天津师范大学 2014
[3]机场预报预测系统的相关技术研究[D]. 张吉楠.河南大学 2010
[4]横风环境下动车组倾覆稳定性研究[D]. 许士军.中南大学 2009
[5]ARMA相关模型及其应用[D]. 安潇潇.燕山大学 2008
[6]时间序列分析的研究与应用[D]. 汤岩.东北农业大学 2007
本文编号：2975106
本文链接：https://www.wllwen.com/kejilunwen/anquangongcheng/2975106.html
