本發(fā)明屬于鐵路風(fēng)速預(yù)測領(lǐng)域，特別涉及一種融合多測風(fēng)站實測數(shù)據(jù)的鐵路沿線風(fēng)速預(yù)測方法。
背景技術(shù)：
：風(fēng)嚴重影響到列車運行的安全性和平穩(wěn)性，容易引起列車安全事故，這給鐵路安全運營帶來了挑戰(zhàn)，給世界各國造成了巨大的經(jīng)濟損失和人員傷亡。為此，一些國家建立了鐵路強風(fēng)監(jiān)測預(yù)警系統(tǒng)。該類系統(tǒng)通常包含風(fēng)速風(fēng)向信息、鐵路沿線路況、列車信息等，當(dāng)區(qū)段風(fēng)速超過一定限值時，系統(tǒng)會發(fā)出限速或者停運指令。由于鐵路的指揮調(diào)度需具備超前性和準(zhǔn)確性，所以，在強風(fēng)監(jiān)測預(yù)警系統(tǒng)中，風(fēng)速高精度預(yù)測屬于不可或缺的核心技術(shù)之一。風(fēng)速受氣壓、海拔、溫度、地形等多種因素影響，具有很強的非線性和隨機性。在一些鐵路沿線地區(qū)，地形地貌等條件更為復(fù)雜，風(fēng)速信號更加不穩(wěn)定，且部分測風(fēng)站會出現(xiàn)白噪聲和隨機錯誤采樣數(shù)據(jù)，這些都加大了風(fēng)速預(yù)測難度，因此，準(zhǔn)確高效地預(yù)測鐵路沿線風(fēng)速是個技術(shù)難題。風(fēng)速預(yù)測的研究對象多為風(fēng)電場風(fēng)速，研究方法主要有物理模型，如數(shù)值天氣預(yù)報；統(tǒng)計模型，如時間序列法；智能學(xué)習(xí)模型，如人工神經(jīng)網(wǎng)絡(luò)；以及一些組合預(yù)測。一些學(xué)者的研究表明，組合預(yù)測方法通常比單一預(yù)測方法擁有更好的預(yù)測性能。介于鐵路沿線風(fēng)速預(yù)測的特殊性，預(yù)測模型要同時具備較高的適用性、準(zhǔn)確性、實時性和魯棒性，因此，構(gòu)建合適的組合預(yù)測模型來預(yù)測鐵路沿線風(fēng)速是一種可行方案。目前，鐵路沿線風(fēng)速預(yù)測模型的建立都基于單測風(fēng)站實測數(shù)據(jù)，采樣數(shù)據(jù)較為單一，抗干擾能力較差，此外，如果單測風(fēng)站安裝的傳感器發(fā)生硬件故障，就會造成預(yù)測中斷，在現(xiàn)場運營的鐵路強風(fēng)監(jiān)測預(yù)警系統(tǒng)中，風(fēng)速中斷輸出是不允許的，這將會造成嚴重的翻車事故?，F(xiàn)有的風(fēng)速預(yù)測方法，幾乎都是采用統(tǒng)計模型，將大量風(fēng)速數(shù)據(jù)分類建立數(shù)據(jù)庫，通過與當(dāng)前風(fēng)速數(shù)據(jù)比較來預(yù)測風(fēng)速；或是采用物理模型，進行流場分析。這兩種方法的實時性較差，難以滿足鐵路沿線風(fēng)速預(yù)測的要求。因此，迫切需要建立一種實時性好、融合多測風(fēng)站實測數(shù)據(jù)的鐵路沿線風(fēng)速預(yù)測方法。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于克服現(xiàn)有鐵路風(fēng)速預(yù)測方法中存在的不足，提供一種融合多測風(fēng)站實測數(shù)據(jù)的鐵路沿線風(fēng)速預(yù)測方法。通過多測風(fēng)站數(shù)據(jù)提高預(yù)測精度，同時由于融合多個測風(fēng)站之間的風(fēng)速數(shù)據(jù)多樣性，保證預(yù)測模型的穩(wěn)定性，且能避免單測風(fēng)站傳感器硬件故障造成的預(yù)測中斷。一種融合多測風(fēng)站實測數(shù)據(jù)的鐵路沿線風(fēng)速預(yù)測方法，包括以下步驟：步驟1：在目標(biāo)測風(fēng)站位置周圍至少安裝N個輔助測風(fēng)站，利用輔助測風(fēng)站實時采集目標(biāo)測風(fēng)站的風(fēng)速數(shù)據(jù)，獲得目標(biāo)測風(fēng)站和輔助測風(fēng)站的風(fēng)速樣本集合；其中，N為大于或等于5的整數(shù)；所述輔助測風(fēng)站以目標(biāo)測風(fēng)站位置為原點，以20公里為最大半徑，順著鐵路沿線搜索目標(biāo)測風(fēng)站位置前后周圍的鐵路接觸網(wǎng)立柱；將N個輔助測風(fēng)站安裝在鐵路接觸網(wǎng)立柱距鐵路軌面4米的高度位置上；目標(biāo)測風(fēng)站和輔助測風(fēng)站位置高度與沿線行駛列車的車頂?shù)雀?；步驟2：對風(fēng)速樣本集合中的風(fēng)速數(shù)據(jù)進行濾波處理去除風(fēng)速數(shù)據(jù)中潛在的誤差；步驟3：對經(jīng)過步驟2濾波后的風(fēng)速樣本集合進行2層小波包分解去除樣本集合中的高頻跳躍特征數(shù)據(jù)，并從分解后的數(shù)據(jù)中選取最后一層的低頻數(shù)據(jù)部分；步驟4：將步驟3選取出的各輔助測風(fēng)站的低頻數(shù)據(jù)部分分別與目標(biāo)測風(fēng)站的低頻數(shù)據(jù)部分進行顯著性檢驗，按照顯著性從高到低對各輔助測風(fēng)站進行排序，選出與目標(biāo)測風(fēng)站低頻數(shù)據(jù)部分顯著性排名前m組輔助測風(fēng)站的低頻數(shù)據(jù)部分和對應(yīng)的m個輔助測風(fēng)站；其中，m為整數(shù)，取值范圍為[3，60％N]；步驟5：對目標(biāo)測風(fēng)站和選出的m個輔助測風(fēng)站的低頻數(shù)據(jù)部分分別進行2層小波包分解，獲得每個測風(fēng)站的4個風(fēng)速子序列；步驟6：以所選的m個輔助測風(fēng)站的4個風(fēng)速子序列為輸入數(shù)據(jù)，以目標(biāo)測風(fēng)站的4個風(fēng)速子序列為輸出結(jié)果，采用基于PSO優(yōu)化的MLP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到預(yù)測模型；步驟7：將所選的m個輔助測風(fēng)站的實測風(fēng)速值依次進行濾波、2層小波包分解，并對經(jīng)過2層小波包分解后得到的最后一層低頻數(shù)據(jù)部分再次進行2層小波包分解，將分解后得到的各輔助測風(fēng)站的4個風(fēng)速子序列輸入到訓(xùn)練好的模型，將模型輸出的子序列預(yù)測值進行累加，得到目標(biāo)測風(fēng)站的風(fēng)速預(yù)測值。所述步驟2中采用交互多模型卡爾曼濾波進行濾波處理。所述步驟3和步驟5中使用的2層小波包分解為采用Mallat塔式算法或選取緊支撐雙正交小波db3作為母小波的小波分解方法。采用動態(tài)時間彎曲距離法進行所述步驟4中的顯著性檢驗。使用2層小波包分解取低頻數(shù)據(jù)，再通過動態(tài)時間彎曲距離選出與目標(biāo)測風(fēng)站風(fēng)速信號相關(guān)度較高的輔助測風(fēng)站數(shù)據(jù)，融合多測風(fēng)站數(shù)據(jù)對單一測風(fēng)站風(fēng)速進行預(yù)測，提高了風(fēng)速預(yù)測的魯棒性和精度；所述基于PSO優(yōu)化的MLP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建步驟如下：(1)利用PSO隨機產(chǎn)生MLP神經(jīng)網(wǎng)絡(luò)模型的連接權(quán)值和隱含層閾值的粒子種群；(2)以實現(xiàn)最小風(fēng)速預(yù)測誤差作為PSO算法的訓(xùn)練方向，進行PSO算法的訓(xùn)練學(xué)習(xí)流程，使得粒子種群中的粒子不斷靠攏到最優(yōu)粒子附近，輸出最優(yōu)的MLP神經(jīng)網(wǎng)絡(luò)模型初始連接權(quán)值和初始隱含層閾值；(3)將最優(yōu)的MLP神經(jīng)網(wǎng)絡(luò)模型初始連接權(quán)值和初始隱含層閾值輸入到MLP神經(jīng)網(wǎng)絡(luò)模型中，以輔助測風(fēng)站和目標(biāo)測風(fēng)站的實測風(fēng)速值經(jīng)過兩次2層小波分解后的數(shù)據(jù)作為MLP神經(jīng)網(wǎng)絡(luò)模型的輸入和輸出數(shù)據(jù)，完成MLP神經(jīng)網(wǎng)絡(luò)模型自身對風(fēng)速預(yù)測的學(xué)習(xí)和訓(xùn)練，形成能實現(xiàn)高精度鐵路風(fēng)速預(yù)測的PSO-MLP混合風(fēng)速預(yù)測模型。標(biāo)測風(fēng)站和選出的m個輔助測風(fēng)站經(jīng)過濾波和2次小波包分解后，每個輔助測風(fēng)站擁有4個風(fēng)速子序列，目標(biāo)測風(fēng)站也是擁有4個風(fēng)速子序列。這些子序列都是等長度的風(fēng)速數(shù)據(jù)段。PSO-MLP混合風(fēng)速預(yù)測模型的建模計算分為兩個階段，即學(xué)習(xí)訓(xùn)練階段和預(yù)測輸出階段。本專利所建立的MLP神經(jīng)網(wǎng)絡(luò)均采用多個輸入神經(jīng)元和1個輸出神經(jīng)元的三層網(wǎng)絡(luò)結(jié)構(gòu)，即：MLP神經(jīng)網(wǎng)絡(luò)需要同步用多組輸入風(fēng)速數(shù)據(jù)和1組輸出風(fēng)速數(shù)據(jù)對網(wǎng)絡(luò)進行學(xué)習(xí)和訓(xùn)練；當(dāng)PSO優(yōu)化后的MLP神經(jīng)網(wǎng)絡(luò)完成訓(xùn)練后，只要對MLP神經(jīng)網(wǎng)絡(luò)的多個輸入神經(jīng)元端口輸入多組等長度的風(fēng)速數(shù)據(jù)，MLP神經(jīng)網(wǎng)絡(luò)就能自動輸出1組與輸入風(fēng)速數(shù)據(jù)等長度的預(yù)測風(fēng)速數(shù)據(jù)。采用PSO優(yōu)化的MLP模型進行訓(xùn)練和預(yù)測，充分利用了多測風(fēng)站數(shù)據(jù)，提高了風(fēng)速預(yù)測精度。由于鐵路風(fēng)速的極大跳躍性，標(biāo)準(zhǔn)的MLP神經(jīng)網(wǎng)絡(luò)由于容易陷入局部搜索空間，因此僅靠單種MLP神經(jīng)網(wǎng)絡(luò)難以實現(xiàn)高精度的風(fēng)速預(yù)測。而PSO算法在信息空間全局搜索上擁有很大的性能優(yōu)勢，因此通過PSO選擇MLP神經(jīng)網(wǎng)絡(luò)的各層初始權(quán)值和隱含層初始閾值能進一步提高標(biāo)準(zhǔn)MLP神經(jīng)網(wǎng)絡(luò)對鐵路風(fēng)速跳躍風(fēng)速的全局擬合能力，實現(xiàn)鐵路風(fēng)速的高精度預(yù)測。有益效果本發(fā)明提供了一種融合多測風(fēng)站實測數(shù)據(jù)的鐵路沿線風(fēng)速預(yù)測方法，包括以下幾個步驟：步驟1，在目標(biāo)測風(fēng)站位置安裝輔助測風(fēng)站，實時采集風(fēng)速數(shù)據(jù)樣本；步驟2，對風(fēng)速數(shù)據(jù)樣本進行濾波處理；步驟3，利用2層小波分解去除高頻跳躍特征，取最后一層的低頻數(shù)據(jù)；步驟4，選出與目標(biāo)測風(fēng)站數(shù)據(jù)顯著性較高的m個輔助測風(fēng)站數(shù)據(jù)；步驟5.對目標(biāo)測風(fēng)站和選出的m個輔助測風(fēng)站的低頻數(shù)據(jù)層分別進行2層小波包分解；步驟6，以m個輔助測風(fēng)站的各子序列為輸入，以目標(biāo)測風(fēng)站的4個子序列為輸出，采用PSO優(yōu)化的MLP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練；步驟7，將所選的m個輔助測風(fēng)站的實測風(fēng)速值進行2層小波包分解，輸入到訓(xùn)練好的模型，最終得到目標(biāo)測風(fēng)站的風(fēng)速預(yù)測值。該方法通過巧妙的增設(shè)輔助測風(fēng)站，利用MLP模型建立起了幾個輔助測風(fēng)站和目標(biāo)測風(fēng)站之間的空間關(guān)聯(lián)性；利用小波分解獲取最后一層低頻數(shù)據(jù)的新思維，使得本發(fā)明所使用的MLP模型擺脫了風(fēng)速極端跳躍成分的干擾，模型更健壯；利用小波包分解篩選后的輔助測風(fēng)站和目標(biāo)測風(fēng)站風(fēng)速數(shù)據(jù)給MLP神經(jīng)網(wǎng)絡(luò)提供了更豐富的輸入和輸出訓(xùn)練樣本數(shù)據(jù)，使得MLP神經(jīng)網(wǎng)絡(luò)能從多維度上耦合風(fēng)速數(shù)據(jù)的空間相關(guān)性；利用顯著性檢驗對非相關(guān)性數(shù)據(jù)進行剔除，降低了數(shù)據(jù)處理量，提高了預(yù)測輸出的實時性；將PSO算法與MLP神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，克服了MLP神經(jīng)網(wǎng)絡(luò)無法收斂的問題，同時大大的提高了傳統(tǒng)MLP神經(jīng)網(wǎng)絡(luò)預(yù)測精度。本發(fā)明所述方法能夠有效提高鐵路沿線風(fēng)速預(yù)測精度、保證預(yù)測模型的穩(wěn)定，且能避免單測風(fēng)站傳感器硬件故障造成的預(yù)測中斷。附圖說明圖1為本發(fā)明所述方法的原理流程圖；圖2為本發(fā)明中目標(biāo)測風(fēng)站A的小波分解圖；圖3為本發(fā)明中A3的小波包分解圖；圖4為本發(fā)明中PSO優(yōu)化的MLP模型訓(xùn)練圖；圖5為本發(fā)明中PSO優(yōu)化的MLP模型預(yù)測圖；圖6為利用本發(fā)明所提出的預(yù)測方法實現(xiàn)風(fēng)速預(yù)測的結(jié)果示意圖；圖7為利用時間序列ARIMA模型實現(xiàn)風(fēng)速預(yù)測的結(jié)果示意圖。具體實施方式下面將結(jié)合附圖和實施例對本發(fā)明做進一步的說明。如圖1所示，一種融合多測風(fēng)站實測數(shù)據(jù)的鐵路沿線風(fēng)速預(yù)測方法，包括以下步驟：步驟1.為對某目標(biāo)測風(fēng)站位置的鐵路未來風(fēng)速實現(xiàn)預(yù)測，在該測風(fēng)站位置周圍安裝5個輔助測風(fēng)站。獲取同一時段目標(biāo)測風(fēng)站及5個輔助測風(fēng)站的原始風(fēng)速數(shù)據(jù)，每組風(fēng)速數(shù)據(jù)包含600個數(shù)據(jù)，將600個數(shù)據(jù)中的前500個用于建模，第501～600個數(shù)據(jù)用于驗證。步驟2.將目標(biāo)測風(fēng)站記為A，5個輔助測風(fēng)站分別記為B,C,D,E,F，各測風(fēng)站前500個原始風(fēng)速數(shù)據(jù)表示如下：目標(biāo)測風(fēng)站A的原始風(fēng)速數(shù)據(jù)：{a1,a2,a3...,a499,a500}輔助測風(fēng)站B的原始風(fēng)速數(shù)據(jù)：{b1,b2,b3...,b499,b500}輔助測風(fēng)站C的原始風(fēng)速數(shù)據(jù)：{c1,c2,c3...,c499,c500}輔助測風(fēng)站D的原始風(fēng)速數(shù)據(jù)：{d1,d2,d3...,d499,d500}輔助測風(fēng)站E的原始風(fēng)速數(shù)據(jù)：{e1,e2,e3...,e499,e500}輔助測風(fēng)站F的原始風(fēng)速數(shù)據(jù)：{f1,f2,f3...,f499,f500}步驟3.用交互多模型卡爾曼濾波法對測風(fēng)站A,B,C,D,E,F的原始風(fēng)速數(shù)據(jù)進行濾波處理，去除風(fēng)速數(shù)據(jù)中潛在的誤差，得到下述濾波后的風(fēng)速數(shù)據(jù)：目標(biāo)測風(fēng)站A濾波后的風(fēng)速數(shù)據(jù)：{a′1,a′2,a′3...,a′499,a′500}輔助測風(fēng)站B濾波后的風(fēng)速數(shù)據(jù)：{b′1,b′2,b′3...,b′499,b′500}輔助測風(fēng)站C濾波后的風(fēng)速數(shù)據(jù)：{c′1,c′2,c′3...,c′499,c′500}輔助測風(fēng)站D濾波后的風(fēng)速數(shù)據(jù)：{d′1,d′2,d′3...,d′499,d′500}輔助測風(fēng)站E濾波后的風(fēng)速數(shù)據(jù)：{e′1,e′2,e′3...,e′499,e′500}輔助測風(fēng)站F濾波后的風(fēng)速數(shù)據(jù)：{f′1,f′2,f′3...,f′499,f′500}步驟4.使用Mallat塔式算法、選取緊支撐雙正交小波db3作為母小波對測風(fēng)站A,B,C,D,E,F濾波后的風(fēng)速數(shù)據(jù)分別進行2層深度的小波包分解，取最后一層的低頻部分。目標(biāo)測風(fēng)站A的小波分解過程如圖2所示，經(jīng)2層分解后：A＝A2+A3+A4。去除高頻跳躍分量，只保留第二層低頻部分A3。同理，可以得到輔助測風(fēng)站B,C,D,E,F小波分解后的低頻部分。則得到下述小波分解后的低頻數(shù)據(jù)：目標(biāo)測風(fēng)站A小波分解后的低頻數(shù)據(jù)A3：{a″1,a″2,a″3...,a″499,a″500}輔助測風(fēng)站B小波分解后的低頻數(shù)據(jù)B3：{b″1,b″2,b″3...,b″499,b″500}輔助測風(fēng)站C小波分解后的低頻數(shù)據(jù)C3：{c″1,c″2,c″3...,c″499,c″500}輔助測風(fēng)站D小波分解后的低頻數(shù)據(jù)D3：{d″1,d″2,d″3...,d″499,d″500}輔助測風(fēng)站E小波分解后的低頻數(shù)據(jù)E3：{e″1,e″2,e″3...,e″499,e″500}輔助測風(fēng)站F小波分解后的低頻數(shù)據(jù)F3：{f″1，f″2,f″3...,f″499,f″500}步驟5.將各輔助測風(fēng)站小波分解后的低頻數(shù)據(jù)(B3,C3,D3,E3,F3)通過動態(tài)時間彎曲距離法分別和目標(biāo)測風(fēng)站小波分解后的低頻數(shù)據(jù)(A3)進行顯著性檢驗，將輔助測風(fēng)站的5組數(shù)據(jù)按組別進行顯著性排序，選出顯著性最大且合適的前3組數(shù)據(jù)及其對應(yīng)的3個輔助測風(fēng)站。如選出的這3個輔助測風(fēng)站分別為輔助測風(fēng)站B、輔助測風(fēng)站C、輔助測風(fēng)站D。步驟6.使用Mallat塔式算法、選取緊支撐雙正交小波db10作為母小波對目標(biāo)測風(fēng)站A小波分解后的低頻數(shù)據(jù)(A3)及選出的3個輔助測風(fēng)站小波分解后的低頻數(shù)據(jù)(B3,C3,D3)進行2層深度的小波包分解，每組風(fēng)速數(shù)據(jù)可以得到4個風(fēng)速子序列，每個子序列包含500個數(shù)據(jù)。A3的小波包分解過程如圖3所示，經(jīng)兩層分解后：A3＝A311+A312+A321+A322。同理，可以得到輔助測風(fēng)站B,C,D,E,F小波包分解后的子序列。步驟7.如圖4所示，以3個輔助測風(fēng)站的共12個子序列為輸入，以目標(biāo)測風(fēng)站的4個子序列為輸出，對PSO優(yōu)化的MLP模型進行訓(xùn)練。比如，經(jīng)過顯著性比較后篩選出的輔助測風(fēng)站有3個，每個輔助測風(fēng)站有一組長500的低頻風(fēng)速數(shù)據(jù)(即每個輔助測風(fēng)站有500個低頻風(fēng)速數(shù)據(jù)樣本)。通過2層小波包對這些長度500的低頻風(fēng)速數(shù)據(jù)進行分解后，每個輔助測風(fēng)站就都有4組風(fēng)速子序列，每個風(fēng)速子序列還是包含500個分解風(fēng)速數(shù)據(jù)。這樣3個輔助測風(fēng)站就有12組、長度均為500的分解風(fēng)速數(shù)據(jù)。本專利所建立的MLP神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元個數(shù)取決于這些被選中的輔助測風(fēng)站經(jīng)過小波包分解后所獲得的風(fēng)速子序列的個數(shù)。比如這個例子，3個輔助測風(fēng)站，每個輔助測風(fēng)站經(jīng)過小波包分解后，就有4組風(fēng)速子序列。那么為了輸入這共計12組的風(fēng)速子序列，MLP神經(jīng)網(wǎng)絡(luò)就需要有12個神經(jīng)元個數(shù)，用于讀取這12組風(fēng)速子序列。換句話說，MLP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)就是經(jīng)過第二次小波包分解后所產(chǎn)生的輔助測風(fēng)站的風(fēng)速子序列。在本專利中，目標(biāo)測風(fēng)站的低頻風(fēng)速數(shù)據(jù)也需要經(jīng)過2層小波包分解，但因為只有1個目標(biāo)測風(fēng)站，因此它永遠只有4組風(fēng)速子序列，他們將作為MLP神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)，對MLP神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)訓(xùn)練。當(dāng)PSO-MLP混合模型完成學(xué)習(xí)訓(xùn)練后，就可以等著利用新的輸入風(fēng)速數(shù)據(jù)獲得等長度的風(fēng)速預(yù)測輸出數(shù)據(jù)。當(dāng)這些被篩選中的3個輔助測風(fēng)站有了新的實測原始風(fēng)速后(比如每個輔助測風(fēng)站新采集了100個樣本風(fēng)速數(shù)據(jù))，就可以經(jīng)過本專利上述的步驟，轉(zhuǎn)化為還是12組、長度變成100的分解風(fēng)速數(shù)據(jù)，他們將同步地輸入到上述建立的、擁有12個輸入神經(jīng)元個數(shù)的MLP神經(jīng)網(wǎng)絡(luò)中，那么MLP神經(jīng)網(wǎng)絡(luò)就能自動輸出4組、長度也為100的風(fēng)速輸出子序列數(shù)據(jù)。把這4組風(fēng)速輸出子序列數(shù)據(jù)相加，就獲得1組、長度為100的風(fēng)速序列數(shù)據(jù)，該序列數(shù)據(jù)即為目標(biāo)測風(fēng)站的預(yù)測風(fēng)速。步驟8.將模型訓(xùn)練好后，將用于驗證的實測B、C、D輔助測風(fēng)站風(fēng)速數(shù)據(jù)：{b501,b502,b503...,b599,b600}，{c501,c502,c503...,c599,c600}，{d501,d502,d503...,d599,d600}依次進行上述交互多模型卡爾曼濾波、小波分解、小波包分解過程，再如圖5所示，將得到的各子序列輸入到訓(xùn)練好的PSO優(yōu)化的MLP模型，預(yù)測目標(biāo)測風(fēng)站A的4個子序列。將預(yù)測的目標(biāo)測風(fēng)站A的4個子序列累加計算得到目標(biāo)測風(fēng)站A的風(fēng)速預(yù)測值將目標(biāo)測風(fēng)站A風(fēng)速預(yù)測值與目標(biāo)測風(fēng)站A風(fēng)速實測數(shù)據(jù){a501,a502,a503...,a599,a600}進行對比，檢驗?zāi)Ｐ偷念A(yù)測效果。利用本發(fā)明所提出的預(yù)測方法實現(xiàn)風(fēng)速預(yù)測的結(jié)果如圖6所示。利用時間序列ARIMA模型實現(xiàn)風(fēng)速預(yù)測的結(jié)果如圖7所示。利用公式(1-3)對圖6和圖7的預(yù)測結(jié)果進行精度計算，結(jié)果見表1和表2。對比表1和表2。平均絕對誤差σ:平均絕對相對誤差τ:均方根誤差δ:上述公式中，n為用于模型檢驗的風(fēng)速數(shù)據(jù)個數(shù)，本實例中取n為100。X(i)為實測風(fēng)速數(shù)據(jù)，為預(yù)測風(fēng)速數(shù)據(jù)。表1：利用本專利所提出預(yù)測方法的預(yù)測精度平均絕對誤差1.2590m/s平均絕對相對誤差7.66％均方根誤差2.0589m/s表2：利用時間序列ARIMA模型的預(yù)測精度平均絕對誤差2.4513m/s平均絕對相對誤差14.51％均方根誤差2.1996m/s從圖6和圖7，并結(jié)合表1和表2來看，本發(fā)明所述的方法，從平均絕對誤差、平均絕對相對誤差以及均方根誤差來看，明顯優(yōu)于現(xiàn)有技術(shù)，表明本發(fā)明所述方法具有較好的應(yīng)用效果。本文中所描述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬
技術(shù)領(lǐng)域：
的技術(shù)人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方式替代，但并不會偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。當(dāng)前第1頁1 2 3