高速铁路沿线大风监测系统风速与风向联合建模研究

摘要

由线路周边大风天气状况导致的铁路运输安全问题是全世界铁路部门高度重视的问题。行驶在路堤和桥梁上的高速列车，自然风的风速、风向是影响其临界车速的关键要素。以往的列车抗风研究往往只针对垂直于线路走向的横风，这样考虑可极大程度上简化风场模拟难度，但也容易造成对风荷载效应的错误估计，导致资源的浪费和错误的预警。因此，非常有必要对风速和风向进行联合建模。本研究基于兰新高铁沿线大风监测系统长期风速和风向监测数据，建立了高速铁路沿线大风风速风向联合统计模型及联合预测模型，以便列车根据大风的风速风向做出及时车速调整，从而完善高速铁路大风监测系统的预警功能，保障大风区高速列车安全运营。主要内容如下:　　(1)对于兰新高铁沿线的大风监测系统采集的风速和风向数据进行必要的数据处理和统计分析，包括平滑处理、短期数据的变化趋势分析、长期数据的直方图分析、自相关性检验和风速风向相关性分析，分析结果发现不同基站的风速和风向数据具有不同的变化趋势；风速分布具有单峰性，而风向分布具有多峰性；不同基站的风速风向相关性大不相同。　　(2)为了深入探究风速和风向之间的耦合关系，基于兰新高铁长期风速风向监测数据，构建了三种风速和风向联合分布模型。首先对比了六种常见的风速分布模型，采用最常用的Weibull分布和拟合程度较优的GEV(Generalized Extreme Value)分布作为风速边缘分布，采用EM(Expectation Maximization)算法求解的有限混合vonMises分布作为风向边缘分布，在风速与风向的边缘分布模型确定后，分别建立了各向异性高斯模型、FGM(Farlie Gumbel Morgenstern)模型和AL(Angular–Linear)模型三种联合分布模型。对比三种模型在四个基站的拟合结果发现：AL模型具有最好的拟合优度，三种模型在风速风向相关性较小的基站具有更好的表现，风速边缘分布模型的选取对联合分布的拟合好坏有一定的影响。　　(3)基于一种深度循环神经网络—长短记忆LSTM(Long Short-Term Memory)模型，运用三种联合预测方法，即独立预测法、分量预测法和多变量预测法，对兰新高铁短期风速风向进行超前一步联合预测。在模型的构建中，首先将原始风速风向数据转化为LSTM模型所能读取的格式，通过控制变量法讨论并确定了最优的时间步长等参数，运用BPTT(Back Propagation Through Time)算法迭代训练得到最终的网络结构，然后使用三种方法中所需的训练好的LSTM网络，对风速风向进行联合预测，在四个基站上的测试数据预测结果发现：三种联合预测方法的风速和风向预测误差均在较小的范围，大部分基站的风速和风向预测误差均在15%以内，三种方法都有一定的可行性；独立预测法和多变量预测法预测效果更好，而多变量预测法稍占优势。　　(4)在多变量超前一步预测基础上开展多变量超前多步预测研究，构建了多变量多步LSTM预测模型。考虑到LSTM输出一维序列特性，将多步多变量的多维输出序列进行转化，使其适应LSTM的输出格式，讨论了时间步长参数对预测误差的影响并据此确定最优的训练时间步长，使用BPTT算法对模型进行训练并确定最终的结构。四个基站的风速风向多步预测结果发现：风速和风向的预测误差随着超前预测的步数增大而增大；除5520基站外，风速预测的误差保持在15%以内，而风向的预测误差保持在20%以内，风速风向的超前多步多变量预测模型具有良好的精度。

目录

声明

第1 章绪论

1.1 研究背景及研究意义

1.2 国内外研究现状与存在的问题

1.2.1风速风向联合统计模型研究现状

1.2.2风速预测模型研究现状

1.2.3现有研究工作存在的问题

1.3 本文主要研究内容及研究路线

第2 章兰新高铁沿线大风监测数据分析

2.1 数据来源

2.2 风速数据分析

2.3 风向数据分析

2.4 风速风向相关性分析

2.5 本章小结

第3 章兰新高铁沿线风速风向统计模型

3.1 风速边缘分布模型

3.2 风向边缘分布模型

3.3 风速风向联合分布模型

3.3.1各向异性高斯模型

3.3.2参数Copula模型(FGM模型)

3.3.3角度-线性模型(AL模型)

3.3.4联合分布模型拟合优度对比

3.4 本章小结

第4 章基于深度神经网络的兰新高铁沿线风速风向联合预测模型

4.1 LSTM 模型及循环神经网络

4.1.1循环神经网络(RNN)

4.1.2沿时间反向传播算法(BPTT)

4.1.3长短记忆神经网络(LSTM)

4.2 LSTM 模型的构建与训练

4.2.1数据的初始化

4.2.2模型参数的设置

4.2.3模型的迭代训练

4.3 风速与风向联合预测方法

4.3.1独立预测

4.3.2分量预测

4.3.3多变量预测

4.4 预测性能评估及误差分析

4.4.1误差指标

4.4.2四个基站预测结果对比分析

4.5 本章小结

第5 章基于深度神经网络的兰新高铁沿线风速风向多变量超前多步预测模型

5.1 超前两步预测

5.1.1数据处理及模型的构建

5.1.2模型预测结果

5.2 超前三步预测

5.2.1数据处理及模型的构建

5.2.2模型预测结果

5.3 超前多步预测性能对比

5.4本章小结

第6 章结论与展望

一、论文成果总结

二、不足和展望

参考文献

致 谢

攻读硕士学位期间发表的论文及参与的科研项目

所参与的科研项目