铁路沿线近地风场点域映射空间预测方法
技术领域
[0001] 本
发明涉及轨道交通安全技术领域，具体地，涉及一种铁路沿线近地风场点域映射空间预测方法。
背景技术
[0002] 我国国土幅员辽阔，新疆、西藏等西部省份
风力资源丰富。该气象特征为发展风力发电等
可再生能源提高了绝好的自然条件，但恶劣风是导致列车事故的主要气象灾害之一，轻则路网中断，重则车毁人亡，社会影响极大。
[0003] 为保证列车安全运行，需在铁路沿线建立风场观测站，以便评估列车安全运行的风速条件。铁路沿线大风区段长达数百公里，线路走向曲折，沿线环境复杂多变，测风点合理
位置的选择是铁路大风监测面临的难题。且有限个测风点无法全面反映铁路沿线风场情况。
[0004] 因此，迫切需要预测列车运行铁路沿线的风速，以便于铁路的安全运行。
[0005] 然而，我国铁路调度部
门还无法获得铁路空间风速预测值，只能将列车运行区段前方或者后方的实测风速作为调度预警
信号,由于缺少铁路沿线风速高
精度预测方法，区域前后两个测风点无法反映该区段内其他位置处风速情况，一旦出现大风，后果不堪设想。
[0006] 因此需建立由有限个离散测风点风参数表征的铁路沿线风场分布模型，实现由一点风速监测预测一域的连续风速分布。
发明内容
[0007] 本发明的目的是提供一种铁路沿线近地风场点域映射空间预测方法，该方法解决了行驶中列车车辆所在铁路沿线的近地风速安全性监测和预测，实现由点到域的风速实时监测和预测的问题，进而解决了提升空间监测和空间预测的精确度，以保障列车行驶路线上的安全的问题。
[0008] 为实现上述发明目的，本发明的一种铁路沿线近地风场点域映射空间预测方法，包括：
[0009] 步骤S1.依据待预测的铁路沿线地形
地貌，建立近地风场的三维模型；
[0010] 步骤S2.依据建立的近地风场的三维模型，在所述近地风场的三维模型中确定测风仪的安装位置，在测风仪安装位置约束下，以最不利风
加速因数和最大
湍流强度为参考条件，确定所述参考条件下测风点的布置方案；
[0011] 步骤S3，依据待预测的铁路沿线，建立其大风风速数值模拟模型，根据所述大风风速数值模拟模型，提出所述测风点处风速与近地风场的三维模型中任一点风速的映射关系式，进而获得拟预测风速序列；
[0012] 步骤S4，依据拟预测风速序列，结合基于经验模式分解和自适应神经模糊推理的混合
算法，实现待预测的铁路沿线中风速的预测。
[0013] 作为本发明的进一步改进，步骤S1中，近地风场的三维模型为三维高
分辨率模型，所述三维高分辨率模型的分辨率范围为：1m-4m。
[0014] 作为本发明的进一步改进，步骤S1中，所述三维模型包括如下模拟信息：路堤信息、
桥梁信息、隧道信息、挡风墙信息。
[0015] 作为本发明的进一步改进，所述步骤S3中，大风风速数值模拟模型基于嵌套网格技术，所述大风风速数值模拟模型包括铁路沿线周围精细计算区域和铁路沿线之外的大环境计算区域，所述精细计算区域内包括列车模型。
[0016] 作为本发明的进一步改进，所述铁路沿线周围精细计算区域长600m，宽300m，高80m；所述列车模型中，列车表面第一层网格为0.001m。
[0017] 作为本发明的进一步改进，所述大环境计算区域的长、宽和高度均大于5km，所述大环境计算区域高度方向上采用不高于20m的网格间距离散。
[0018] 作为本发明的进一步改进，所述步骤S3中，通过如下方式建立所述测风点处风速与近地风场的三维模型中任一点风速的映射关系式：
[0019] 步骤S31.通过对近地风场的三维模型中的地表边界不同位置设定不同粗糙度数值，模拟线路周围真实地貌环境；
[0020] 步骤S32.在大风风速数值模拟模型的速度入口处，设定不同风向的风速，得到不同风向下测风点与铁路的定向风流之间的映射
数据库，从而提出测风点处风速与近地风场的三维模型中任一点风速的映射关系式。
[0021] 作为本发明的进一步改进，步骤S3中所述映射关系式如下所示：
[0022] ，
[0023] 其中，w为三维模型中任一点风速，所述 为测风点风速， 为该点风向
角， 和分别为与路况和地表粗糙度相关的系数， 为风向与坡面法向的夹角， 为测风点海拔高度。
[0024] 与
现有技术相比，本发明的铁路沿线近地风场点域映射空间预测方法可实现对铁路沿线中一点风速监测预测一域的连续风速分布，实现了风速空间上的实时监测和预测，进一步，获得更准确、精确的监测、预测结果，从而克服现有技术中仅依靠列车前后实时风速的监测预警技术来指导列车运行的不足，大大提高了列车在大风环境下行车的安全系数，保障了乘客的生命和财产安全。
附图说明
[0025] 图1是铁路沿线近地风场点域映射空间预测方法的一具体实施方式的方法流程示意图；
[0026] 图2是利用基于经验模式分解和自适应神经模糊推理的混合算法实现风速预测的流程示意图；
[0027] 图3是自适应神经模糊推理法建模中一实施方式的Takagi-Sugeno模型的结构示意图。
具体实施方式
[0028] 为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
[0029] 如图1所示，本发明公开一种铁路沿线近地风场点域映射空间预测方法。
[0030] 在步骤S1，依据待预测的铁路沿线地形地貌，建立近地风场的三维模型；
[0031] 具体地，近地风场的三维模型可以是三维高分辨率模型，所述三维高分辨率模型的分辨率范围为：1m-4m，优选为1m。其中，所述三维高分辨率模型包括如下模拟信息：路堤信息、桥梁信息、隧道信息、挡风墙信息。
[0032] 在步骤S2，依据建立的近地风场的三维模型，在所述近地风场的三维模型中预先设置测风仪的安装位置，在测风仪安装位置约束下，以最不利风加速因数和最大湍流强度为参考条件，确定参考条件下测风点的布置方式。
[0033] 在一个实施方式中，根据测风仪的安装位置的预设，确定测风点的布置方式可以是：首先，结合实际待预测的铁路沿线地形地貌条件，采用常见危及行车安全的大风风速及风向角，通过将全线划分成多个计算区段的形式；沿高铁线路密集布置测风仪的安装位置，模拟预测的铁路沿线近地风场特性，得到各测风仪的最不利风加速因数数值；通过对相应的最不利风加速因数数值的分析，验证预设监测点位置的合理性，实现监测点位置的优化。
[0034] 具体地，所述风加速因数为铁路线路上安装的测风点所测风速与远方来流风速的比值，即风加速因数= 测点风速/远方来流风速。从而，最不利风加速因数为风加速因数在垂直于线路方向上的分量，即垂直于列车运行方向上的风速分量，该值的大小与恶劣风环境下列车倾覆有直接的关系。通过密集布置大风监测点的方式，得到铁路沿线各监测点最不利风加速因数数值，通过对比分析得到最不利风加速因数的排序，在最不利风加速因数较大的位置处布置大风监测点。
[0035] 最大湍流强度处指风速风向变化快，变化复杂的位置。根据研究和试验表明，在此处安装测风仪后，由于风速仪测试的跟随性问题，其能否精确捕捉到快速变化的风速风向值得怀疑，即测试数据的可靠性不高。通过数值模拟找出最大湍流强度处，大风监测点应该尽量避免选择该位置。
[0036] 以作为参考条件的最不利风加速因数和较小的湍流强度位置为选择目标，选择待预测的铁路沿线的测风点的分布位置，并优化相应的测风仪。
[0037] 在步骤S3，依据待预测的铁路沿线，建立其大风风速数值模拟模型，根据所述大风风速数值模拟模型，得出所述测风点处风速与近地风场的三维模型中任一点风速的映射关系式，进而获得拟预测风速序列。
[0038] 具体地，大风风速数值模拟模型基于嵌套网格技术，所述大风风速数值模拟模型包括铁路沿线周围精细计算区域和铁路沿线之外的大环境计算区域，所述精细计算区域内包括列车模型。
[0039] 在一个例子中，所述铁路沿线周围精细计算区域长600m，宽300m，高80m；所述列车模型中，列车表面第一层网格为0.001m。所述大环境计算区域的长、宽和高度均大于5km，所述大环境计算区域高度方向上采用不高于20m的网格间距离散。
[0040] 根据大风风速数值模拟模型的边界位置给定平均风速值，通过数值模拟得到整个区域内大风风场特性，并存为数据文件。从而，只要在该模型区域内设置任意设置一个监测点，即可输出该监测点与边界风速的关系。
[0041] 进一步地，所述步骤S3中，通过如下方式建立所述测风点处风速与近地风场的三维模型中任一点风速的映射关系式：
[0042] 步骤S31.通过对近地风场的三维模型中的地表边界不同位置设定不同粗糙度数值，模拟铁路沿线的线路周围真实地貌环境；
[0043] 步骤S32.在大风风速数值模拟模型的速度入口处，设定不同风向的风速，得到不同风向下测风点与铁路的定向风流之间的映射数据库，从而得到测风点处风速与近地风场的三维模型中任一点风速的映射关系式。
[0044] 例如，步骤S3中所述映射关系式如下所示：
[0045] ，
[0046] 其中，w为三维模型中任一点风速，所述 为测风点风速， 为该点风向角， 和分别为与路况和地表粗糙度相关的系数， 为风向与坡面法向的夹角， 为测风点海拔高度。
[0047] 在步骤S4，依据拟预测风速序列计算出所述近地风场的三维模型中待测铁路沿线中的风速预测。
[0048] 在确定的映射关系下，依据拟预测风速序列，结合基于经验模式分解和自适应神经模糊推理的混合算法，实现待预测的铁路沿线中任一点风速的预测。
[0049] 如图2所示，首先进行经验模式分解计算，再利用自适应神经模糊推理法建模。其中，首先，选择经验模式分解法对拟预测风速序列进行多层分解与重构计算，目的是将原始非平稳风速序列转化为多层较平稳风速序列，以减低后期分解层上所建
预测模型的拟合难度；其次，利用自适应神经模糊推理法对各模式分解层分别建立合适的预测模型。并利用所建的智能模型各分解层风速序列进行超前多步预测计算；最后，对各层风速预测值进行加权计算，获取原始序列超前多步预测值。
[0050] 下面举一个根据拟预测风速序列，进行经验模式分解计算和神经模糊推理法做分解和预测的例子。但此处仅为举例，本
申请的分解和预测不应理解为限于此例子。
[0051] 1.经验模式分解计算。
[0052] 确定拟预测风速序列 的所有局部极值点，然后用三次样条分别将所有的局部极大点、局部极小点连接起来形成上、下包络线，上、下包络线应该包络所有原始信号的数据。
[0053] 计算上、下包络线的平均值 ，然后按照如下式（1）求出信号残差序列 。
[0054] (1)；
[0055] 其中，t为风速时间序列个数；L为风速时间序列的总长度。
[0056] 重复以上操作，直到该残差序列满足如下条件：
[0057] ①在整个数据段内，极值点的个数和零交叉点的个数必须相等或最多相差一个；
[0058] ②对于任何一点，某局部极大值点形成的包络线和局部极小值点形成的包络线的平均值几乎为零。如果某残差序列满足上述条件，则将其记为第一个模式分解量序列 ，然后将原始信号扣除序列 后当做新非平稳序列继续重复上述分解环节，直到逐步分解出 ， ， ， ， 等后续序列，经过n次循环后剩下的最终残差序列记为 。在实际运用时，当残差序列已经无法收敛时，按照式如下式（2）确定终止循环条件。
[0059]
[0060] 式（2）中，SD称为分解收敛系数，可取SD=0.2~0.5，本实施方式中取值为0.2；j为经验模式分解的循环
迭代次数。
[0061] 经过经验模式分解，原始风速信号就等于各分解层序列之和，即：
[0062]
[0063] 式（3）中， 为原始风速时间序列； 为各个分解层；n为分解层数目； 为原始风速时间序列经过分解后剩下的残差序列。
[0064] 运用上述的经验模式分解法对拟预测风速序列进行分解计算，最终获得各分解层风速子序列。
[0065] 2.自适应神经模糊推理法建模。
[0066] 如图3所示，以一个两输入和单输出的Takagi-Sugeno模型为例简述自适应神经模糊推理法主要建模步骤。建模时，采用下述规则：
[0067] 规则1：if x is A1 and y is B1, then f1 = p1x + q1y + r1;
[0068] 规则2：if x is A2 and y is B2, then f2 = p2x + q2y + r2。
[0069] 图3中
节点间的连线表示信息流的方向。方形节点和圆形节点反映了不同的自适应能力。其中，方形节点具有参数调整能力，属于自适应点；圆形节点没有参数调整能力，属于固定点。
[0070] 对该自适应神经模糊推理法建模中的各层进一步说明如下：
[0071] 第1层：模糊化层，主要功能是利用隶属度函数将输入输入变量转
化成对应的隶属度，见式（4）。
[0072] (4)
[0073] 第2层：激励强度层，对输入节点实现模糊集合AND操作以输出对应规则的激励值，见式（5）。
[0074] (5)
[0075] 第3层：归一化层，对所有规则的激励值进行归一化计算，见式（6）。
[0076] (6)
[0077] 第4层：输出计算层，计算模糊规则的输出结果，见式（7）。该层的每一个结点都是一个有结点函数的自适应结点。
[0078] (7)
[0079] 第5层：加权计算层，将输入向量加权平均值作为输出结果，见式（8）。
[0080] (8)
[0081] 本实施方式中，选择双边高斯作为隶属度函数，网络的最大训练步数为50，模型训练目标
最小均方误差取0.001。
[0082] 综上所述，本发明的铁路沿线近地风场点域映射空间预测方法可实现对铁路沿线中一点风速监测预测一域的连续风速分布，从而克服现有技术中仅依靠列车前后实时风速来指导列车运行的不足，大大提高了列车在大风环境下行车的安全系数，保障了乘客的生命和财产安全。
[0083] 应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何
修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附
权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
