基于CEEMDAN-WOA-SVR的高铁沿线超短期风速预测方法_H.docxVIP

第44卷，第6期20

第44卷，第6期2023年11月

Vol.44No.6November，2023

CHINARAILWAYSCIENCE

文章编号2023引用格式：王瑞，马祯，李磊.基于CEEMDANWOASVR的高铁沿线超短期风速预测方法［J］.中国铁道科学，2023，44（6）：8086.

Citation：WANGRui，MAZhen，LILei.PredictionMethodofUltraShortTermWindSpeedalongHighSpeedRailwayBasedonCEEMDANWOASVR［J］.ChinaRailwayScience，2023，44（6）：8086.

基于CEEMDAN-WOA-SVR的高铁沿线超短期风速预测方法

王瑞1，马祯1，李磊2

（1.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；

2.浙江师范大学浙江省城市轨道交通智能运维技术与装备重点实验室，浙江金华321004）

摘要：为提升高铁沿线风速预测精度以增强铁路对强风监测预警能力，提出基于自适应噪声完备经验模态分解和鲸鱼算法优化支持向量回归（CEEMDAN-WOA-SVR）的铁路沿线风速预测方法。首先，考虑风速具有非平稳性特点和非线性趋势，基于自适应噪声完备经验模态（CEEMDAN）对风速信号进行分解，提取不同频率模态分量；其次，采用鲸鱼优化算法（WOA）优化支持向量回归（SVR）模型的惩罚因子和核参数，并构建风速预测模型；最后，以我国典型高铁沿线某测风点实测风速为例开展预测，验证风速预测方法的有效性。结果表明：所提方法对高铁沿线3min风速预测精度较4个基准模型提升了25%，验证了它的准确性；针对5min平均风速的预测精度提升了20%，说明它还具有较好的泛化性。该方法是对高铁沿线风速预测的有效探索，可为高铁沿线风速监测预警提供借鉴。

关键词：高铁；风速预测；自适应噪声完全集合经验模态分解；鲸鱼优化算法；支持向量回归

中图分类号：U216.413文献标识码：Adoi：10.3969/j.issn.2023.06.08

高铁运营安全受多方面因素影响，其中沿线灾害天气（强风、暴雨、积雪等）会对高铁运营产生不利影响，其中强风是影响相对严重的天气之一，易造成列车脱轨。为防止强风给列车运营安全带来的危害，国内外研究机构研发铁路强风监测预警系统以提升灾害预测预警的能力［1-2］。最近，国家铁路局将风险预测预警与防控作为“十四五”铁路科技创新目标［3］，围绕铁路强风监测预警和监控，提升铁路沿线风速预测精度是关键问题之一，该问题对于满足未来列车智能驾驶需求具有重要意义。

目前，国内外研究人员针对铁路沿线风速展开积极探索，提出了一些风速预测方法。Hoppmann［4］提出了一种以收集沿线历史风速数据实现外推估计的风速预测方法。潘迪夫等［5］采用时间序列法实现沿线风速的短时预测。王瑞等［6］运用基于径向

基函数（RadialBasisFunction，RBF）神经网络的铁路短时风速预测方法对短时风速进行预测。杨溪源等［7］在铁路短期风速预测研究中，选择使用1种自适应混合差分进化相关的向量机（Self-Adap?tiveHybridDifferentialEvolution-RelevanceVectorMachine，SAHDE-RVM）。路学海等［8］提出将改进的量子粒子群算法（QuantumParticleSwarmOptimization，QPSO）和小波神经网络（WaveletNeuralNetwork，WNN）相结合的滚动预测算法预测铁路风速。刘辉等［9］采用小波神经网络法预测铁路短期风速。李隆等［10］提出将长短记忆神经网络（LongShort-TermMemory，LSTM）运用于大风预测模型的建立。金曈宇等［11］提出1种基于长短期记忆神经网络（LSTM）和自适应噪声集合经验模态分解（CompleteEnsembleEmpiricalMode

收稿日期修