路學海，潘迪夫，韓錕，李繼松

(中南大學 交通運輸工程學院，湖南 長沙 410075)

基于改進的QPSO-WNN滾動算法的鐵路沿線短期風速預(yù)測

路學海，潘迪夫，韓錕，李繼松

(中南大學 交通運輸工程學院，湖南 長沙 410075)

摘要:為了提高傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對非平穩(wěn)風速的預(yù)測精度，提出將改進的量子粒子群算法(QPSO)和小波神經(jīng)網(wǎng)絡(luò)(WNN)相結(jié)合的滾動預(yù)測算法。將小波神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)值及小波基函數(shù)參數(shù)組成一個多維向量，作為改進量子粒子群算法的粒子進行計算更新，將搜索得到的解空間范圍內(nèi)全局最優(yōu)參數(shù)作為小波神經(jīng)網(wǎng)絡(luò)的初始參數(shù)。針對已經(jīng)訓練好的小波神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差會隨著時間推移而增大的問題，采用每隔1h滾動式訓練的方法訓練小波神經(jīng)網(wǎng)絡(luò)。運用優(yōu)化算法對我國海南東環(huán)鐵路某測風站實測風速進行超前多步預(yù)測。實例結(jié)果表明，相對于傳統(tǒng)小波神經(jīng)網(wǎng)絡(luò)，優(yōu)化算法的風速平均相對誤差和均方根誤差都有所降低，其超前3min、9min、15min的風速預(yù)測平均相對誤差為8.28%、9.93%、11.37%。關(guān)鍵詞：風速預(yù)測；量子粒子群；小波神經(jīng)網(wǎng)絡(luò)

大風是影響鐵路運輸安全性和穩(wěn)定性的主要氣象災(zāi)害之一，其引發(fā)的列車安全事故在日本、中國、比利時、瑞士等國家時有發(fā)生[1]。為了應(yīng)對鐵路沿線強風對列車行車安全所造成的危害，我國在蘭新鐵路建立了監(jiān)測預(yù)警指揮系統(tǒng)[2]。其原理是在鐵路沿線強風區(qū)域設(shè)置測風站，實時采集鐵路沿線風速信息，安裝風速儀和采集單元，實時采集風速、風向數(shù)據(jù)，當數(shù)據(jù)超出閾值時發(fā)出報警，鐵路調(diào)度部門確認報警信息和現(xiàn)場情況后，及時采取應(yīng)對措施，比如減速、停車或躲避等。而如果鐵路調(diào)度部門能夠提前掌握鐵路沿線監(jiān)控區(qū)域的風速短期變化趨勢，調(diào)度人員就可以留出充足的決策時間來確定合理、適度的對策，這對于預(yù)防事故、保證行車安全和效率會起到更好的作用。

實現(xiàn)動態(tài)監(jiān)控指揮的核心是鐵路沿線風速的超前多步短期預(yù)測。鐵路風速預(yù)測研究近年來受到西方鐵路發(fā)達國家的日益重視。U.Hoppmann等[3]提出了一種通過統(tǒng)計沿線歷史風速數(shù)據(jù)以實現(xiàn)外推估計的風速預(yù)測方法。M.Shimamura等[4]也提出了一種基于卡爾曼濾波遞推的風速短期預(yù)測方法。潘迪夫等[5-8]也開展了鐵路沿線風速預(yù)測研究，并提出了基于時間序列分析等理論、卡爾曼濾波理論以及神經(jīng)網(wǎng)絡(luò)等短期風速預(yù)測方法。神經(jīng)網(wǎng)絡(luò)由于其出色的非線性映射能力，建模簡單，已逐漸成為研究非平穩(wěn)信號預(yù)測的經(jīng)典方法[9-11]。但神經(jīng)網(wǎng)絡(luò)模型自身存在諸多問題，如在確定網(wǎng)絡(luò)初始權(quán)值、神經(jīng)元節(jié)點數(shù)、選擇網(wǎng)絡(luò)訓練樣本數(shù)據(jù)格式等方面存在主觀性和盲目性[12]。在此，本文選擇小波神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)算法，利用時間序列建模方法確定網(wǎng)絡(luò)結(jié)構(gòu)，將改進的量子粒子群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的初始參數(shù)。以我國沿海鐵路某測風站實測風速序列為例，提出改進的QPSO-WNN滾動算法，實現(xiàn)對風速的超前多步預(yù)測。

1小波神經(jīng)網(wǎng)絡(luò)

小波神經(jīng)網(wǎng)絡(luò)是小波分析與人工神經(jīng)網(wǎng)絡(luò)結(jié)合的產(chǎn)物，按照其結(jié)構(gòu)形式分為兩大類[13]：松散型網(wǎng)絡(luò)和緊致型網(wǎng)絡(luò)。本文采用小波神經(jīng)網(wǎng)絡(luò)是以BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)為基礎(chǔ)，把小波基函數(shù)作為隱含層節(jié)點的傳遞函數(shù)，小波函數(shù)的伸縮和平移系數(shù)代替常規(guī)網(wǎng)絡(luò)輸入層到隱含層的權(quán)值和閾值。信號前向傳播的同時誤差反向傳播神經(jīng)網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)如圖1所示。

圖1　小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Wavelet neural network structure

圖中，小波神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點個數(shù)為m，隱含層節(jié)點數(shù)為n，輸出層節(jié)點個數(shù)為1。小波神經(jīng)網(wǎng)絡(luò)的輸出為：

(1)

式中：xj為網(wǎng)絡(luò)的第j個輸入；y為網(wǎng)絡(luò)的輸出；wij為輸入節(jié)點j與隱節(jié)點i之間的權(quán)值；wi為隱節(jié)點i與輸出節(jié)點之間的權(quán)值；ψi為小波基函數(shù)，ai和bi分別為第i個隱節(jié)點的伸縮因子和平移因子。

本文采用的小波基函數(shù)為Morlet小波函數(shù)[14]，數(shù)學公式為：

ψ(t)=cos(1.75t)exp(-t2/2)

(2)

小波神經(jīng)網(wǎng)絡(luò)的學習過程主要基于傳統(tǒng)BP算法，采用梯度修正法修正網(wǎng)絡(luò)的權(quán)值和小波基函數(shù)參數(shù)，從而使小波神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出。小波神經(jīng)網(wǎng)絡(luò)參數(shù)修正過程如下：

1)計算網(wǎng)絡(luò)預(yù)測誤差。

(3)

式中：N為樣本總數(shù)；dp為網(wǎng)絡(luò)的期望輸出；yp為網(wǎng)絡(luò)的實際輸出。

2)根據(jù)預(yù)測誤差修正小波神經(jīng)網(wǎng)絡(luò)權(quán)值和小波基函數(shù)系數(shù)。

(4)

(5)

(6)

(7)

(8)

小波神經(jīng)網(wǎng)絡(luò)算法訓練步驟如下：

步驟1：網(wǎng)絡(luò)初始化。隨機初始化小波函數(shù)伸縮因子、平移因子以及網(wǎng)絡(luò)連接權(quán)值，設(shè)置網(wǎng)絡(luò)學習速率。

步驟2：樣本分類。把樣本分為訓練樣本和測試樣本，訓練樣本用于訓練網(wǎng)絡(luò)，測試樣本用于測試網(wǎng)絡(luò)預(yù)測精度。

步驟3：計算預(yù)測輸出。把訓練樣本輸入網(wǎng)絡(luò)，計算網(wǎng)絡(luò)預(yù)測輸出并且計算網(wǎng)絡(luò)輸出與期望輸出的誤差。

步驟4：權(quán)值及參數(shù)修正。根據(jù)誤差修正網(wǎng)絡(luò)權(quán)值和小波函數(shù)參數(shù)，使網(wǎng)絡(luò)預(yù)測值逼近期望值。

步驟5：判斷算法是否結(jié)束，如果沒有結(jié)束，返回步驟3。

2改進的量子粒子群算法

量子粒子群算法(QuantumParticleSwarmOptimization，QPSO)是結(jié)合量子計算方法和粒子群算法的一種新型的粒子群算法。QPSO算法已廣泛應(yīng)用于函數(shù)優(yōu)化、數(shù)據(jù)挖掘、模糊控制學、神經(jīng)網(wǎng)絡(luò)訓練、圖像處理等領(lǐng)域。本文主要介紹李士勇等人提出的量子粒子群算法[15]。量子粒子群算法在迭代后期會導致種群多樣性下降、易陷入局部最優(yōu)、收斂速度變慢和早熟收斂，為進一步提高QPSO算法的性能，在研究不同的QPSO算法參數(shù)對算法性能的影響分析的基礎(chǔ)上，本文提出一種自適應(yīng)參數(shù)調(diào)整量子粒子群算法。改進算法從變異處理、慣性權(quán)重、學習因子三個方面對QPSO算法進行改進。

1)變異處理的改進

將量子粒子群算法中變異處理的量子非門改成Hadamard門來實現(xiàn)粒子位置的變異Hadamard門實現(xiàn)的變異操作過程為：

(9)

2)慣性權(quán)重自適應(yīng)調(diào)整

在應(yīng)用中，對于高適應(yīng)度的粒子應(yīng)重點開發(fā)自身領(lǐng)域，尋找局部最優(yōu)值，加快算法收斂，慣性權(quán)重應(yīng)較?。粚τ诘瓦m應(yīng)度的粒子應(yīng)重點探索其他領(lǐng)域，尋找全局最優(yōu)值，跳出局部最優(yōu)點，避免算法早熟現(xiàn)象，慣性權(quán)重應(yīng)較大。基于這種理念，提出一種慣性權(quán)重根據(jù)粒子當前適應(yīng)度進行自適應(yīng)調(diào)整的方法：

(10)

式中：wmin為設(shè)定的慣性權(quán)重最小值；fit(x)為每個粒子當前的適應(yīng)度，fitw為種群最差粒子的適應(yīng)度，fitb為種群最好粒子的適應(yīng)度。每個粒子當前的慣性權(quán)重通過粒子當前的適應(yīng)度與全局最好適應(yīng)度和最差適應(yīng)度進行比較進行自適應(yīng)調(diào)整，使每個粒子有目標地向著全局最優(yōu)解的方向和位置移動，能夠提高算法全局搜索能力和優(yōu)化效率。

3)學習因子自適應(yīng)調(diào)整

通過分析得出對于高適應(yīng)度的粒子應(yīng)重點開發(fā)自身領(lǐng)域，加速系數(shù)應(yīng)較?。粚τ诘瓦m應(yīng)度的粒子應(yīng)重點探索其他領(lǐng)域，加速系數(shù)應(yīng)較大。同樣基于尋找全局最優(yōu)、提高優(yōu)化效率和讓每個粒子都能有目標地向最好的方向、位置和以更快的速度移動的理念，提出一種自身因子和全局因子根據(jù)當前適應(yīng)度和慣性權(quán)重進行自適應(yīng)調(diào)整方法：

(11)

式中：自身因子η1根據(jù)算法權(quán)重自適應(yīng)調(diào)整，全局因子η2根據(jù)自身因子和當前全局最好粒子適應(yīng)度和最差粒子適應(yīng)度有目標地進行調(diào)整，能夠提高算法全局搜索能力和優(yōu)化效率。

通過QPSO算法參數(shù)對全局搜索能力和優(yōu)化效率的影響分析進行QPSO算法改進：Hadamard門來實現(xiàn)粒子位置的變異保持了種群多樣性；慣性權(quán)重、自身因子和全局因子根據(jù)粒子當前適應(yīng)度進行自適應(yīng)調(diào)整。改進的量子粒子群算法能夠有目標地更快地找到全局最優(yōu)解。

3基于改進QPSO-WNN滾動算法建模

小波神經(jīng)網(wǎng)絡(luò)結(jié)合了小波分析與人工神經(jīng)網(wǎng)絡(luò)兩者的優(yōu)點，其結(jié)構(gòu)簡單，收斂速度快，學習能力強，精度更高，而且小波神經(jīng)網(wǎng)絡(luò)的基元和整個結(jié)構(gòu)是依據(jù)小波分析理論確定的，避免BP神經(jīng)網(wǎng)絡(luò)等結(jié)構(gòu)設(shè)計上的盲目性。本文采用小波神經(jīng)網(wǎng)絡(luò)作為預(yù)測模型。3.1小波神經(jīng)網(wǎng)絡(luò)各層神經(jīng)元數(shù)目的確定

本文所描述的單測風站單維非平穩(wěn)風速信號，建立多輸入單輸出小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。對于輸入層神經(jīng)元個數(shù)，本文引入時間序列模型的方法來確定。

1) 利用Pandit-Wu時序建模方案的自相關(guān)與偏相關(guān)方法，識別風速序列所屬的時序模型類型。

2)利用AIC或者FPE準則對所建立的時間序列模型進行定階，確定模型的最優(yōu)階次，然后計算模型的待估參數(shù)，建立模型的預(yù)測方程。通過方程即可看出風速歷史序列與當前時刻序列的關(guān)系，從而確定小波神經(jīng)網(wǎng)絡(luò)的最優(yōu)輸入層神經(jīng)元數(shù)目。

3)隱含層神經(jīng)元的個數(shù)根據(jù)經(jīng)驗公式來確定。

(12)

(13)

式中：m為輸入層神經(jīng)元數(shù)目；n為輸出層神經(jīng)元數(shù)目；

3.2基于改進量子粒子群算法的小波神經(jīng)網(wǎng)絡(luò)初始參數(shù)優(yōu)化

小波神經(jīng)網(wǎng)絡(luò)初始參數(shù)的隨意給定，導致模型預(yù)測精度的不穩(wěn)定，為了尋找比較好的初始值，本文提出用改進的量子粒子群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的初始參數(shù)，包括網(wǎng)絡(luò)的初始權(quán)值以及小波基函數(shù)的平移因子和伸縮因子，尋找全局最優(yōu)初始參數(shù)，具體步驟如下:

步驟1：粒子編碼及初始化。對于有m個輸入，隱含層神經(jīng)元個數(shù)為n的小波神經(jīng)網(wǎng)絡(luò)，其需要優(yōu)化的參數(shù)包括m*n個輸入層到隱含層的權(quán)值、n個隱含層到輸出層的權(quán)值、n個小波基函數(shù)平移因子和n個小波基函數(shù)伸縮因子。根據(jù)量子位的概率幅隨機產(chǎn)生n個粒子，并設(shè)置參數(shù)初值和變異概率。

步驟2：解空間變換。

(14)

式中：Yi(t)和di(t)分別代表著網(wǎng)絡(luò)實際輸出值和樣本值。

步驟4：算法參數(shù)更新。根據(jù)適應(yīng)度值求出個體最優(yōu)值、全局最優(yōu)值和全局最差值，并根據(jù)式(10)和式(11)更新算法的慣性權(quán)重和學習因子的值。

步驟5：粒子狀態(tài)更新及變異處理。對粒子狀態(tài)進行更新。根據(jù)式(9)進行變異處理。

步驟6：判斷算法是否結(jié)束，結(jié)束則輸出結(jié)果，沒有結(jié)束則返回步驟2。

3.3小波神經(jīng)網(wǎng)絡(luò)滾動算法

已經(jīng)訓練好的小波神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差會隨著時間的推移而增大，這是因為訓練好的神經(jīng)網(wǎng)絡(luò)的權(quán)值和小波基函數(shù)的參數(shù)不再隨時間改變從而造成權(quán)值和閾值不適應(yīng)若干時刻后的風速預(yù)測。為此本文提出小波神經(jīng)網(wǎng)絡(luò)滾動算法，即采用滾動的方式來訓練小波神經(jīng)網(wǎng)絡(luò)。滾動訓練的思想是將歸一化的風速樣本數(shù)據(jù)來訓練小波神經(jīng)網(wǎng)絡(luò)，用來預(yù)測接下來1h時間內(nèi)的風速；然后將原來的風速樣本數(shù)據(jù)加上這1h的風速數(shù)據(jù)組成新的樣本數(shù)據(jù)再訓練小波神經(jīng)網(wǎng)絡(luò)參數(shù)，使得網(wǎng)絡(luò)參數(shù)適用最新的風速變化特性，預(yù)測下1h時間的風速；按照這樣滾動方式每訓練一次網(wǎng)絡(luò)就預(yù)測1h時間的風速，直至預(yù)測完成。 為了提高網(wǎng)絡(luò)訓練速度，將前一次訓練好的小波神經(jīng)網(wǎng)絡(luò)的作為當前訓練神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的初值。具體步驟如圖2所示：

圖2　小波神經(jīng)網(wǎng)絡(luò)滾動算法建模步驟Fig.2 Wavelet neural network scroll algorithm modeling steps

4算例分析

運用本文提出的優(yōu)化算法對我國海南東環(huán)鐵路某測風站實測原始風速序列ν(t)(每3min一個采樣點)進行建模和預(yù)測。原始風速序列3min平均化處理后如圖3所示。取前300個數(shù)進行建模分析，后100個數(shù)據(jù)檢驗?zāi)Ｐ汀?/p>

圖3　V(t)原始風速序列Fig.3 V(t) original Winds sequence

4.1模型結(jié)構(gòu)確定及算法實現(xiàn)

1)對風速序列差分至平穩(wěn)后，通過觀察序列樣本的自相關(guān)系數(shù)(ACF)和偏自相關(guān)系數(shù)(PACF)，序列ν(t)滿足高階自回歸或自回歸滑動平均模型。鑒于本文對風速實時要求，為了降低后續(xù)參數(shù)估計計算量，選擇對序列ν(t)建立高階自回歸模型。利用FPE準則確定上面步驟所定自回歸模型的最優(yōu)階次。然后運用矩估計法計算模型待估參數(shù)。序列ν(t)最優(yōu)擬合模型為AR(5)，參數(shù)估計計算后獲得的模型預(yù)測差分方程為：

Xt=-0.096 2Xt-1+0.026 3Xt-2-0.169 9Xt-3-0.134 0Xt-4-0.207 7Xt-5-1.581 6Xt-6+at

(15)

式中：at為模型殘差。

方程揭示了該段風速中歷史序列與當前時刻序列的關(guān)系。因此可確定網(wǎng)絡(luò)輸入層神經(jīng)元數(shù)目為6，輸出層神經(jīng)元節(jié)點數(shù)為1個。將輸入層和輸出層神經(jīng)元數(shù)目代入到經(jīng)驗公式確定隱含層神經(jīng)元個數(shù)為10個。

2)用改進的量子粒子群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)值以及小波基函數(shù)參數(shù)。設(shè)定種群規(guī)模為50，迭代次數(shù)為50代。將序列ν(t)前300個數(shù)據(jù)分成294組訓練樣本，每步迭代計算的樣本均方誤差和種群總適應(yīng)度如圖4和5所示。

2個曲線變化規(guī)律直接驗證了采用改進的量子粒子群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值和小波基函數(shù)參數(shù)是可行的,相對于神經(jīng)網(wǎng)絡(luò)算法原來的隨機分配初始權(quán)值,量子粒子群算法的優(yōu)化性能顯而易見。

圖4　改進QPSO算法標準誤差變化曲線Fig.4 Standard deviation curve of improved QPSO algorithm

圖5　改進QPSO算法適應(yīng)度值變化曲線Fig.5 Fitness value curve of improved QPSO algorithm

將以上改進的量子粒子群算法搜索到的最優(yōu)參數(shù)作為小波神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)值和小波基函數(shù)的初始參數(shù)。把ν(t)序列前300個風速數(shù)據(jù)樣本的數(shù)據(jù)格式分為294組神經(jīng)網(wǎng)絡(luò)訓練樣本,網(wǎng)絡(luò)輸入層節(jié)點數(shù)為6，隱含層節(jié)點數(shù)為10，輸出層節(jié)點數(shù)為1，迭代次數(shù)為500次，學習速率為0.01，進行歸一化處計算后對小波神經(jīng)網(wǎng)絡(luò)進行訓練。訓練完成后用后100個數(shù)據(jù)進行模型驗證。

4.2預(yù)測結(jié)果分析

1)風速預(yù)測仿真與分析

本文基于WNN模型、改進QPSO-WNN模型、改進QPSO-WNN滾動模型分別對風速序列ν(t)進行預(yù)測。得到超前1步，3步和5步預(yù)測結(jié)果如圖6，7和8所示。

圖6　序列ν(t)超前1步預(yù)測結(jié)果Fig.6 Sequenceν(t) 1-step ahead prediction

圖7　序列ν(t)超前3步預(yù)測結(jié)果Fig.7 Sequenceν(t) 3-step ahead prediction

圖8　序列ν(t)超前5步預(yù)測結(jié)果Fig.8 Sequenceν(t) 5-step ahead prediction

由圖9～11 可知：隨著模型超前預(yù)測步數(shù)的增大，改進的QPSO-WNN算法相比傳統(tǒng)的WNN算法在風速預(yù)測精度上有了較為明顯的提高，而改進的QPSO-WNN滾動算法相比不滾動算法在預(yù)測精度上也有一定的提升。

2)預(yù)測模型評價標準

評價預(yù)測結(jié)果時，本文采用傳統(tǒng)的統(tǒng)計學指標平均絕對百分誤差(MAPE)和均方根誤差(RMSE)來分析預(yù)測結(jié)果，計算公式如下：

(16)

(17)

3種模型超前1步，3步和5步預(yù)測精度評價結(jié)果如表1-3所示。

表1　超前1步預(yù)測結(jié)果分析表

表2　超前3步預(yù)測結(jié)果分析表

表3　超前5步預(yù)測結(jié)果分析表

由表1～3可知：改進的QPSO-WNN算法相對傳統(tǒng)WNN算法超前1步，3步和5步預(yù)測的平均相對誤差和均方根誤差都有了明顯的降低，而改進QPSO-WNN滾動算法的預(yù)測精度也有一定的提高，其超前1步，3步和5步的風速預(yù)測平均相對誤差為8.28%，9.93%和11.37%。

5結(jié)論

1)本文提出將改進的量子粒子群算法和小波神經(jīng)網(wǎng)絡(luò)相結(jié)合的滾動預(yù)測算法用于鐵路沿線風速預(yù)測。利用時間序列建模方法確定網(wǎng)絡(luò)輸入層的神經(jīng)元節(jié)點數(shù)，從而克服了神經(jīng)網(wǎng)絡(luò)參數(shù)確定難度大的缺點。利用改進的量子粒子群算法在解空間范圍內(nèi)搜索小波神經(jīng)網(wǎng)絡(luò)最優(yōu)初值參數(shù)，實現(xiàn)了小波神經(jīng)網(wǎng)絡(luò)參數(shù)全局最優(yōu)化。同時本文采用每隔1h滾動式訓練的方法訓練小波神經(jīng)網(wǎng)絡(luò)，有效解決了小波神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差隨著時間推移而增大的問題。

2)將本文提出的改進QPSO-WNN滾動算法應(yīng)用于鐵路沿線風速預(yù)測中，仿真實驗結(jié)果表明相比傳統(tǒng)的WNN算法，本方法具有更高的預(yù)測精度，預(yù)測的平均相對誤差以及均方根誤差都有明顯的降低，其超前1步、3步和5步的平均相對誤差為8.28%，9.93%和11.37%，具有一定的工程應(yīng)用價值。

參考文獻：

[1]ChristopherJBaker，MarkSterling.Aerodynamicforcesonmultipleunittrainsincrosswinds[J].JournalofFluidsEngineering，2009(131):101-103.

[2] 薛潔.新疆鐵路大風監(jiān)測系統(tǒng)[J].新疆氣象，2002，25(5) :32-34.

XUEJie.RailwaygalemonitoringsysteminXinjiang[J].BimonthlyofXinjiangMeteorology，2002，25(5):32-34.

[3]HppmannU，KoenigS，TielkesT，etal.Ashort-termstrongwindpredictionmodelforrailwayapplication:designandverification[J]．JournalofWindEngineeringandIndustrialAerodynamics，2002，90(10): 1127-1134．

[4]ShimamuraM．Studyonstrongwindpredictingtechniqueforsafetymanagementoftrainoperation[J]．JapaneseRailwayEngineering，1995，134 (9): 15-18．

[5] 潘迪夫，劉輝，李燕飛，等.青藏鐵路格拉段沿線風速短時預(yù)測方法[J]. 中國鐵道科學，2009， 29(5): 129-133.

PANDifu，LIUHui，LIYanfei,etal.Ashort-termforecastmethodforwindspeedalongGolmud-LhasasectionofQinghai-Tibetrailway[J].ChinaRailwayScience，2009，29(5): 129-133.

[6] 劉輝，潘迪夫，李燕飛.基于列車運行安全的青藏鐵路大風預(yù)測優(yōu)化模型與算法[J]. 武漢理工大學學報: 交通科學與工程版，2008， 32(6): 986-989.

LIUHui，PANDifu，LIYanfei.Qinghai-Tibetrailwaygaleforecastingoptimizationmodelandalgorithmbasedontrainrunningsafety[J].JournalofWuhanUniversityofTechnology(TransportationScience&Engineering) ，2008， 32(6): 986-989.

[7] 劉輝，田紅旗，ChenChao,等.基于小波分析法與神經(jīng)網(wǎng)絡(luò)法的非平穩(wěn)風速信號短期預(yù)測優(yōu)化算法[J].中南大學學報：自然科學版，2011，42(9)：2704-2711.

LIUHui，TIANHongqi，CHENChao，etal.Short-termforecastingoptimizationalgorithmforunsteadywindspeedsignalbasedonwaveletanalysismethodandneutralnetworksmethod[J].JournalofCentralSouthUniversity(ScienceandTechnology), 2011，42(9)：2704-2711.

[8]LiuHui，TianHongqi，LiYanfei.Short-termforecastingoptimizationalgorithmsforwindspeedalongQinghai-Tibetrailwaybasedondifferentintelligentmodelingtheories[J].JournalofCentralSouthUniversityofTechnology(EnglishEdition). 2009,16(4):690-696.

[9] 胡衛(wèi)東，曹文貴.基于粒子群BP網(wǎng)絡(luò)混合算法的邊坡穩(wěn)定性評價[J].鐵道科學與工程學報，2015，12(1)：66-71.

HUWeidong，CAOWengui.SlopestabilityevaluationbasedonhybridalgorithmofparticleswarmoptimizationandBPneuralnetwork[J].JournalofRailwayScienceEngineering，2015，12(1)：66-71.

[10] 吳華穩(wěn)，甄津，王宇，等.基于徑向基神經(jīng)網(wǎng)絡(luò)鐵路貨運量預(yù)測研究[J].鐵道科學與工程學報，2014，11(4)：109-114.

WUHuawen，ZHENJin，WANGYu，etal.RailwaypassengerandfreightpredictionbasedonRBFneuralnetworktheory[J].JournalofRailwayScienceEngineering，2014，11(4)：109-114.

[11] 吳偉，符卓，王曉.運輸通道客運量預(yù)測方法[J].鐵道科學與工程學報，2012，9(5)：96-102.

WUWei，F(xiàn)UZhuo，WANGXiao.Passengervolumeforecastmethodfortransportcorridor[J].JournalofRailwayScienceEngineering，2012，9(5)：96-102.

[12]MohammadM，HasanR，HosseinK.Anewstrategyforwindspeedforecastingusingartificialintelligentmethods[J].RenewableEnergy，2009，34(3): 845-848.

[13] 楊超，王志偉. 經(jīng)GA優(yōu)化的WNN在交通流預(yù)測中的應(yīng)用[J]. 計算機工程，2011，37(14): 149-151.

YANGChao，WANGZhiwei.Applicationofwaveletneuralnetworkoptimizedbygeneticalgorithmintrafficvolumeprediction[J].ComputerEngineering，2011，37(14): 149-151.

[14] 李國良，李忠福，謝洪濤，等.基于IGA-BP算法的小波神經(jīng)網(wǎng)絡(luò)模型及應(yīng)用[J].系統(tǒng)工程，2012，30(10):112-117.

LIGuoliang,LIZhongfu，XIEHongtao,etal.ModelandapplicationofwaveletneuralnetworkbasedonIGA-BP[J].SystemsEngineering，2012，30(10):112-117.

[15] 李士勇，李盼池.求解連續(xù)空間優(yōu)化問題的量子粒子群算法[J].量子電子學報，2007，24(5)：569-574.

LIShiyong，LIPanchi.Quantumparticleswarmsalgorithmforcontinuousspaceoptimization[J].ChineseJournalofQuantumElectronics，2007，24(5)：569-574.

Railway short-term wind speed prediction based onimproved QPSO-WNN rolling algorithm

LU Xuehai, PAN Difu, HAN Kun, LI Jisong

(SchoolofTrafficandTransportationEngineering,CentralSouthUniversity,Changsha410075,China)

Abstract:This paper combined Improved Quantum Particle Swarm Optimization(QPSO) with Wavelet Neural Network (WNN) to improve the prediction accuracy of Traditional Neural Networks for non-steady wind. A multi-dimensional vector consisting of WNN initial connection weights and wavelet function parameters served as variables of Improved Quantum Particle Swarm Algorithm to update calculation. The global optimal parameters were obtained and used in initial parameters of Wavelet Neural Network. A problem that the forecast error of trained Wavelet Neural Network would increase by time was solved using rolling training method to Wavelet Neural Network every one hour. This optimized algorithm was tested in one of the wind stations in Hainan East Central Railway to multi-step forecast wind speed. The results show that average relative error and root mean square error of average wind speed are reduced. Ahead of 3min, 9min, 15min of the wind speed, the relative error of average wind speed is 8.28%, 9.93%, 11.37% respectively.

Key words:wind speed prediction; quantum particle swarm optimization; wavelet neural network

收稿日期：2015-11-02

基金項目：國家自然科學基金資助項目(U1334205)

通訊作者：潘迪夫(1957-)，男，廣東興寧人，教授，從事機車車輛控制與智能測控技術(shù)的研究；E-mail:difipan@csu.edu.cn

中圖分類號：U298.12

文獻標志碼：A

文章編號：1672-7029(2016)05-0978-07