曾海凌
成都凌渡科技有限责任公司 四川成都 610015
摘要：为了系统研究高铁沿线大风风动特征及风速智能预测模型，以兰新客专沿线某一代表性监测点的部分大风数据为基础，利用HHT变换研究兰新客专沿线大风风动特性，发现大风能量在频域上分布在0 Hz–20 Hz内，在时域上主要集中在0 s-100 s。随后，提出了基于LSTM算法大风风速预测模型，该模型预测模型在的预测结果与实际结果拟合度高，预测结果精确，能够实现大风环境下高速列车的提前紧急处置，进而保障高速列车的运行安全。
关键字：高速铁路，现场测试，风动特征，风速智能预测模型
1 引言
随着我国铁路行业发展迅速，高速铁路里程的不断增长，出现多条处于强风地区的高铁线路。当高速列车经过强风地区时，风力作用会导致列车表面气压改变，造成列车空气动力学性能恶化，极易发生脱轨和倾覆事故[1-3]，因此，有必要针对高铁沿线的大风风动特征及风速智能预测开展研究，确保高速列车的安全运行。
目前，国内外学者大多利用模型试验、数值模拟等方法对强风影响列车安全的机理进行研究。例如，Chris Baker等[4]使用缩尺模型和风洞实验以及计算流体力学方法计算了列车在侧风作用时的气动力和力矩，提出适用于列车和动力学模型的风险预测方法。Dirk Thomas 等[5]建立多体动力学模型，采用准瞬态阵风模拟来模拟列车在大风下的运行稳定性。田红旗等[6]通过空气动力学的数值计算、风洞试验、动模型试验和实车实验，论述了不同列车的气动性能和影响因素。崔涛等[7]从流固耦合振动出发研究了列车在考虑列车运行姿态对于侧风下列车运行稳定性的影响。综上所述，现有研究成果虽提出了一些减小大风危害的措施，但是针对高铁沿线非平稳风速信号的预测研究还相对较少，亟需开展进一步研究。
基于此，本文选取兰新客专沿线某一代表性监测点的部分大风数据，利用HHT变换、LSTM算法等分析手段，研究兰新客专沿线大风风动特性，提出了基于LSTM算法大风风速预测模型，以期为高速铁路防灾减灾措施提供参考。
2 工程概况
作为连接甘肃省兰州市与新疆维吾尔自治区乌鲁木齐市的高速铁路，兰新客专是我国《中长期铁路网规划》的重点项目，也是亚欧大陆桥铁路通道的重要组成部分。兰新客专途经4大风区。其中，“百里风区”、“三十里风区”的风力最为强劲，部分区段最大时速达60米/秒，相当于十七级风。为此，兰新客专沿线布设120个风基站，每个基站有多个监测点，一个监测点至少有两个数据源，采样频率为1s。由于兰新高铁前期实测有大量监测数据，课题组通过搭建3个节点的分布式集群，建立兰新客专沿线风雨雪数据的大数据分析平台，并基于此平台选取多条实测风速数据，利用HHT变换分析风动特征，随后利用LSTM算法建立风速智能预测模型。
3 基于HHT变换的大风风动特征分析
HHT变换是由Norden E. Huang于1998年提出的用于处理非平稳非线性信号的分析方法，主要可分为经验模态分解（以下简称EMD）和Hilbert变换两步。应用EMD方法可将大风数据分解为多个IMF的组合，进一步利用Hilbert变换得到每个IMF分量的瞬时频谱，综合所有IMF分量的瞬时频谱就可得到大风数据在时频域上分布特征。原始大风的Hilbert谱可用式（1）表示：
.png)
选取取兰新客专沿线某一代表性监测点某日的部分大风数据进行EMD处理，得到的9阶IMF分量如图1所示。
.png)
.png)
图1 EMD分解结果
综合分析图1可知，EMD算法可以较好地对大风数据进行分解，分解后可得到趋势信号和细节信号，趋势信号主要体现风速的变化趋势，而细节信号则体现风速的波动性。为分析大风能量在时频域上的分布特征，对去噪后的大风时程进行Hilbert变换得到Hilbert谱，并以二维光谱图的形式进行绘制，如图2所示。
.png)
图2 Hilbert谱
综合分析图2可知，HHT方法可以清楚的描述大风能量能量在时频域上的传播特征。大风能量在频域上分布在0 Hz–20 Hz内，在时域上主要集中在0 s-100 s，其中主要能量分布在5 Hz左右，时间约为100s、400s和800s。对比大风能量与风速之间的关系，可以发现大风能量与风速之间近似存在正比关系，随着风速的增大，大风能量逐渐增大。
4 基于LSTM算法的大风风速智能预测模型
基于LSTM算法的大风风速智能预测模型的基本思想是：通过对原始风速序列进行EMD分解后可以得到多个本征模函数和一个剩余信息，然后利用LSTM算法对每个分解后的信息进行预测，8000 s风速预测见图3。
.png)
图3 风速预测
由图3可以看出，利用以上方法预测模型进行风速提前一步预测时，都能预测出风速的整体变化趋势。在图3中，利用LSTM进行预测时，预测模型在的预测结果与实际结果拟合度更高，预测结果更加精确。仅在局部区域预测值曲线相对于实际值曲线整体偏右，预测出现延时的现象。并且在风速突然变大后的一段时间内，预测值较实际值偏小，预测存在较大的误差。出现该现象的原因可能是：在进行模型训练时，用于训练的数据对中缺少突变的数据信息，模型未能学习到突变时的风速变化模式造成的。但整体预测趋势较好，故该模型能够实现大风环境下高速列车的提前紧急处置，进而保障高速列车的运行安全。
5 结论
为了系统研究高铁沿线大风风动特征及风速智能预测模型，课题组选取兰新客专沿线某一代表性监测点的部分风雨雪数据，利用HHT变换研究兰新客专沿线大风风动特性，发现大风能量在频域上分布在0 Hz–20 Hz内，在时域上主要集中在0 s-100 s，其中主要能量分布在5 Hz左右，时间约为100s、400s和800s。随后，提出了基于LSTM算法大风风速预测模型，该模型预测模型在的预测结果与实际结果拟合度高，预测结果精确，能够实现大风环境下高速列车的提前紧急处置，进而保障高速列车的运行安全。
6 基金支持
[1] 中国国家铁路集团有限公司科技研究开发计划课题合同，高铁气象灾害监测关键技术深化研究，P2019T001.
参考文献
[1]郗艳红，毛军，杨国伟.横风作用下高速列车安全运行速度限值研究[J].铁道学报，2012,6（34）：8-14.
[2]刘加利，于梦阁，张继业，张卫华.基于大涡模拟的列车运行安全性研究[J].铁道学报，2011,4（33）：45-50.
[3]毛军，毛小云，郗艳红.基于流动模拟和动力学仿真的高速列车运行稳定性研究[J].北京交通大学学报，2011,35（1）：44-53.
[4]Chris Baker,Federico Cheli.Cross Wind effect on road and railway vehicles[J].Vehicle System Dynamics,2010,47(8):983-1022.
[5]Dirk Thomas, B Diedrichs, M Berg and S Stichel. Dynamics of a high-speed Rail Vehicle Negotiating Curves at Unsteady Crosswind[J].Journal of Rail and Rapid Transit,2010, 224: 567-579.
[6]田红旗.中国列车空气动力学研究进展[J].交通运输工程学报, 2006, 6(1): 1-9.
[7]崔涛，张卫华.基于姿态变化的列车侧风安全性研究[J].交通运输与工程学报，2010,5（32）：25-29.
[8]HUANG N E，SHEN Z，LONG S R，et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings Mathematical Physical and Engineering Sciences，1998，454(1971)：903-995.