高速鐵路監測系統大風預警功能方案研究

姜 海

高速鐵路監測系統大風預警功能方案研究

姜 海

介紹了國內外鐵路大風預警情況，詳細闡述了大風預警試驗前期數據準備、試驗方法及驗證方案，并例舉了某客運專線大風預警的試驗過程，得出應盡早利用歷史數據，實施大風預警的結論。

高速鐵路；大風預警；試驗預測

0 引言

目前我國高速鐵路自然災害及異物侵限監測系統可以實現對監測點的風速監測，但還不能實現大風預警功能。大風預警是指根據對既有氣象資料、現場地形地貌及風監測點的數據綜合分析提前一定時間進行風速預測，當預測風速超過報警門限時，發出大風報警信息。大風預警功能對高速鐵路的行車安全是十分必要的。尤其是應盡量提早通知進入風區的高速列車減速，以及防止剛剛解除大風報警后的瞬間大風對列車造成的危害。

1 高速鐵路大風預警現狀

1.1 國內外應用情況

目前國內高速鐵路的風監測功能中沒有實現實際意義上的大風預警功能，開通運營的鐵路客運專線防災安全監控系統大風報警所用數據為現場的“瞬時風速”，風速連續10 s超過報警閾值時產生限速報警。

國外高速鐵路中已有實際應用的大風預警功能，例如：法國地中海線應用Topowind軟件，其預測模型利用風監測數據可預測未來幾分鐘內的風速和風向；日本高速鐵路通過建立大風事件的特定風動態統計模型，將實時風監測數據與各大風時間模型進行關聯分析，以實現大風預警。

國內普速鐵路領域已經有大風預警功能的應用。青藏鐵路開通運用大風監測預警系統，對自動實時采集的測風站風速時間序列進行檢驗與處理，對沿線風速進行超前多步（多分鐘）預測計算。

1.2 國內外風預測主要模型

目前大風預測的主要模型有以下幾種：N元自回歸模型；微小尺度模型；基于時間序列的人工神經元（RBF）網絡模型；采用氣象統計原理結合神經網絡算法進行時間上的風速預測；基于CFD的計算流體力學（ALL的風流外推）。

2 大風預測試驗

2.1 試驗目的

通過試驗驗證不同計算模型預測數據的準確性。評定各種計算模型的適用情況。通過對比驗證采用大風預警對列車的安全性的貢獻。

2.2 試驗數據準備

（1）現狀數據搜集。包括：鐵路線路情況，鐵路線路彎曲角度及半徑，鐵軌距離地面的高度，鐵路沿線地形數據，地表粗糙度數據等。

（2）氣象歷史數據搜集。地方氣象站應具備的條件：距線路監測點50 km以內、地理環境與線路相似、無障礙物影響風流信息測量準確度。數據時間段為不少于10年，完整連續的觀測數據。

數據種類及精度要求：a.日降水量：24 h內降水量；b.日均氣溫：一天氣溫的平均值；c.最高氣溫：一天的最高氣溫；d.最低氣溫：一天的最低氣溫；e.10 min平均風速序列；f.10 min平均風向序列；g.日最大瞬時風速序列；h.日最大瞬時風速對應的風向。

2.3 試驗方法

在線路沿線選取不少于5處固定風監測點及1處移動數據監測點，安裝風速風向傳感器（同時具有監測氣溫、氣壓、溫度、濕度、降雨量等功能）。收集各監測點相關氣象數據，利用數據建立各算法模型，對預測結果進行記錄，通過與實際測量值進行比較，判別不同模型的預測效果。

（1）既有數據預測法。從收集到的氣象數據中，抽取某一需預測時段的數據，然后根據剩余數據對抽取的數據進行預測，將預測結果存入數據庫，用于評定。

（2）現場數據預測法。將監測點的實時數據傳送給各計算模型進行計算，得出指定點（固定點或移動點）的未來某一時間間隔的平均風速、風向及最大風速，將預測數據存入數據庫，用于評定。

2.4 試驗驗證方案

對于預測實驗數據采取預測數據和監測數據對比、多種模型之間互相對比等多種驗證方案。

（1）既有數據預測法的驗證。根據提前抽取的數據和各種模型計算出的預測數據進行比對。驗證各種模型預測數據的準確性和誤差率等。

（2）現場數據預測法的驗證。

a.時間預測數據的驗證。對任意風監測點，任意給定時間段內的預測數據和實測數據進行比對。給定時間段包括不同的天氣狀況、晝夜狀況、各個主導風向等。

b.空間預測數據的驗證。由驗證人員任意抽取、預測覆蓋范圍內的某一個或幾個具有代表性的監測點（該監測點已有移動風監測點記錄實時風速數據），由計算模型現場計算預測數據，再按照“時間預測數據的驗證”方案進行驗證。

根據數理統計原理，利用均值和標準差作為判別的標準。均值反應了預測值與測量值總體偏差情況，標準差反應了預測值與測量值之間的分散程度。誤差均值和誤差標準差越小，預測的性能越好。

2.5 模型之間互相對比

運用以上多種方案，對不同模型下的預測數據進行綜合比對，選出適合該線的最佳預測模型。

3 大風預測試驗案例

本次試驗對某客運專線風速值較大的風速監測點的數據進行分析，有直觀的參考意義。

3.1 基于時間的大風預測試驗

（1）預測模型的選擇。風流預測模型是一個ARMA模型。模型中參數的取值與當地的風流特性緊密相連，在不同的監控點上模型的參數各不相同，為了建立與特定環境相適應的預測模型參數，需要至少1年的該位置上的測風數據積累。

（2）試驗段中的風流預測實現內容。在所選擇的測風監控點上建立與當地風環境相適應的不同預測提前量的預測模型（2、5、10 min）。在模型的建立過程中，還須考慮風速上升期與強風期的特征，因為這些情況是風流最容易對列車運行帶來風險的時期。

（3）預測模型的誤差分析。預測總是存在與實際情況之間的誤差，因此需要明確誤差的計算方法：首先，應該說明誤差是不能用每個時間點的瞬時值來進行計算的，因為風流本身的隨機波動特性是無法控制的。瞬時風速本身就是一個不可預測的隨機變量。

如果取一個預測值做為一個樣本值，記為Vp，并獲得同期的實際測量值Vm，以2 min為預測量，那么這2個值都應是2 min內的平均風速值。所以，誤差的計算式為

（4）數據記錄方式。

不建議采用現在的方式記錄數據：每10 s記錄一次，每次均為3 s平均值。這樣的記錄方式意味著每10 s內有7 s的風流信息被丟掉，而對于陣風而言，7 s的時間已經足夠出現一個風速峰值。最好能夠存儲所有的3 s平均值。

（5）壓強和溫度對于預測模型的影響。在預測模型中是否引入壓強取決于具體的測風點環境。而溫度在預測模型中并沒有用處，如果能夠獲取列車的標準CWC曲線，那么在進行線路實際風險分析的時候才會使用該信息。

（6）試驗測試內容。完成預測部分工作所需的入口數據有：1 min的平均風速值Vm1(i)、風速最大值Vp1(i)、平均風向值Dm1(i)、風速標準偏差Vsd1(i)，大氣壓強P(i)。

選取全年各季度一天，共4天的預測數據與測量數據進行比較，得出預測值與測量值的誤差均值及標準差值，詳見表1和表2。

表1 預測值與測量值的誤差均值表

表2 預測值與測量值的標準差值表

由表1和表2可見，預測值與測量值的誤差均值在1.49～7.12之間，標準差值在0.623～3.192之間，不同預測時間誤差均值和標準差值相差較大，但同一天的不同預測標準下的誤差均值和標準差值相差不大。

3.2 基于空間的大風預測試驗

選取固定監測點A，B，C進行試驗，在A，C兩處分別安裝2個風監測點，通過以上兩點數據，推算B點數據。

（1）試驗數據選取。采集的數據從2014年2—7月，對日最大風速進行統計，見表3。

表3 日最大風速統計表

根據風流外推理論：在一定風速大小條件下風流才能體現出較強的變化規律。由表3看出6月份2個固定點出現大風的天數比較多，所以選取2014年6月份的數據作為風流外推的基礎研究數據。

（2）風流外推算法。

a.風速數據的預處理。

固定點每秒鐘記錄一次瞬時風速數據。風流驗證時采用2、5、10 min的平均風速值，轉換方法如下（以2 min為例）：

已知1 s風速vs( )，1 s風向為Φs( )。

設1 s風速X方向矢量為vsX( )，1 s風速Y方向矢量為vsY( )；2 min平均風速為v2m，X方向矢量為v2mX，Y方向矢量為v2mY；2 min風向為Φ2m。則：

vsX(i) =vs(i)×cosΦs(i)，將瞬時風速按X軸方向分解；

vsY(i) =vs(i)×sinΦs(i)，將瞬時風速按Y軸方向分解；

Φ2m= arctg(v2mY/v2mX)，求取2 min平均風速的方向；

b.測量值與預測值的驗證方法。

通過A和C兩個固定點采集的同步數據，外推出2、5、10 min平均值，稱之為預測值。將B點采集的數據，計算2、5、10 min平均值，稱之為測量值。將測量值與預測值的大小進行比較，求預測誤差。以2 min平均為例：

一天中2 min平均風速序列表示為

一天中2 min平均風速預測序列表示為

將一天中對應時刻的2 min平均風速相減得到預測誤差隨機序列：

預測誤差隨機序列的每一項都趨近于零時，風速預測效果越好。

（3）驗證結果。根據實驗數據，得出預測誤差均值和標準差值，見表4和表5。

表4 預測值與測量值的誤差均值表（部分時間）

表5 預測值與測量值的標準差值表（部分時間）

由表4和表5可見，預測值與測量值的誤差均值在4.130～6.361之間，標準差值在0.919～2.717之間，不同預測日期的誤差均值、標準差值相差不大。

4 結論

根據上述試驗可知，基于時間的大風預測值與實測值還是有一定差距的，預測的準確率主要受歷史采樣數據量的多少及測點風環境參數的準確性影響。同樣，基于空間的預測結果同樣與實測值存在一定差距，預測主要受外推點地形、地貌、線路工程情況以及歷史數據的影響。實際應用中，應綜合考慮線路風環境特點、采集數據特性，以此進行方案選取。

大風預警功能對于高速鐵路來說十分重要，國內高速鐵路風監測數據積累已有數年，建議可以先采用既有數據通過本文提供的試驗方案、驗證方案，進行大風預警功能試驗，并盡早在高速鐵路中應用。

[1] 徐超.高速鐵路綜合防災安全監控系統的研究[D].中國鐵道科學研究院，2010.

[2] 龔炯，王鵬.高速鐵路大風監測預警系統的研究[J].高速鐵路技術，2012，（1）.

The paper introduces the situations of strong wind warning for railways in home and abroad, illustrates in details the preliminary data preparation, testing method and verification scheme before strong wind warning test, demonstrates an example of testing process of strong wind warning for one dedicated passenger line, and a conclusion is obtained that it is necessary to implement the strong wind warning by application of historical data as early as possible.

High speed railway; strong wind warning; prediction of test

U231.96

：B

：1007-936X(2016)03-0043-04

2015-12-28

姜 海.中鐵電氣化局集團有限公司設計研究院，助理工程師，電話：13811536398。