高速铁路沿线风速WRF集成修正预测方法.pdf

2024.1,4（1）|智能交通与数字化高速铁路沿线风速 WRF集成修正预测方法段铸1，2（1.利兹大学土木工程学院，英国 利兹 LS2 9JT；2.中南大学轨道交通安全教育部重点实验室，湖南 长沙 410075）摘要：WRF（Weather Research and Forecasting）等物理驱动预测方法被证实能够获取有效的风速预测结果。本研究面向 WRF 预测方法对初始条件的敏感性，构建多目标集成模型 MOEnWRF（Multi-Objective Ensemble WRF），优化 WRF 的预测精度。该方法主要包括两个步骤，首先构建描述预测精度与稳定性的评价指标体系，采用多目标灰狼优化算法（MOGWO，Multi-Objective Grey Wolf Optimizer）实现对模型精度以及稳定性的同时优化，获得集成权重的帕累托解集。然后，采用组合距离评估法（CODAS，COmbinative Distance-based ASsessment）评估帕累托解集的有效性，从解集中选择出最优解，并应用于集成 WRF模型。经过 4个站点的实际验证，得到所提方法能够有效提升 WRF的预测精度，并优于单目标优化集成方法。关键词：高速铁路；风速预测；WRF；多目标优化WRF integrated correction prediction method for wind speed along highspeed railwaysDUAN Zhu1,2（1.School of Civil Engineering，University of Leeds，Leeds，UK.LS2 9JT；2.Key Laboratory of Traffic Safety on Track of Ministry of Education，Central South University，Changsha 410075，China）Abstract：Physically driven prediction methods such as WRF（Weather Research and Forecasting）have been proven to be able to obtain effective wind speed prediction results.This study focuses on the sensitivity of the WRF prediction method to initial conditions，constructs a multi-objective integrated model MOEnWRF（Multi-Objective Ensemble WRF），and optimizes the prediction accuracy of WRF.This method mainly consists of two steps.First，an evaluation index system describing the prediction accuracy and stability is constructed，and the Multi-Objective Gray Wolf Optimization algorithm（MOGWO）is used to simultaneously optimize the model accuracy and stability，and obtain Pareto solution set of integrated weights.Then，the COmbinative Distance-based ASsessment method（CODAS）is used to evaluate the effectiveness of the Pareto solution set，select the optimal solution from the solution set，and apply it to the WRF ensemble model.After actual verification at four sites，it is found that the proposed method can improve the prediction accuracy of WRF，and outperforms the single-objective optimization method.Key words：highspeed railway；wind speed prediction；WRF；multi-objective optimization中图分类号:U238;P425.6+2 文献标志码:A 文章编号：2097-017X（2024）01-0042-07DOI:10.3969/j.issn.2097-017X.2024.01.005收稿日期：2023-12-08基金项目：国家自然科学基金面上项目（52072412）。作者简介：段 铸（1997），男，博士，博士后。研究方向：轨道交通安全。42高速铁路沿线风速 WRF集成修正预测方法 段铸 引 言在世界范围内，强风曾导致众多铁路运输行车事故1。为了保障铁路的安全、高效运营，需要实现高精度风速预测2。风速预测结果能够为铁路管理部门提供未来信息，协助管理部门提前做出决策，为铁路列车争取更多的时间裕量。当前铁路沿线已经安装了众多监测站点。根据站点监测数据，能够构建数据驱动预测模型，学习站点风速数据的时间依赖关系，实现对站点风速的超前预测。孟建军等3采用 XGBoost算法实现了铁路沿线风速预测，并使用秃鹰搜索算法实现对 XGBoost 的算法参数优化。任俞霏等4使用自适应去噪完全集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN）算法提升观测数据的平稳性，随后使用 灰 狼 优 化 算 法 改 进 的 最 小 二 乘 支 持 向 量 机（Least-Square Support Vector Machine，LSSVM）算法实现了风速预测。金瞳宇5研究了不同神经网络对不同频段分解子序列的适应性，设计了高速铁路风速预测系统框架，并分析了季节等要素对预测性能的影响。张超凡6研究了经验小波分解（EWT，Empirical Wavelet Transformer）、离 散 小 波 变 换（DWT，Discrete Wavelet Transformer）、变分模态分解（VMD，Variational Mode Decomposition）共 3 种数据分解方法的风速预测性能，发现变分模态分解最适用于风速信号。Gou等7针对兰新铁路沿线风速，提出了融合数据分解与人工神经网络（ANN，Artificial Neural Network）的算法模型库，并证明了所提方法的有效性。随着深度学习等理论的飞快进步，数据驱动的深度学习风速预测方法得到了迅速发展。过加锦等8采用排列熵算法筛出分解后的风速数据分量，随后构建分位数回归门限循环单元网络（Quantile Regression with Gated Recurrent Unit，QRGRU），实现对铁路风速的区间预测。孟建军等9采用鲸鱼优化 算 法 优 化 长 短 期 记 忆 神 经 网 络（LSTM，Long Short Term memory），获得了更优的风速预测精度。Liu 等10提出了采用多重注意力机制的多示例学习模型，实现了对风速超限的有效预警，并验证了多示例学习的有效性。Ye 等11提出了一种基于深度学习的高铁沿线风速数据质量控制算法，该算法能够监测出风速数据中的异常值，为数据收集与存储过程中的质量评估提供参考。除数据驱动风速预测方法以外，物理驱动的风速预测方法能够根据初始气象条件求解动力学方程与参数，获取风速预测结果。常见的物理驱动风速预 测 模 型 包 括 GRAPES（Global and Regional Assimilation and Prediction System）、WRF（Weather Research and Forecasting）、MM5（Mesoscale Model 5）等12-14。骆颜15针对高纬度地区铁路，提出了基于 WRF 的风吹雪预测模型，并采用层次分析法等，对铁路所受灾害进行评估，进而实现预警。此外，骆颜等16还采用了 WRF 方法进行克塔铁路的风场分析，将 WRF 水平分辨率设置为 2 km，获得了铁路风速概率分布、线向分布规律等特征。孙玫玲等17针对津泰铁路，开展了基于 WRF模型的铁路风场特征分析，找出了津泰铁路最危险的路段，并分析了春冬季以及夏季列车横风影响情况。对 WRF 预测输出进行后处理被证实能够有效提升 WRF 的预测性能。Han 等18构建了对抗生成网络（GAN，Generative Adversarial Network），实现了对 WRF 输出的修正。所构建的 GAN 模型采用卷积神经网络作为辨别器，融合注意力机制的卷积神经网络-双向长短期记忆神经网络作为生成器。Xu 等19采 用 梯 度 决 策 树 算 法（GBDT，Gradient Boosting Decision Tree）实现了对 WRF 风速预测输出的修正。Sayeed 等20采用卷积神经网络算法构建了 Weather-AI 模型，实现了对 WRF 预测性能的有效提升。Zhao 等21提出了融合模糊聚类的 WRF风速预测修正方法。该方法能够分析风速信号波峰波谷形状与预测精度之间的关系，并应用关联规则匹配预测模型，实现了风速的有效预测。不同初始条件的 WRF 能够获取不同的预测结果。为了能够融合不同初始条件所蕴含的差异化信息，需要开展 WRF 集成预测研究。Sward等22研究了由 5种不同参数化过程构成的 WRF 集成模型，并使用Lidar采集得到的真实数据分析了所提集成方法的预测精度。Ma等23研究了考虑尾流模型的 WRF集成方法，发现 WRF集成算法能够比独立算法获得更优的预测精度。Bodini等24采用具有不同模型设置的多模式 WRF 输出结果，采用 Lidar 以及近海浮标观测结果，评估 WRF 预测输出的不确定性，随后使用随机森林算法实现对WRF预测输出的修正。尽管集成方法在 WRF 后处理领域已经获得了广泛的应用，但较少地考虑到多目标集成方法。由于 WRF模型的复杂度较高，若集成过程中仅考虑模型精度，可能会导致模型的过拟合。本文以 WRF物理驱动风速预测方法为研究对象，提出了一种多目标的集成预测模型 MOEnWRF（Multi-Objective En 43semble WRF）。该模型能够同时优化集成模型的精准度与稳定性，获取集成权重以描述物理驱动预测输出与真实监测值之间的耦合关系，修正物理预测输出，并采用 4组真实的风速数据开展模型验证。1WRF气象预报模式WRF 模式能够基于初始化气象数据以及地形数据，获取气象参数的未来预测结果。WRF模式的执行过程包括 geogrid，ungrib，metgrid，real，wrf等主要步骤，详细内容参考文献 25。本研究采用 5 种不同的参数化方案以及 2 种不同的初始化时间，构建出 10个 WRF 模型，分别命名为 WRF 1#，WRF 2#，WRF 3#，WRF 4#，WRF 5#，WRF 6#，WRF 7#，WRF 8#，WRF 9#与 WRF 10#。WRF模型采用两层嵌套空间，内层嵌套的水平空间分辨率为 12 km，输出时间间隔为 10 min。模拟时间为 2019年 1年 1月到 2019年 3月 1日。由于中长时预测能够为管理部门提供更长的提前预警时间。为了实现对中长期预测性能的有效评估，本文选用预测时长在 2448 h 的预测结果进行评估。2集成预测模型 MOEnWRF该模型主要分为两个步骤，多目标优化与多因素权重集成，流程图如图 1所示。假 设N个 WRF 子 模 型 的 预 测 输 出 为X1，X2，XN（N=10）；M个风速监测站点的监测 数 据 为X1，X2，XM，（M=4）。具 体 步 骤如下：第一步：多目标优化。设置针对 WRF集成模型的评估指标，实现对模型预测精度以及稳定性的量化计算。使用多目标灰狼优化算法（Multi-objective Grey Wolf Optimizer，MOGWO）对 10 个 WRF 子模型的集成权重进行优化，获得集成权重的多目标非支配帕累托解集。第二步：多因素权重集成。根据帕累托解集的综 合 性 能，采 用 CODAS（COmbinative Distance-based ASsessment）多目标决策方法，选取最合适的模型集成权重，获取 4个站点的预测精度，并验证预测精度。2.1多目标优化本文为了保障模型集成性能，在求解 WRF模型集成权重时，同时考虑集成模型的预测精度以及稳定性。预测精度能够保证模型的理论预测能力，稳定性能够保证模型的实际可行性。本研究设置多目标优化目标，如下式所示26：Et ()EDX()t;D-EX()t;2Et,D ()X()t;D-EDX()t;D2（1）式中 Et 为在时间上的期望，即直接在时间轴上取平均。ED 为在空间上的期望。由于 WRF 预测节点与监测站点无法完全重合，在实际预测过程中，需要以监测站点周边的 WRF模拟节点输出作为监测站点的实际预测结果。ED 能够评估 WRF模拟节点选择对目标节点预测输出的影响。E 对噪声求期望。由于风速数据不是人工生成的，无法 准 确 获 知 噪 声 情 况。简 单 起 见，本 式 假 设 噪声为 0。式（1）中第 1个目标函数即评估 WRF 预测输出与风速实际值的偏差情况；第 2 个目标函数即评估WRF 预测输出对 WRF 模拟节点选择的敏感程度。最小化第 1个目标函数能够实现集成模型预测输出的时域偏差最小；最小化第二个目标函数能够实现集成模型预测输出对空间选择的敏感度最低，保障模型的鲁棒性。这种同时参考模型精度与稳定性的设计能够避免预测模型在训练数据集上过拟合，进而产生更优的泛化性能以及更好的测试集预测精度，保障实际应用过程中的性能。本研究将采用多目标灰狼优化算法实现对上述目标函数的最优化求解。多目标灰狼优化算法基于，以及共 4种不同算子。其中，与算子为优化问题排名前三的最优解，其余解均被归纳于算子。多目标灰狼算法的基本原理在于使用，与算子实现对问题空间的搜索与扩展，算子能够跟随上述 3种算子搜索全局最优解。为了能够实现多图 1MOEnWRF模型框架Fig.1Structure of MOEnWRF model 44高速铁路沿线风速 WRF集成修正预测方法 段铸 目标优化，MOGWO 算法采用存档以及超立方体网格机制保存并更新非支配解集。多目标灰狼优化算法的详细计算步骤参考文献 27。2.2多因素权重集成经过 MOGWO 算法的多目标优化计算后，能够得到一个帕累托解集。在实际的预报工作中，仅能从帕累托解集中选择出 1个最优解进行集成。为了实现最优解的选取，本文采用 CODAS 多属性决策方法进行解集选取，确定综合性能最优的解集。假设si，j为第i个可行解的第j个属性，CODAS算法首先归一化所有可行解，若属性数值越大越好，则归一化为si，j=si，jmaxisi，j；反之，若属性数值越小越好，则归一化为si，j=minisi，jsi，j。随后对所有归一化 后 的 属 性 进 行 加 权 处 理，获 得 综 合 指 标ci，j=wjsi，j，其中jwj=1是对所有属性的加权值。然后从所有综合指标中选取反向最优解，标记为nj=minici，j，并计算所有综合指标ci，j与反向最优解nj的欧几里得距离以及曼哈顿距离，分别标记为Ei以及Mi。最终，构建所有解的综合得分矩阵28：Hi,k=(Ei-Ek)+()Ei-Ek()Ti-Tk（2）式中(Ei-Ek)函数为判断Ei-Ek的值大小，若Ei-Ek的绝对值大于参数，则函数值为 1；反之函数值为 0。根据获得的综合得分矩阵Hi，k，能够获得每一个解的最终得分kHi，k，并根据从大到小的顺序，取得最终的最优解。3实验分析本研究选用某铁路风速监测数据用于分析模型预测性能，数据间隔为 10 min，监测站点数量为 4个。风速数据特征如表 1所示。从表 1中可知，所选择的4 个监测站点风速特征差距较大。站点 4#的风速数据拥有最大的波动特性，其最大值达到 21.4 m/s，且标准差达到 3.44 m/s，均为所有站点中最高。站点 2#的风速波动特性最小，其最大值为 10.60 m/s，标准差为 1.89 m/s，均为所有站点中最小。这种差异化的数据特征能够一定程度上反映模型的综合性能。3.1精度评估指标本文采用 MAE（Mean Average Error），MAPE（Mean Average Percentage Error），RMSE（Rooted Mean Squared Error）共 3 种指标评估模型预测性能。MAE 以及 RMSE 能够衡量预测的绝对误差，而 MAPE 能够衡量相对误差。假设预测结果为X，实际数据为X，上述指标的计算公式为：MAE=i=1N|Xi-XiN（3）MAPE=i=1N|Xi-XiXiN（4）RMSE=i=1N()Xi-Xi2N（5）3.2WRF预测性能分析以 2019 年 2 月 2 日中午 12 时的预报结果为例，WRF1#模型的空间预测结果如图 2 所示。从图 2 中能够看出，空间风速呈现出显著的异质性特征。为了后续从空间风速中提取出对应站点的风速数据，设置提取距离目标站点最近的 WRF模拟节点数据。由于 WRF能够预测垂向空间风速，本研究选用地表风速作为监测站点的风速预测结果。从 WRF 空间预测结果中提取中选取对应站点的预测结果，如图 36所示。从图中可以看出 WRF预测结果能够跟踪实际的风速波动范围。在风速波图 2WRF空间预测结果Fig.2 Spatial prediction results of WRF表 1目标站点风速统计值Tab.1Wind speed statistics of stations单位：m/s站点 1#站点 2#站点 3#站点 4#最小值0.000.100.100.20最大值14.6010.6012.3021.40平均值4.452.703.777.81标准差2.281.892.143.44 45动条件下，WRF预测结果较为准确地预测出风速波峰波谷，表明了所提 WRF模型的有效性。3.3集成预测精度分析以 MAE 精 度 为 例，WRF 模 型、所 提 MOEnWRF 模型以及单目标优化模型 SOEnWRF（Single-Objective Ensemble WRF）的预测性能如表 24 所示。单目标优化模型 SOEnWRF 直接使用 GWO 优化算法计算模型的集成权重，目标函数被设置为集成模型的 RMSE 精度。该控制对比试验能够表明多目标优化算法与单目标优化算法之间的优劣性。从表中能够看出，（1）具有不同初始条件与参数化设置的 WRF模型能够获得差异化的预测结果。以站点 1#为例，10个 WRF 子模型最优的预测精度为 1.187 m/s，而最图 5站点 3#的 WRF预测结果Fig.5WRF forecasting results of station 3#图 6站点 4#的 WRF预测结果Fig.6WRF forecasting results of station 4#表 2WRF风速预测 MAE精度Tab.2MAE of WRF wind speed forecastingWRF 1#WRF 2#WRF 3#WRF 4#WRF 5#WRF 6#WRF 7#WRF 8#WRF 9#WRF 10#MOEnWRFSOEnWRF站点 1#1.5191.2641.1541.5891.2741.5031.2731.1871.6331.3391.0811.112站点 2#2.7141.9741.7672.7862.4622.7151.9271.7562.8042.4631.5492.199站点 3#3.4102.7172.3803.3783.0133.3662.6492.3203.4033.0551.9802.027站点 4#1.7451.6561.4871.9031.8341.7981.6681.5391.9541.8761.3941.408表 3WRF风速预测 MAPE精度Tab.3MAPE of WRF wind speed forecastingWRF 1#WRF 2#WRF 3#WRF 4#WRF 5#WRF 6#WRF 7#WRF 8#WRF 9#WRF 10#MOEnWRFSOEnWRF站点 1#0.4480.3530.3220.4750.3700.4500.3580.3310.4970.3940.2730.294站点 2#1.1310.8260.7291.1871.0281.1170.7930.7081.1841.0160.6250.903站点 3#1.1220.8810.7771.1290.9961.1330.8770.7741.1451.0190.6630.676站点 4#0.3010.2800.2500.3200.3090.3110.2800.2560.3350.3180.2200.237图 3站点 1#的 WRF预测结果Fig.3WRF forecasting results of station 1#图 4站点 2#的 WRF预测结果Fig.4WRF forecasting results of station 2#46高速铁路沿线风速 WRF集成修正预测方法 段铸 劣的预测精度为 1.633 m/s。这表明了 WRF预测模型对初始化条件的敏感性，能够为本文所开展的集成建模方法研究提供差异化信息。（2）多目标优化方法能够有效地提升 WRF模型性 能。在 站 点 1#4#上，最 优 的 WRF 模 型 预 测MAE 精度为 1.187，1.756，2.320 以及 1.487 m/s，而MOEnWRF 模型能够获得 1.081，1.549，1.980 以及1.394 m/s的 MAE预测精度。这是因为多目标优化集成方法能够有效地实现信息融合，将不同初始条件 WRF模型的预测输出取长补短，获得性能更加综合的预测结果。（3）多目标优化集成能够获得比单目标优化集成更优的预测精度。在站点 1#4#上，单目标集成的 SOEnWRF 模型预测 MAE 精度为 1.112，2.199，2.027 以及 1.408 m/s，而 MOEnWRF 模型能够获得1.081，1.549，1.980 以及 1.394 m/s 的 MAE 预测精度。这表明了多目标优化的有效性。其能够综合考虑模型的准确性以及稳定性，相比仅考虑准确性的单目标优化集成方法，能够获得泛化性能更优的预测模型。4结 论本文针对铁路沿线风速的 WRF预测，开展了多目标优化以及多因素权重集成研究。并经过 4个实际风速监测站点的数据验证，可以得到如下结论：（1）不同初始化条件的 WRF模型能够获得差异化较大的风速预测结果。（2）所提出的 MOEnWRF 模型能够获得比所有WRF模型都更优的预测精度。（3）相 比 于 基 于 单 目 标 优 化 的 SOEnWRF 模型，MOEnWRF模型能够获得更优的预测精度。在未来研究中，拟分析不同站点的集成预测性能差异，评估不同站点之间风速特征关联，开展耦合站点空间关联的 WRF模型修正研究。参考文献：1 王瑞.高速铁路灾害及侵限监测关键技术研究 D.北京：中国铁道科学研究院，2023.2 张俱珲.高速铁路大风预测及预警方法研究 D.兰州：兰州交通大学，2023.3 孟建军，江相君，孟高阳，等.基于IBES-XGBoost的高速铁路沿线风速预测模型 J .灾害学，2024，39（1）：111.4 任 俞 霏，李 磊，过 加 锦.基 于 CEEMDAN-GWO-LSSVM 的高铁沿线短期风速预测模型 J.交通科技与经济，2023，25（2）：68-73.5 金瞳宇.高速铁路沿线风速预测预警研究 D.南京：南京信息工程大学，2022.6 张超凡.铁路桥梁行车风速概率预测 D.成都：西南交通大学，2018.7 GOU H，CHEN X，BAO Y.A wind hazard warning system for safe and efficient operation of high-speed trainsJ.Automation in Construction，2021，132：103952.8 过加锦，李磊，任俞霏，等.融合信号分解与排列熵的高铁线路风速区间预测方法 J.交通科技与经济，2023，25（4）：74-80.9 孟 建 军，江 相 君，李 德 仓，等.基 于 VMD-LSTM-WOA 的铁路沿线风速预测模型 J.传感器与微系统，2023，42（4）：152-156.10 LIU H，LIU C，HE S，et al.Short-term strong wind risk prediction for high-speed railway J.IEEE Transactions on Intelligent Transportation Systems，2021，22（7）：4243-4255.11 YE Y，XIONG X，CUI Y，et al.Quality control algorithm of wind speed monitoring data along high-speed railwayJ.Frontiers in Energy Research，2023，11：1160302.12 Burlando M，Romanic D，Boni G，et al.Investigation of the weather conditions during the collapse of the Morandi bridge in Genoa on 14 August 2018 using field observations and WRF model J.Atmosphere，2020，11（7）：724.13 Cheng S，Li L，Chen D，et al.A neural network based ensemble approach for improving the accuracy of meteorological fields used for regional air quality modelingJ.Journal of Environmental Management，2012，112：404-414.14 琚陈相，李曼，艾力亚尔艾海提，等.不同初始场条表 4WRF风速预测 RMSE精度Tab.4RMSE of WRF wind speed forecastingWRF 1#WRF 2#WRF 3#WRF 4#WRF 5#WRF 6#WRF 7#WRF 8#WRF 9#WRF 10#MOEnWRFSOEnWRF站点 1#1.9251.6201.4812.0061.6221.9211.6401.5402.0401.6941.0811.112站点 2#3.3062.5772.2993.4093.0153.2682.5132.2563.4053.0192.0342.250站点 3#3.8013.1062.7243.7723.4163.7042.9732.6233.7363.3782.2752.389站点 4#2.1672.0941.9092.3402.2682.2332.0991.9332.4162.3231.7121.759 47件对新疆区域数值模式预报性能的影响 J.沙漠与绿洲气象，2023，17（5）：38-46.15 骆颜.基于 WRF 的道路风吹雪研究及预测 D.石家庄：石家庄铁道大学，2023.16 骆颜，马文勇，孙元春，高寒地区交通线路风速及风向预测研究 C/第 30 届全国结构工程学术会议.2021：4.17 孙玫玲，张赛，马京津.津秦高速铁路沿线风况特征J.生态学杂志，2019，38（11）：3487-3495.18 Han Y，Mi L，Shen L，et al.A short-term wind speed interval prediction method based on WRF simulation and multivariate line regression for deep learning algorithms J.Energy Conversion and Management，2022，258：115540.19 XU W，NING L，LUO Y.Wind speed forecast based on post-processing of numerical weather predictions using a gradient boosting decision tree algorithmJ.Atmosphere，2020，11（7）：738.20 Sayeed A，Choi Y，Jung J，et al.A deep convolutional neural network model for improving WRF simulationsJ.IEEE Transactions on Neural Networks and Learning Systems，2021，34（2）：750-760.21 Zhao J，Guo Y，Xiao X，et al.Multi-step wind speed and power forecasts based on a WRF simulation and an optimized association methodJ.Applied Energy，2017，197：183-202.22 Sward J，Ault T，Zhang K.Spatial biases revealed by LiDAR in a multiphysics WRF ensemble designed for offshore wind J.Energy，2023，262：125346.23 Ma Y，Archer C L，Vasel-Be-Hagh A.Comparison of individual versus ensemble wind farm parameterizations inclusive of sub grid wakes for the WRF modelJ.Wind Energy，2022，25（9）：1573-1595.24 Bodini N，Castagneri S.Long-term uncertainty quantification in WRF-modeled offshore wind resource off the US Atlantic coastJ.Wind Energy Science Discussions，2023，2023：1-19.25 Skamarock W C，Klemp J B，Dudhia J，et al.A description of the advanced research WRF version 3J.NCAR Technical Note，2008，475：113.26 Duan Z，Liu H.An evolution-dependent multi-objective ensemble model of vanishing moment with adversarial auto-encoder for short-term wind speed forecasting in Xinjiang wind farm，China J.Energy Conversion and Management，2019，198：111914.27 Mirjalili S，Saremi S，Mirjalili S M，et al.Multi-objective grey wolf optimizer：a novel algorithm for multi-criterion optimizationJ.Expert Systems with Applications，2016，47：106-119.28 Mitra A.Combinative distance-based assessment（CODAS）approach of multi-criteria decision-making for grading of Tossa jute fibres J.Research Journal of Textile and Apparel，2022：1-20.DOI：1108/RJTA-05-2022-0054.（上接第 35页）10 陶飞，程颖，程江峰，等.数字孪生车间信息物理融合理论与技术 J.计算机集成制造系统，2017，23（8）：1603-1611.11 邢帆.数字孪生技术或助智能制造加速发展 J.中国信息化，2018（4）：6.12 李国平.国内外高速列车辅助供电系统 J.机车电传动，2003（5）：57-61.13 梁开源，韩东宁，于明远.中国标准化动车组辅助供电系统故障的分析处理 C.第十三届中国智能交通年会大会论文集.2018：760-769.14 郑华熙，高吉磊，郑琼林.我国高速动车组辅助供电系统的比较与分析 J.电气传动，2010，40（3）：53-59.15 傅曲武.HXD3C型电力机车辅助变流器故障分析与研究 D.北京：中国铁道科学研究院.16 WANG J J，YE L K，GAO R X，et al.Digital twin for rotating machinery fault diagnosis in smart manufacturing J.International Journal of Production Research，2019，57（12）：3920-3934.17 周喻，吴顺川，焦建津，等.基于 BP 神经网络的岩土体细观力学参数研究 J.岩土力学，2011，32（12）：3821-6.18 李朝静，唐幼纯，黄霞.BP 神经网络的应用综述 J.劳动保障世界（理论版），2012，（16）：71-74.19 ZHANG E P，ZHANG H F，XUE B C.Study of method on genetic BP networks for vibration fault diagnosis of turbogenerator J.Intelligent System and Applied Material，2012，466-467：1025-1030.20 马林茂，李德富，郭海湘，等.基于遗传算法优化 BP神经网络在原油产量预测中的应用：以大庆油田 BED试验区为例 J.数学的实践与认识，2015，45（24）：117-128.21 李东虎，徐凌桦，龙道银，等.遗传算法优化 BP 神经网络的光伏阵列故障诊断 J.微处理机，2021，42（6）：23-26.22 LIU H，YU C，WU H.Smart Device Recognition：Ubiquitous Electric Internet of Things M.Singapore：Springer，2021.48