基于飞机下滑道迎头风廓线的风切变预警方法及系统

本发明属于机场风切变预警领域，尤其涉及基于飞机下滑道迎头风廓线的风切变预警方法及系统。

背景技术：

1、风场是影响飞机起降安全的重要因素之一，但大气中的风极不稳定，在大气湍流和波动等共同作用下，存在明显的阵性；且当锋面、强对流、晴空湍流等天气现象过境时，风在水平方向和垂直方向上会发生短距离突变，即出现航空气象学中的“风切变”现象。当风切变高度为500m以下时，称为“低空风切变”。风切变会影响飞机的升力，造成飞机急剧抬升或下沉，甚至造成坠机事故，严重影响飞行安全。在飞机起降过程中，当发生低空风切变时，对飞机的动力性能要求更高，且留给飞行员的反应时间更短，极易造成飞行事故，因此低空风切变被称为航空界的“飞机杀手”。对风切变进行准确监测和预警，是航空气象学中一直关注的问题。

2、关于如何准确监测风场，目前在干性风场中观测最有优势的是激光测风雷达，利用激光测风雷达进行ppi/rhi/sp/dbs扫描等方式来获取风场信息，进而应用风切变识别算法判断是否有风切变，并得出风切变的等级和位置，为飞行起降提供技术支持。此外，实际保障中，还需要能给出飞机起降安全的短时未来窗口，因此需要对风切变进行预警。

3、由于大气是一个连续的流场，因此，风场在连续时间序列上具有一定相关性，在历史上具有一定重复性，因此，可以利用历史观测风场数据，通过分析其演变规律，预测未来风场，进而利用风切变识别算法，实现风切变的预警。其关键在于如何实现风场的准确预测。

4、风电系统中，准确的风速预测是保证风电系统稳定，提升风能利用率的关键环节。在风电行业需要实现单点风速的预测，研究者提出了很多风场预测模型，从原理角度划分主要有以下几种方法：

5、(1)物理方法

6、风速预测的物理方法，是将当地的气象数据、地理特征，如风向、气温、大气压、湿度等气象数据以及地面粗糙度等参数作为输入，为流体力学和热力学方程组提供初始边界条件，通过大型计算机进行数值计算，从而实现预测未来气象要素状态。物理方法建模所需数据量较少，但是计算过程相对复杂，消耗时间较长，适用于较长时段的风场预测，如：数值天气预报，不适合短时风场预测。

7、(2)统计与机器学习方法

8、由于物理方法消耗时间较长，故可采用统计和机器学习方法进行短时风场预测。统计和机器学习方法将实际的历史风场数据作为输入，通过模型学习和训练挖掘历史数据中的有效信息，通过训练建立模型实现对未来一段时间的风场预测。由于风场变化在短期内表现出一定的规律性和相似性，且短时风场预测周期较短，因此在短时风场预测中多采用统计和机器学习的预测方法。

9、(3)组合预测方法

10、大量实验结果表明，单一预测模型无法适用于不同环境的风场预测，在不同地理位置及气候条件下呈现不同的预测性能，具有很大的局限性。近年来，很多学者采用组合模型用于风场建模预测，利用各个单一模型的优点提高预测性能，如信号分解预处理组合和残差修正后处理组合两种类型。该方法前人开展过风电系统中，单个位置点的风场观测与预测。

11、而在机场风切变预警方面，目前相关研究较少。

技术实现思路

1、为解决上述技术问题，本发明提出基于飞机下滑道迎头风廓线的风切变预警方法及系统，通过一种激光测风雷达下滑道扫描下，利用历史观测的下滑道迎头风廓线序列，通过外推预测未来迎头风廓线，进而利用风切变算法进行风切变识别，实现风切变预警。

2、为实现上述目的，本发明提供了基于飞机下滑道迎头风廓线的风切变预警方法，包括以下步骤：

3、基于激光测风雷达对飞机下滑道扫描，得到下滑道迎头风廓线；

4、对所述下滑道迎头风廓线的数据进行信号分解，获得下滑道迎头风廓线子序列，基于所述下滑道迎头风廓线子序列，构建预测模型；

5、基于所述预测模型，通过外推预测未来下滑道迎头风廓线；

6、基于预测的所述未来下滑道迎头风廓线，利用风切变算法进行风切变识别。

7、优选的，基于激光测风雷达对飞机下滑道扫描，得到下滑道迎头风廓线的方法包括：

8、利用激光测风雷达对下滑道扫描，获得原始数据；

9、利用k领域频数法，对所述原始数据进行数据质量控制；

10、对满足质量要求的所述原始数据进行筛选，获得原始迎头风廓线；

11、对所述原始迎头风廓线进行内插处理，获得插值后迎头风廓线；

12、对所述插值后迎头风廓线进行平滑滤波，获得下滑道迎头风廓线。

13、优选的，对所述下滑道迎头风廓线的数据进行信号分解，获得下滑道迎头风廓线子序列的方法包括：

14、分别采用小波分解、经验模态分解、互补集合经验模态分解和经验小波变换分解的方法对所述下滑道迎头风廓线的数据进行信号分解，获得下滑道迎头风廓线的低频和高频分量，用所述下滑道迎头风廓线的低频和高频分量组成下滑道迎头风廓线子序列。

15、优选的，基于所述下滑道迎头风廓线子序列，构建预测模型的方法包括：

16、采用elman模型对所述下滑道迎头风廓线的高频分量进行训练，构建高频分量预测模型；

17、采用lstm模型对所述下滑道迎头风廓线的低频分量进行训练，构建低频分量预测模型。

18、优选的，基于所述预测模型，通过外推预测未来下滑道迎头风廓线的方法包括：

19、基于所述高频分量预测模型，预测所述未来下滑道迎头风廓线的高频分量；

20、基于所述低频分量预测模型，预测所述未来下滑道迎头风廓线的低频分量；

21、将所述高频分量与所述低频分量进行信号合成，获得所述未来下滑道迎头风廓线。

22、优选的，基于预测的所述未来下滑道迎头风廓线，利用风切变算法进行风切变识别的方法包括：

23、利用风切变算法，对预测的所述未来下滑道迎头风廓线进行识别，获得识别结果，其中，所述风切变算法包括：斜坡检测算法、s因子算法和f因子算法；

24、根据所述识别结果判断是否发生风切变事件，实现风切变预警。

25、本发明还提供了基于飞机下滑道迎头风廓线的风切变预警系统，包括：获得模块、构建模块、预测模块和识别模块；

26、所述获得模块用于基于激光测风雷达对飞机下滑道扫描，得到下滑道迎头风廓线；

27、所述构建模块用于对所述下滑道迎头风廓线的数据进行信号分解，获得下滑道迎头风廓线子序列，基于所述下滑道迎头风廓线子序列，构建预测模型；

28、所述预测模块用于基于所述预测模型，通过外推预测未来下滑道迎头风廓线；

29、所述识别模块用于基于预测的所述未来下滑道迎头风廓线，利用风切变算法进行风切变识别。

30、优选的，所述获得模块包括：扫描单元、控制单元、筛选单元、处理单元和滤波单元；

31、所述扫描单元用于利用激光测风雷达对下滑道扫描，获得原始数据；

32、所述控制单元用于利用k领域频数法，对所述原始数据进行数据质量控制；

33、所述筛选单元用于对满足质量要求的所述原始数据进行筛选，获得原始迎头风廓线；

34、所述处理单元用于对所述原始迎头风廓线进行内插处理，获得插值后迎头风廓线；

35、所述滤波单元用于对所述插值后迎头风廓线进行平滑滤波，获得下滑道迎头风廓线。

36、优选的，所述构建模块包括：分解单元和模型构建单元；

37、所述分解单元用于采用小波分解的方法对所述下滑道迎头风廓线的数据进行信号分解，获得下滑道迎头风廓线的低频和高频分量，所述下滑道迎头风廓线的低频、中频和高频分量组成下滑道迎头风廓线子序列；

38、所述模型构建单元用于采用elman模型对所述下滑道迎头风廓线的高频分量进行训练，构建高频分量预测模型；采用lstm模型对所述下滑道迎头风廓线的低频分量进行训练，构建低频分量预测模型。

39、优选的，所述预测模块包括：高频预测单元、低频预测单元和信号合成单元；

40、所述高频预测单元用于基于所述高频分量预测模型，预测所述未来下滑道迎头风廓线的高频分量；

41、所述低频预测单元用于基于所述低频分量预测模型，预测所述未来下滑道迎头风廓线的低频分量；

42、所述信号合成单元用于将所述高频分量与所述低频分量进行信号合成，获得所述未来下滑道迎头风廓线。

43、与现有技术相比，本发明具有如下优点和技术效果：

44、本发明提出了一种新的基于历史观测的下滑道迎头风廓线序列进行风场外推预测，并采用风切变识别方法进行风切变预警的方法，可给出未来风切变发生的概率时间，为精确给出飞行起降安全时间窗口提供技术支持。