基于深度学习模型的沿海短期波浪能预测

《Renewable Energy》：Coastal short term wave power prediction based on deep learning model

波浪能量预测模型SSA-VMD-TCN-BiLSTM通过融合Sparrow搜索算法、变分模态分解、时间卷积网络和双向长短期记忆网络，显著提升波浪高度和能量功率预测精度，实验验证其在黄海沿岸三个站点的泛化能力，预测误差降低41.9%以上。

　　海洋波浪能作为一种可再生能源，其应用前景广阔，但波浪能的利用效率却受到波浪预测精度和可靠性的影响。为解决这一问题，本文提出了一种新型的波浪能预测模型，即SSA-VMD-TCN-BiLSTM模型，该模型融合了麻雀搜索算法（SSA）、变分模态分解（VMD）、时间卷积网络（TCN）和双向长短期记忆网络（BiLSTM）等多种技术手段。该模型能够全面捕捉波浪形成与演变过程中的多个变量，包括波浪高度、波浪周期、风速和风向等，从而提高预测的准确性和泛化能力。

在实际应用中，波浪能的预测对于评估不同海域的发电潜力以及支持可再生能源的可持续发展至关重要。波浪能的间歇性和不规律性给电力系统的稳定性带来了挑战，因此精准预测波浪参数成为提升波浪能利用效率的关键。为了应对这些挑战，研究人员不断探索新的预测方法，以提高波浪参数预测的准确性和可靠性。例如，传统的波浪预测方法往往仅考虑风速对波浪形成的影响，忽略了风与波之间复杂的耦合关系，因此难以实现较高的预测精度。

近年来，随着大数据和人工智能技术的迅速发展，越来越多的机器学习和神经网络模型被应用于解决波浪时间序列预测相关的问题。这些方法包括基于统计回归的模型、基于机器学习的模型、融合分解与神经网络的混合模型，以及基于注意力机制的深度学习模型等。其中，基于注意力机制的模型因其能够捕捉数据中的关键特征而受到广泛关注。例如，Lv等人提出了一种结合门控递归单元（GRU）、贝叶斯优化算法和注意力机制的波浪能预测模型，通过在南京江北国际机场和北双岛（BSG）观测站的数据验证，显示出比主流算法更高的预测精度。Song等人则通过比较八种神经网络在风和波浪能预测中的性能，发现引入注意力机制可以有效提升模型的预测精度，并在黄海观测数据中验证了这一结论。

此外，注意力机制与生物特征模拟的结合也被用于波浪参数的预测研究。例如，Wu等人提出了一种结合生物启发和分而治之理念的波浪高度预测网络，通过在两个真实数据集上的测试，显示出比11种基线方法更优越的预测性能。同时，Wu等人还提出了一种受生物多感官系统启发的门控注意力协调网络（BGC-Net），用于精准预测波浪高度。实验结果表明，该模型在波浪高度预测方面表现良好。

在信号处理方法方面，许多研究者尝试通过更有效地捕捉波浪的特征来提升预测效果。例如，Fu等人提出了一种结合两层分解框架和长短期记忆网络（LSTM）的模型，用于预测波浪高度序列，显示出比其他模型更高的预测精度。Ali等人则提出了一种基于集成的局部平均分解和随机森林的混合模型（En-RLMD-RF），通过优化波浪高度建模框架，提高了预测精度。Huang等人引入了Prophet-LSTM模型，通过平滑处理和潜在特征挖掘，提升了波浪高度的预测性能。Yang等人则提出了一种结合季节性-趋势分解过程基于洛斯（STL）和一维卷积神经网络（CNN）以及位置编码（PE）的模型（STL-CNN-PE），用于预测波浪高度，特别是在深水区域。Ni等人提出了一种结合经验小波变换和卷积神经网络的混合深度学习模型，用于短期波浪能预测，取得了良好的效果。而Pang等人则提出了一种基于改进的集成经验模态分解和递归定量分析的多变量混合模型，用于预测海洋的波浪高度，特别是在基于LSTM网络的情况下表现最佳。

变分模态分解（VMD）在波浪参数预测中展现出显著优势，能够有效分解复杂的波浪信号为不同频率的成分，从而降低原始数据中的噪声和模态混叠现象。为了进一步提升VMD的分解精度和稳定性，麻雀搜索算法（SSA）被用于优化VMD的关键参数。随后，时间卷积网络（TCN）被引入以提取多尺度的时间依赖性，同时保持因果性。双向长短期记忆网络（BiLSTM）则用于捕捉波浪数据中的长期依赖性和动态模式，通过结合正向和反向的信息处理方式，实现更全面的波浪特征建模。

本文提出的新模型SSA-VMD-TCN-BiLSTM，旨在弥补现有波浪能预测模型在精度、泛化能力和适用性方面的不足。该模型通过融合多种算法和技术手段，提高了波浪高度（SWH）和波浪周期（SWHP）的预测能力。为了验证模型的鲁棒性，本文选取了三个观测站的数据进行实验，包括射阳（Shidao）、小门岛（Xiaomaidao）和连云港（Lianyungang）。此外，还通过模型测试方法进一步检验了模型的适用性，确保其在不同地理环境下的预测效果。

本文的研究成果表明，SSA-VMD-TCN-BiLSTM模型在预测精度和泛化能力方面优于其他模型，特别是在中国沿海地区的不同地理环境中，其预测精度相比基准模型提高了超过41.9%。同时，该模型为提升海洋波浪预测的准确性提供了有效的解决方案，有助于推动沿海海洋能利用效率的提升。此外，本文还提出了一种浮动波浪能转换器（F-WEC）系统，用于通过波浪高度和周期来估算波浪能，进一步增强了模型的实用性。

为了确保模型的稳定性和可靠性，本文在实验过程中采用了多种先进的技术手段，包括残差分析、DM测试、相关强度评估和预测精度评价。这些方法不仅提高了模型的预测能力，还增强了其在复杂环境下的适用性。此外，本文还对模型的参数设置进行了详细说明，确保其在实际应用中的可操作性和有效性。

综上所述，本文提出的新模型SSA-VMD-TCN-BiLSTM，结合了麻雀搜索算法、变分模态分解、时间卷积网络和双向长短期记忆网络等多种技术手段，旨在提升波浪能预测的准确性、泛化能力和适用性。通过在三个观测站的数据验证，该模型展现出良好的预测效果，特别是在中国沿海地区的不同地理环境中，其预测精度相比基准模型提高了超过41.9%。此外，本文还提出了一种浮动波浪能转换器系统，用于通过波浪高度和周期来估算波浪能，进一步增强了模型的实用性。同时，通过采用多种先进的测试方法，如残差分析、DM测试、相关强度评估和预测精度评价，确保了模型的稳定性和可靠性。本文的研究成果不仅为海洋波浪预测提供了新的思路，也为提升沿海海洋能利用效率提供了有效的解决方案。