[發明專利]基于深度學習算法的海浪高度預測方法

在審

• 申請號: 202210398198.8
• 申請日: 2022-04-15
• 公開（公告）號: CN115099296A
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 梅春曉;譚建鑫;盧盛欣;孟雷;于力強;張清清;張國峰;侯元柏;吳偉強;李練兵;高國強;韓旭;李永建;李佳琪;陳程;賈超
• 申請（專利權）人: 河北建投海上風電有限公司;河北工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 天津翰林知識產權代理事務所(普通合伙) 12210
• 代理人: 蔡運紅

本發明為一種基于深度學習算法的海浪高度預測方法。第一階段獲取海浪數據信息，對海浪數據信息進行分析與預處理，分析海浪數據信息與海浪高度之間的相關性，采用Pearson、GRA和PCA相結合的方法對海浪數據信息進行特征上的提取，實現在模型輸入特征量上的優化。第二階段將處理后的數據作為模型的輸入，確定網絡結構，建立基于思維進化算法的雙向門控循環單元的網絡模型。第三階段設置MEA參數以獲取最優的權重和閾值，訓練MEA?BIGRU網絡模型。最后同時建立BP神經網絡模型和BIGRU網絡模型進行對比驗證，從而實現對海浪浪高的精準預測。

技術領域

本發明屬于海浪浪高預測技術領域，涉及一種基于思維進化算法和深度學習的海浪高度預測方法，特別涉及一種基于思維進化算法和雙向門控循環單元(BiGRU)的多變量海浪高度預測方法。

背景技術

如今，海上風電產業正在世界范圍內如火如荼的發展，海上風力發電已逐漸成為可再生能源研究和開發的重要發展方向。自然，我國的海上風電業務也要緊緊跟隨世界潮流，加強對海洋風力資源的綜合開發提高資源利用率。由于海上風電的運維受到天氣和海況的影響，除了更換或維護部件本身的成本，還會產生大量的包括海事、船只、長期停機等成本。因此，實時、精細化海浪預測系統對海上風電場安全運維，提高運維效率并減少費用開支具有重要意義。

隨著機器學習的廣泛應用，使用機器學習算法對海洋環境進行預測展現了極大的應用前景。支持向量機(support vector machine，SVM)是機器學習中一個非常完善的分類和回歸模型，支持向量機具有優秀的泛化能力。文獻《James S C,Zhang Y,O'Donncha F.Amac hine learning framework to forecast wave conditions[J].CoastalEngineering,2018,137:1-10.》用機器學習對海浪要素進行預測，分別使用支持向量機(SVM)和多層感知機(MLP)對海浪的有效波高和特征周期進行預測，實現了機器學習在海浪預報方向的應用。近些年深度學習算法逐漸展現出其在海浪浪高預測方面的優勢。長短期記憶網絡(LSTM)的輸出信息由輸入門、遺忘門和輸出門共同控制，而門控循環單元(GRU)是一種改進的LSTM，它將遺忘門和輸入門集成到一個新的門中，減少了網絡參數，提升了模型訓練的效率，并且不容易過擬合。但是，門控循環單元通常會忽略海浪序列中的文本信息，并且無法有效捕獲海浪序列中的時間序列規則，單一的門控循環單元無法快速準確地跟蹤序列的變化特征。

文獻《Shuntao Fan,Nianhao Xiao,Sheng Dong.A novel model to predictsignificant wave height based on long short-term memory network[J].OceanEngineering,2020,205:10-18》提出了一種長短期記憶(LSTM)網絡，可以快速預測顯著的波高，且精度更高。LSTM網絡在10個不同環境條件的站進行1小時和6小時的預測。以過去4h的風速和過去1h的波高和風向為輸入參數，得到了LSTM的預測結果。

文獻《盧鵬,年圣全,鄒國良,王振華,鄭宗生.基于變分模態分解和注意力機制的浪高預測[J].海洋測繪,2021,41(02):34-39.》基于變分模態分解(VMD)，在引入注意力機制(AM)的基礎上，對傳統長短期記憶(LSTM)神經網絡算法進行了改進，提出了一種基于混合模型的海浪高度預測算法。算法通過預處理、預測和重構3個主要步驟,對海浪高度的時間序列進行預測。

然而，上述算法均未考慮海浪浪高影響因素的相關性以及權重問題，因此本申請方法對海浪數據信息的特征進行提取，分析其相關性從而確定其權重，再通過BiGRU進行浪高預測。

發明內容