一种基于神经网络的波浪能发电概率预测方法

技术领域

本发明涉及人工智能在波浪能发电技术上的应用，特别是涉及一种基于神经网络的波浪能发电概率预测方法。

背景技术

波浪能发电技术源于对可再生能源的不断探索，它利用海洋波浪的动能来产生电力。随着对传统能源的依赖日益凸显，各国政府正逐渐意识到减少温室气体排放和应对气候变化的紧迫性，因此积极推动可再生能源发展。波浪能作为一种清洁、可持续的能源形式，逐渐备受关注。我国拥有广阔的海岸线，海洋资源丰富，波浪能的理论存储量达到7000万千瓦左右。波浪能发电作为可以规模化应用于海岛的新能源发电形式，多样化了能源供应，减少了对有限化石燃料的依赖，提高了能源安全性。

波浪能发电功率的预测具有重要意义，因为它能够帮助我们规划和优化能源生产，提高能源系统的可靠性。准确的功率预测有助于决策者合理分配能源资源，确保能源供应的稳定性。实现可靠的波浪能发电预测是对波浪能所产生的电能实现并网的基础。此外，面对海洋生态环境保护的责任，在海岛或沿海电力网络开发的过程中，实现波浪能发电可靠并网能够减少能源生产系统的建设对海岛及海洋环境造成的持续性破坏，同时降低能源生产的成本，提高波浪能发电技术的经济可行性，从而推动多种可再生能源的协同发展，减少对有限化石燃料的依赖，减轻环境污染问题。

波浪能发电是一种依赖海洋波浪运动的可再生能源技术，海洋气候环境的复杂性对波浪能发电的预测具有深远而多方面的影响，主要存在两个挑战：第一，波浪系统受多种因素驱动，包括风速、风向、潮汐、地形、洋流等，这些因素在时间和空间上都非常复杂。第二，气候变化导致的海洋气象条件的不稳定性增加了波浪的变化性，使得准确的波浪能预测变得更加困难。

除了上述挑战之外，还面临一些其他问题。首先，对波浪能发电功率的确定性点预测，无法为面向新能源渗透下电网调度提供足够的不确定性信息；其次，对波浪能发电产生影响的因素众多，相互耦合，影响预测模型计算效率；最后，由于波浪能发电设备形式各异，采用的发电原理不同，其发电特性也存在差异，存在对不同设备的适应性问题。

需要说明的是，在上述背景技术部分公开的信息仅用于对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明的主要目的在于克服上述背景技术的缺陷，提供一种基于神经网络的波浪能发电概率预测方法。

为实现上述目的，本发明采用以下技术方案：

一种基于神经网络的波浪能发电概率预测方法，包括如下步骤：

S1.对波浪能发电序列进行聚类分析，根据发电特性将不同的发电设备分为若干类，实现对不同发电特性设备的匹配；根据波浪能发电形式受海洋气候环境的影响，筛选关键时空特征；对影响波浪能的复杂耦合因素进行频域分解；

S2.以步骤S1得到的特征与数据作为训练模型的输入，基于波浪的不稳定性变化特征，构建序列架构神经网络波浪能预测模型；

S3.通过概率区间估计方法预测未来波浪能发电功率的不确定性分布，并根据概率区间估计的结果进行波浪能发电的概率预测。

进一步地，步骤S1中，所述聚类分析包括：收集历史波浪能发电数据，形成发电序列；利用聚类算法对发电序列进行聚类分析，将具有相似发电特性的设备分为同一类；根据聚类结果，设计匹配机制，将不同的发电设备与其相应的发电特性进行匹配。

进一步地，基于对波浪能序列的距离的量化，采用基于SBD的质心计算方法求解波浪能发电序列聚类问题；其中，通过迭代方法实现对波浪能序列的聚类，具体包括：根据簇的当前质心和簇内的所有序列，计算优化的质心；根据每个波浪能序列与新的优化质心的距离将它们重新分配到不同的簇中；重复迭代步骤，直至所有波浪能序列所属的簇不再变化为止，由此实现波浪能发电序列聚类。

进一步地，步骤S1中，备筛选的所述关键时空特征包括：影响波浪能发电的海浪变量，具体包括海浪显著波高x

进一步地，步骤S1中，选用相关系数来判断波浪能序列之间的关系，并计算波浪能发电序列与辅助预测变量之间的混合相关系数，以筛选所述关键时空特征。

进一步地，步骤S1中，针对波浪能发电功率序列采用经验模态分解方法，通过对原始序列频域展开获得各模态分量，提供波浪能的信息和结构，具体包括：

1)设定波浪能原始信号的处理次数为M；

2)生成M个随机的白噪声信号，每个信号的幅值与原始信号一致；

3)将具有标准正态分布的白噪声加到原始信号上，以产生一系列新的叠加信号；

4)对于每个含噪声的叠加信号，利用经验模态分解算法获取模态分量；

5)计算残差，分解的残差是整体均值与原始输入序列的总和；

重复上述步骤M次，生成M组模态分量IMF和残差；

6)通过对M组中的IMF进行平均，而获得最后的模态分量；将其作为训练波浪能预测模型的输入。

进一步地，步骤S2中，所述构建序列架构神经网络波浪能预测模型包括：

所述波浪能预测模型的波浪能预测问题的主要目标为根据预测问题的输入，输出波浪能功率的预测结果与概率信息，表达如下：

其中，

进一步地，所述波浪能预测模型的训练与预测采用滑动窗口的训练方式，即采用1～t

模型采用序列架构神经网络，包括编码器和解码器，所述编码器将输入序列编码为固定长度的向量，所述解码器将向量解码为输出序列，用于计算的神经元使用LSTM单元建模，所述编码器与所述解码器均由多个神经元串联排列构成；

在所述编码器中，LSTM获取输入序列并迭代更新其隐藏状态向量，从而捕获输入序列中的信息；最终的隐藏状态向量为编码器状态，作为解码器的输入序列

其中，x

在所述解码器中，每个LSTM神经元通过获取编码器状态和前一个时间步的输出来计算下一个输出，重复该过程直到生成完整的预测目标序列

其中，y

进一步地，所述波浪能预测模型引入注意力机制；所述注意机制的实施基于对解码器中方法进行调整，注意力层的目标是根据编码器层的输出迭代相似性权重矩阵；

其中，给定编码器中的隐藏状态向量

e

其中，e

接着，注意力权重分布被标准化

α

其中，α

进一步地，编码器互联状态根据编码器的注意力权重和隐藏状态计算得出，在解码器中，编码器的输出定义为c

由此，从中计算解码器的隐藏状态，并由输出门生成网络的输出

其中，g(·)遵循LSTM神经元的计算规则，用于计算波浪能预测输出结果。

进一步地，步骤S3中，基于回归方法估计波浪能发电功率概率分布分位数，得到预测概率区间信息；

波浪能确定性预测的目标为最小化真实波浪能发电功率与预测功率之间的差值，即表示为最小化误差

其中，t

得到波浪能预测的目标

其中，α为预测模型中待训练优化的参数；

采用分位数回归来估计预设置信水平的概率区间，通过最小化分位数损失来计算分位数回归，分位数损失用于将模型回归为一系列分位数。

本发明具有如下有益效果：

本发明提出一种基于神经网络的波浪能发电概率预测方法，考虑海洋气候环境的复杂性对波浪能发电的影响筛选关键时空特征，针对影响波浪能的复杂耦合因素进行频域分解，并构建序列架构神经网络概率预测模型，结合注意力机制捕获发电趋势，实现波浪能发电的概率预测。

本发明实施例的优点主要有：在本发明中，首先针对波浪能发电的不稳定性和不确定性，提出基于序列架构的神经网络预测模型，相较于传统模型具有更强的长期记忆能力，同时针对不同影响因素和不同历史时间步对预测的影响不同，提出注意力机制使得模型能够关注到关键特征；其次，面对电网对不确定性信息的需求，提出基于分位数回归的概率区间预测方法，从而实现对波浪能不确定性的估计；此外，针对波浪能发电不同设备形式间的差异，提出基于k-shape的聚类方法，并通过混合指标特征筛选方法选择影响波浪能发电的关键特征，避免波浪系统受多种时空复杂因素驱动下数据冗余的问题；针对影响波浪能的复杂耦合因素，提出频域分解方法挖掘波浪能潜在走势特征。

本发明通过对波浪能发电的概率预测，为确保新能源渗透下电力系统安全、稳定和可持续的运行具有重要现实意义。

本发明实施例中的其他有益效果将在下文中进一步述及。

附图说明

图1为本发明实施例的波浪能发电概率预测方法的流程图。

具体实施方式

以下对本发明的实施方式做详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

波浪能发电是一种依赖海洋波浪运动的可再生能源技术，海洋气候环境的复杂性对波浪能发电的预测具有深远而多方面的影响，主要存在两个挑战：第一，波浪系统受多种因素驱动，包括风速、风向、潮汐、地形、洋流等，这些因素在时间和空间上都非常复杂，本发明的预测模型对关键特征予以关注而不受无关因素的影响。第二，气候变化导致的海洋气象条件的不稳定性增加了波浪的变化性，使得准确的波浪能预测变得更加困难，本发明实施例的用于预测的模型有较强的长期记忆能力。

除了上述挑战之外，还面临一些其他问题。首先，对波浪能发电功率的确定性点预测，无法为面向新能源渗透下电网调度提供足够的不确定性信息，因此，本发明对未来波浪能发电功率进行概率区间估计，采用概率方法对不确定性分布进行预测；其次，对波浪能发电产生影响的因素众多，相互耦合，影响预测模型计算效率，本发明对可能影响的特征进行筛选；最后，由于波浪能发电设备形式各异，采用的发电原理不同，其发电特性也存在差异，本发明通过设计识别匹配机制来解决不同设备的适应性问题。

本发明实施例提出一种面向海岛或沿海复杂天气的基于改进神经网络的波浪能发电概率预测方法，考虑海洋气候环境的复杂性对波浪能发电的影响筛选关键时空特征，针对影响波浪能的复杂耦合因素进行频域分解，并构建序列架构神经网络概率预测模型，结合注意力机制捕获发电趋势，实现波浪能发电的概率预测。

本发明实施例提出基于神经网络的波浪能发电概率预测方法，包括如下步骤：

S1.对波浪能发电序列进行聚类分析，根据发电特性将不同的发电设备分为若干类，实现对不同发电特性设备的匹配；根据波浪能发电形式受海洋气候环境的影响，筛选关键时空特征；对影响波浪能的复杂耦合因素进行频域分解；

S2.以步骤S1得到的特征与数据作为训练模型的输入，基于波浪的不稳定性变化特征，构建序列架构神经网络波浪能预测模型；

S3.通过概率区间估计方法预测未来波浪能发电功率的不确定性分布，并根据概率区间估计的结果进行波浪能发电的概率预测。

具体地，包含以下步骤：

(1)基于波浪能发电装置原理，考虑波浪能发电形式受海洋气候环境的影响筛选波浪能关键时空特征，并针对影响波浪能的复杂耦合因素进行频域分解；

(1-1)提出波浪能发电预测问题的基本模型，设计匹配机制来解决不同波浪能发电设备的适应性问题；

波浪能发电通过捕获海浪起伏的动能并转化为有功功率输出，构建波浪能发电序列为按时序分布的有功功率序列

P

其中，P

面对不同波浪能发电设备形式下发电特性的差异，提出基于k-shape的波浪能发电序列聚类方法，实现对不同发电特性设备的匹配，其具体步骤如下：

1)利用统计度量互相关，确定两个等长序列的相似性，定义波浪能发电功率序列的平移形式

其中，波浪能发电功率序列长度为n，序列平移量为s，通过上述方法固定一组序列

2)定义两个波浪能发电功率间的互相关序列采用以下形式

其中，R的计算方式定义如下

其中，CC

3)定义基于形态的距离SBD(Shape-based distance)计算方式如下

其中，SBD的值在0到2间变化，若两波浪能发电功率序列越相似，则SBD距离的值越小；

4)基于对波浪能序列的距离的量化，采用基于SBD的质心计算方法求解波浪能发电序列聚类问题

其中，

其中，通过迭代方法实现对波浪能序列的聚类，具体迭代步骤如下：(a)根据簇的当前质心

(b)根据每个波浪能序列与新的优化质心的距离将它们重新分配到不同的簇中；

(c)重复上述计算，直至所有波浪能序列所属的簇不再变化为止，由此实现波浪能发电序列聚类方法；

(1-2)考虑波浪能发电形式受海洋气候环境的影响，通过所设计的混合指标特征筛选方法，筛选关键时空特征；

由于波浪能发电能量来自波浪的动能，其变化规律与发电特性与发电设备周围的海洋环境与气象指标存在联系，考虑其相关性对预测存在影响，因此将以下序列用于预测模型的备选输入变量；

优选的，考虑海浪变量对波浪能发电的影响，包括海浪显著波高x

优选的，考虑气象变量对波浪能发电的影响，包括海面温度、海上风速、海上风向、湿度与气压；

优选的，考虑设备变量对波浪能发电的影响，包括设备运行状态、转速；

选用相关系数判断波浪能序列之间的关系，提出混合相关系数，其计算方式如下式所示

r(P

λ∈(0,1)

其中，r(P

皮尔逊相关系数由下式计算

其中，Cov(X

斯皮尔曼相关系数由下式计算

其中，n代表序列长度，d

(1-3)针对影响波浪能的复杂耦合因素，通过所提出的频域分解方法挖掘波浪能潜在走势特征；

针对波浪能发电功率序列采用经验模态分解方法，通过对原始序列频域展开获得各模态分量，提供波浪能更加丰富的信息和结构，其主要步骤如下；

1)首先，设定波浪能原始信号的处理次数为M；

2)生成M个随机的白噪声信号n

n

其中，γ代表标准噪声比率，g(·)代表控制白噪声信号生成的函数，以原始序列为输入产生白噪声信号；

3)接着，将上述具有标准正态分布的白噪声n

P′(m,t)＝P

其中，m＝1,2,...,M；

4)对于每个含噪声的叠加信号，利用经验模态分解算法(Empirical ModeDecomposition，EMD)获取模态分量IMF

其中，J是模态分量的个数；

5)残差计算，分解的残差是整体均值与原始输入序列的总和

其中，r(m,t)为代表序列平均趋势的残差函数；

重复上述步骤M次，生成M组IMF和残差；

6)最后，通过对M组中的IMF进行平均，而获得最后的模态分量

将其作为训练波浪能预测模型的输入，以提高模型的训练效果。

(2)面向海岛复杂天气，构建序列架构神经网络波浪能预测模型，结合注意力机制捕获关键发电趋势；

(2-1)基于波浪的不稳定性变化特征，构建序列架构神经网络预测模型；

波浪能预测问题，其主要目标为根据预测问题的输入，输出波浪能功率的预测结果与概率信息，数学形式如下

其中，

波浪能预测模型的训练与预测采用滑动窗口的训练方式，即采用1～t

波浪能的预测采用序列架构神经网络，该模型主要由编码器(Encoder)和解码器(Decoder)组成，编码器将输入序列编码为固定长度的向量，解码器将向量解码为输出序列，如上所述的，用于计算的每个重复单元，即神经元，均使用LSTM单元建模，编码器与解码器均由多个神经元串联排列构成；

在编码器中，LSTM获取输入序列并迭代更新其隐藏状态向量，从而捕获输入序列中的信息。最终的隐藏状态向量被定义为编码器状态，它是解码器的输入序列。

其中，x

在解码器中，每个LSTM神经元通过获取编码器状态和前一个时间步的输出来计算下一个输出，重复该过程直到生成完整的预测目标序列

其中，y

(2-2)设计注意力机制，提升波浪能预测模型对关键特征予以关注的能力，同时减少无关因素的影响；

未来波浪能发电量与历史数据的关系可以解释为一个复杂的非线性映射过程，过去不同的时间步长和不同的辅助变量对未来产出的贡献不均衡，注意力机制确保模型专注于输入序列的相关部分，使模型能够更准确地处理长序列，同时提高模型的泛化能力和对复杂任务的适应性；

注意机制的实施基于对解码器中方法进行调整，具体来说，注意力层被添加到神经网络中，注意力层的目标是根据编码器层的输出迭代相似性权重矩阵。具体的数学公式如下：

具体实施中，给定编码器中的隐藏状态向量

e

其中，e

接着，注意力权重分布被标准化，其计算式如下所示

α

其中，α

进一步地，编码器互联状态是根据编码器的注意力权重和隐藏状态计算得出的，在解码器中，编码器的输出首先定义为c

/>

由此，从中计算解码器的隐藏状态，并由输出门生成网络的输出

其中，g(·)遵循LSTM神经元的计算规则，用于计算波浪能预测输出结果。

(3)面对电网调度不确定性信息需求，提出概率区间估计方法，综合实现波浪能发电的概率预测框架；

(3-1)基于回归方法估计波浪能发电功率概率分布分位数，得到预测概率区间信息；

波浪能确定性预测的目标为最小化真实波浪能发电功率与预测功率之间的差值，即表示为最小化误差，t

如上所述，可得到波浪能预测的目标

其中，α为预测模型中待训练优化的参数；

采用分位数回归来估计预设置信水平的概率区间，分位数回归是一种条件回归方法，通过最小化分位数损失来计算，分位数损失用于将模型回归为一系列分位数，其计算式如下所示

其中，γ表示分位数百分比，满足γ∈(0,1)，符号Ⅱ代表示性函数。

综合上述方法，本发明提出基于改进神经网络的波浪能发电的概率预测框架，流程如图1所示。

本发明实施例还提供一种存储介质，用于存储计算机程序，该计算机程序被执行时至少执行如上所述的方法。

本发明实施例还提供一种控制装置，包括处理器和用于存储计算机程序的存储介质；其中，处理器用于执行所述计算机程序时至少执行如上所述的方法。

本发明实施例还提供一种处理器，所述处理器执行计算机程序，至少执行如上所述的方法。

所述存储介质可以由任何类型的易失性或非易失性存储设备、或者它们的组合来实现。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，ErasableProgrammable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，ElectricallyErasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，FerromagneticRandom Access Memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random Access Memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，SynchronousStatic Random Access Memory)、动态随机存取存储器(DRAM，DynamicRandom AccessMemory)、同步动态随机存取存储器(SDRAM，Synchronous Dynamic RandomAccessMemory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double DataRateSynchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

本发明所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。

本发明所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。

本发明所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。

以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。