[发明专利]基于深度学习算法的海浪高度预测方法

说明书

本发明为一种基于深度学习算法的海浪高度预测方法。第一阶段获取海浪数据信息，对海浪数据信息进行分析与预处理，分析海浪数据信息与海浪高度之间的相关性，采用Pearson、GRA和PCA相结合的方法对海浪数据信息进行特征上的提取，实现在模型输入特征量上的优化。第二阶段将处理后的数据作为模型的输入，确定网络结构，建立基于思维进化算法的双向门控循环单元的网络模型。第三阶段设置MEA参数以获取最优的权重和阈值，训练MEA‑BIGRU网络模型。最后同时建立BP神经网络模型和BIGRU网络模型进行对比验证，从而实现对海浪浪高的精准预测。

技术领域

本发明属于海浪浪高预测技术领域，涉及一种基于思维进化算法和深度学习的海浪高度预测方法，特别涉及一种基于思维进化算法和双向门控循环单元(BiGRU)的多变量海浪高度预测方法。

背景技术

如今，海上风电产业正在世界范围内如火如荼的发展，海上风力发电已逐渐成为可再生能源研究和开发的重要发展方向。自然，我国的海上风电业务也要紧紧跟随世界潮流，加强对海洋风力资源的综合开发提高资源利用率。由于海上风电的运维受到天气和海况的影响，除了更换或维护部件本身的成本，还会产生大量的包括海事、船只、长期停机等成本。因此，实时、精细化海浪预测系统对海上风电场安全运维，提高运维效率并减少费用开支具有重要意义。

随着机器学习的广泛应用，使用机器学习算法对海洋环境进行预测展现了极大的应用前景。支持向量机(support vector machine，SVM)是机器学习中一个非常完善的分类和回归模型，支持向量机具有优秀的泛化能力。文献《James S C,Zhang Y,O'Donncha F.Amac hine learning framework to forecast wave conditions[J].CoastalEngineering,2018,137:1-10.》用机器学习对海浪要素进行预测，分别使用支持向量机(SVM)和多层感知机(MLP)对海浪的有效波高和特征周期进行预测，实现了机器学习在海浪预报方向的应用。近些年深度学习算法逐渐展现出其在海浪浪高预测方面的优势。长短期记忆网络(LSTM)的输出信息由输入门、遗忘门和输出门共同控制，而门控循环单元(GRU)是一种改进的LSTM，它将遗忘门和输入门集成到一个新的门中，减少了网络参数，提升了模型训练的效率，并且不容易过拟合。但是，门控循环单元通常会忽略海浪序列中的文本信息，并且无法有效捕获海浪序列中的时间序列规则，单一的门控循环单元无法快速准确地跟踪序列的变化特征。

文献《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》提出了一种长短期记忆(LSTM)网络，可以快速预测显著的波高，且精度更高。LSTM网络在10个不同环境条件的站进行1小时和6小时的预测。以过去4h的风速和过去1h的波高和风向为输入参数，得到了LSTM的预测结果。

文献《卢鹏,年圣全,邹国良,王振华,郑宗生.基于变分模态分解和注意力机制的浪高预测[J].海洋测绘,2021,41(02):34-39.》基于变分模态分解(VMD)，在引入注意力机制(AM)的基础上，对传统长短期记忆(LSTM)神经网络算法进行了改进，提出了一种基于混合模型的海浪高度预测算法。算法通过预处理、预测和重构3个主要步骤,对海浪高度的时间序列进行预测。

然而，上述算法均未考虑海浪浪高影响因素的相关性以及权重问题，因此本申请方法对海浪数据信息的特征进行提取，分析其相关性从而确定其权重，再通过BiGRU进行浪高预测。

发明内容