張明宇,趙 猛*,蔡夫鴻,梁 鈺,王鑫紅

(1.海南大學(xué) 機(jī)電工程學(xué)院，海南 海口 570228；2.海南電網(wǎng)有限責(zé)任公司 電力科學(xué)研究院，海南 ?？?570105；3.東北電力大學(xué) 建筑工程學(xué)院，吉林 吉林 132012)

波浪能作為未來(lái)極具潛力的新能源品類(lèi)，研究其發(fā)電穩(wěn)定技術(shù)及并網(wǎng)調(diào)度技術(shù)對(duì)于沿海城市、半島城市、海島城市能源供給具有實(shí)際意義。對(duì)于西沙群島等遠(yuǎn)洋海島，由于無(wú)法從大陸直接獲取電能，大規(guī)模開(kāi)發(fā)波浪能有重要戰(zhàn)略意義[1-4]。

針對(duì)波浪能發(fā)電船等發(fā)電裝置輸出功率波動(dòng)性較大的問(wèn)題，準(zhǔn)確的功率預(yù)測(cè)是一種有效的解決途徑。波浪能發(fā)電預(yù)測(cè)按時(shí)間尺度可分為超短期預(yù)測(cè)(≤4 h)、短期預(yù)測(cè)(≤72 h)、中長(zhǎng)期預(yù)測(cè)(30～365 d)，通常時(shí)間尺度劃分并無(wú)嚴(yán)格的規(guī)定，只需根據(jù)預(yù)測(cè)功能不同進(jìn)行粗略設(shè)定[5-8]。超短期預(yù)測(cè)用于提供功率瞬變信息；短期預(yù)測(cè)用于調(diào)度計(jì)劃制定、負(fù)荷跟蹤和預(yù)測(cè)電力市場(chǎng)等；中長(zhǎng)期預(yù)測(cè)用于資源評(píng)估和電站規(guī)劃等。按空間尺度可分為單場(chǎng)預(yù)測(cè)、區(qū)域預(yù)測(cè)。單場(chǎng)預(yù)測(cè)用于指導(dǎo)波浪能電站運(yùn)營(yíng)，區(qū)域預(yù)測(cè)用于輔助調(diào)度部門(mén)進(jìn)行波浪發(fā)電功率波動(dòng)預(yù)估，并制定多種電源協(xié)調(diào)調(diào)度計(jì)劃[9-13]。

目前關(guān)于波浪能預(yù)測(cè)的研究不多，文獻(xiàn)[14]建立風(fēng)-浪經(jīng)驗(yàn)?zāi)Ｐ?，并通過(guò)灰色模型對(duì)波浪要素預(yù)測(cè)結(jié)果進(jìn)行殘差修正，然后利用阿基米德波浪擺(AWS)系統(tǒng)建立波浪要素和波浪能發(fā)電功率之間轉(zhuǎn)換模型。類(lèi)似的轉(zhuǎn)換模型還有WAM(wave model)、WAVEWATCH、STWAVE(steady-state spectral wave)和 SWAN(simulation waves nearshore)等。此類(lèi)模型的明顯缺點(diǎn)在于運(yùn)算時(shí)間較長(zhǎng)，從而不適用于對(duì)電力系統(tǒng)的實(shí)時(shí)調(diào)度。文獻(xiàn)[15]提出先將涌浪和風(fēng)浪分離，然后再利用ARIMA時(shí)間序列預(yù)測(cè)方法進(jìn)行波浪能短期預(yù)測(cè)。該方法簡(jiǎn)單考慮風(fēng)與浪的能量傳遞模式，而忽略了溫度、光照等可參照的環(huán)境因素。波浪能的能量不僅僅需要考慮風(fēng)能，其也間接來(lái)自于太陽(yáng)能，所以光照強(qiáng)度、溫度等也是重要的考量因素。

針對(duì)這一問(wèn)題，本文LSTM-BP模型第一部分使用長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)算法預(yù)測(cè)風(fēng)速、溫度、光照強(qiáng)度等氣候數(shù)據(jù)。LSTM是一種有“記憶”的時(shí)間序列預(yù)測(cè)模型，時(shí)間序列預(yù)測(cè)的主要方法包括傳統(tǒng)的時(shí)間序列預(yù)測(cè)方法和基于機(jī)器學(xué)習(xí)的方法[16-18]。其中，傳統(tǒng)時(shí)間序列預(yù)測(cè)方法主要是在時(shí)間序列參數(shù)模型的基礎(chǔ)上求解出模型參數(shù)，并利用求解出的模型完成預(yù)測(cè)工作。經(jīng)典時(shí)間序列模型包括移動(dòng)平均模型(moving average，MA)和自動(dòng)回歸平移模型(auto regressive moving average，ARMA)等?；跈C(jī)器學(xué)習(xí)的方法包括貝葉斯網(wǎng)絡(luò)(Bayes net，BN)和支持向量機(jī)(support vector machine，SVM)等。隨著神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)方法的崛起，特別是LSTM在時(shí)間序列預(yù)測(cè)方面的優(yōu)良特性，促使越來(lái)越多的研究者將視線轉(zhuǎn)移至基于深度學(xué)習(xí)的時(shí)間序列預(yù)測(cè)方法上[19-20]。

本文模型的第二部分利用BP網(wǎng)絡(luò)和第一部分得到的氣候數(shù)據(jù)預(yù)測(cè)波浪能發(fā)電功率。不同于文獻(xiàn)[14]中提到的AWS模型，BP網(wǎng)絡(luò)通過(guò)采用深層非線性網(wǎng)絡(luò)結(jié)構(gòu)擬合實(shí)際對(duì)象復(fù)雜內(nèi)在關(guān)系，可避免繁瑣物理建模過(guò)程，有較好的泛化能力和容錯(cuò)能力。本文設(shè)計(jì)以預(yù)測(cè)時(shí)間尺度為因變量的對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，對(duì)比不同時(shí)間尺度的預(yù)測(cè)結(jié)果，利用長(zhǎng)時(shí)間跨度的歷史氣候數(shù)據(jù)和功率數(shù)據(jù)，本文的LSTM-BP模型可以得到準(zhǔn)確的預(yù)測(cè)結(jié)果。

1 LSTM-BP預(yù)測(cè)模型

神經(jīng)網(wǎng)絡(luò)由大量的非線性神經(jīng)元構(gòu)成，從輸入到輸出需經(jīng)過(guò)非常復(fù)雜的非線性運(yùn)算。同時(shí)通過(guò)反向傳播算法調(diào)整神經(jīng)元之間的連接權(quán)重，最終實(shí)現(xiàn)網(wǎng)絡(luò)輸出與樣本輸出差值(Loss)向零逼近。神經(jīng)網(wǎng)絡(luò)特別適用于輸入與輸出取值容易量測(cè)，而兩者間的關(guān)系不易通過(guò)物理機(jī)理分析獲取的情形。例如氣候數(shù)據(jù)的預(yù)測(cè)問(wèn)題，本質(zhì)是以當(dāng)前數(shù)據(jù)作為輸入，未來(lái)某時(shí)刻的取值作為輸出的建模過(guò)程。傳統(tǒng)的建模過(guò)程較為復(fù)雜，而利用LSTM模型的擬合過(guò)程則比較簡(jiǎn)單，模型訓(xùn)練好以后，正向計(jì)算速度也比傳統(tǒng)的模型速度更快[21]。

1.1 LSTM模型

LSTM繼承了RNN(recurrent neural network)的優(yōu)良特性并解決了標(biāo)準(zhǔn)RNN中的梯度消失和梯度爆炸問(wèn)題。LSTM是目前應(yīng)用最為廣泛和成功的RNN模型。LSTM單元結(jié)構(gòu)如圖1所示[22]。

圖1 LSTM網(wǎng)絡(luò)結(jié)構(gòu)Fig. 1 LSTM network structure

由圖1可知，LSTM的結(jié)構(gòu)包括輸入門(mén)、輸出門(mén)、遺忘門(mén)以及各個(gè)部分的前向運(yùn)算關(guān)系。此外，從圖中容易看出，在每個(gè)序列索引位置t時(shí)刻向前傳播的除了和RNN一樣的隱藏狀態(tài)ht外，還多了另一個(gè)隱藏狀態(tài)，這個(gè)隱藏狀態(tài)即是所謂的細(xì)胞狀態(tài)(cell state)，記為Ct。

顧名思義，遺忘門(mén)(forget gate)用于決定控制是否被遺忘，其在LSTM中以一定的概率控制著是否遺忘上一層的隱藏細(xì)胞狀態(tài)。遺忘門(mén)的輸入包括上一序列的隱藏狀態(tài)ht和本序列數(shù)據(jù)xt，兩者通過(guò)一個(gè)激活函數(shù)(一般采用sigmoid)獲得輸出ft。由于sigmoid的輸出在[0,1]之間，因此這里的輸出代表了遺忘上一層的概率。完整的表達(dá)式為

ft=σ(Wf[ht-1,xt]+bf)。

(1)

式中：Wf、bf為線性關(guān)系的系數(shù)和偏置；[ht-1,xt]是通過(guò)對(duì)ht-1、xt拼接而成；σ為sigmoid激活函數(shù)。

輸入門(mén)(input gate)負(fù)責(zé)處理當(dāng)前序列位置的輸入。從圖1中可以看出，輸入門(mén)由2部分組成，其中第一部分使用了sigmoid激活函數(shù)，輸出為it，而第二部分使用了tanh激活函數(shù)，輸出為zt，兩者的結(jié)果相乘用于更新細(xì)胞狀態(tài)。完整的公式如下：

it=σ(Wi[ht-1,xt]+bi)，

(2)

zt=σ(Wz[ht-1,xt]+bz)。

(3)

在研究輸出門(mén)之前，需留意LSTM的遺忘門(mén)和輸入門(mén)的結(jié)果會(huì)作用于細(xì)胞狀態(tài)Ct，圖1中可以看出細(xì)胞狀態(tài)Ct-1到Ct的運(yùn)算過(guò)程。Ct由2部分組成：第一部分是Ct-1和遺忘門(mén)輸出ft的乘積，第二部分是輸入門(mén)的it和zt的乘積。

得到更新的隱藏細(xì)胞狀態(tài)Ct后，則可用來(lái)計(jì)算輸出門(mén)(output gate)。輸出門(mén)的計(jì)算包括輸出狀態(tài)ot和隱藏狀態(tài)ht的計(jì)算。從圖1中可以看出，ot依然是在[ht-1,xt]上加上權(quán)重和偏置后用作sigmoid函數(shù)的輸入，然后由ot和Ct計(jì)算得到新的隱藏狀態(tài)ht，其公式如下：

ot=σ(Wo[ht-1,xt]+bo)，

(4)

ht=ot⊙tanh(Ct)。

(5)

1.2 BP模型

圖2 BP神經(jīng)網(wǎng)絡(luò)Fig. 2 BP neural network

BP網(wǎng)絡(luò)在1986年就被Rumehard等人提出，由于當(dāng)時(shí)計(jì)算機(jī)的計(jì)算力不高，所以并未得到發(fā)展。在BP基礎(chǔ)上衍生出很多神經(jīng)網(wǎng)絡(luò)模型，如卷積網(wǎng)絡(luò)和LSTM。BP網(wǎng)絡(luò)一般包含輸入層(i層)、隱含層(h層)、輸出層(o層)。圖2所示是各層神經(jīng)元數(shù)量為[3,3,2]的一個(gè)網(wǎng)絡(luò)，從左到右邊分別是i層、h層和o層。h層和o層神經(jīng)元Cell中的前向計(jì)算公式為

y=σ(W⊙X+b)。

(6)

式中：W表示神經(jīng)元之間鏈接的權(quán)重矩陣，矩陣的行列分別是前一層神經(jīng)元和后一層神經(jīng)元的個(gè)數(shù)；X表示鏈接左側(cè)神經(jīng)元的輸出；b表示神經(jīng)元中的偏置矩陣；y表示一層神經(jīng)元的輸出矩陣[23]。

2 數(shù)據(jù)及處理方法

圖3 數(shù)據(jù)處理流程Fig. 3 Data processing flow chart

結(jié)合獲取到的氣候數(shù)據(jù)和功率數(shù)據(jù)特點(diǎn)，本章提出一系列數(shù)據(jù)預(yù)處理過(guò)程，數(shù)據(jù)處理流程及算法過(guò)程如圖3所示。

2.1 數(shù)據(jù)選取

目前，可用于波浪能預(yù)測(cè)的數(shù)據(jù)主要來(lái)源于國(guó)家海洋信息監(jiān)測(cè)中心單個(gè)監(jiān)測(cè)臺(tái)采集的數(shù)據(jù)和波浪能發(fā)電站中記錄的數(shù)據(jù)。主要涉及溫度、光照強(qiáng)度、風(fēng)速、波浪高度、發(fā)電功率等基本信息。本文實(shí)驗(yàn)數(shù)據(jù)來(lái)自我國(guó)某波浪能發(fā)電船上采集到的功率數(shù)據(jù)及當(dāng)?shù)貧庀笈_(tái)獲取的氣象數(shù)據(jù)。

基于LSTM-BP的波浪能發(fā)電功率預(yù)測(cè)過(guò)程由2部分組成。第一部分運(yùn)用LSTM完成對(duì)氣候數(shù)據(jù)的預(yù)測(cè)，其將歷史序列作為輸入，即圖1中的xt，輸出是未來(lái)某一時(shí)刻的值xt+1。此部分需要建立的數(shù)據(jù)集是某海島2017—2018年的日照強(qiáng)度、溫度、風(fēng)速三維度氣候數(shù)據(jù)，采集時(shí)間間隔1 min，總共大約有300萬(wàn)條數(shù)據(jù)。預(yù)測(cè)得到的三維度序列數(shù)據(jù)分別用S(日照強(qiáng)度)、T(溫度)、W(風(fēng)速)表示。第二部分運(yùn)用BP網(wǎng)絡(luò)，實(shí)現(xiàn)發(fā)電功率的擬合。該部分通過(guò)獲取某發(fā)電廠245 d中每天的發(fā)電量，構(gòu)成BP模型的輸出標(biāo)簽數(shù)據(jù)庫(kù)。BP模型的輸入為第一部分預(yù)測(cè)得到的S、T、W數(shù)據(jù)。但此類(lèi)數(shù)據(jù)不能直接用來(lái)構(gòu)成輸入神經(jīng)元，因?yàn)镾、T、W一天的數(shù)據(jù)量為4 320個(gè)，而程序中如果使用4 320個(gè)輸入神經(jīng)元，數(shù)量龐大的輸入層將無(wú)法進(jìn)行模型的訓(xùn)練，也不利于體現(xiàn)輸入數(shù)據(jù)的特征。因此，本文提取S、T、W數(shù)據(jù)的特征作為輸入神經(jīng)元，具體包括微分值均值(d)、最大值(max)、最小值(min)和均值(average)4個(gè)維度總共12個(gè)特征，其中微分均值體現(xiàn)數(shù)據(jù)變化的劇烈程度，其他特征容易理解。輸出層為當(dāng)天的平均功率P，可用簡(jiǎn)化公式表示為

P=f(Sd,Smax,Smin,Saverage,Td,Tmax,Tmin,Taverage,Wd,Wmax,Wmin,Waverage)。

(7)

2.2 數(shù)據(jù)預(yù)處理

在做歸一化之前，需要觀察原始數(shù)據(jù)是否存在異常值或缺失值。常用的異常處理方法為設(shè)定閾值法，在其判定為異常值后使用雙側(cè)高斯權(quán)重插值法(本文不考慮連續(xù)出現(xiàn)異常的情況)，而對(duì)于具有數(shù)據(jù)缺失的情況則采用單側(cè)高斯權(quán)重插值法，插值計(jì)算公式為

(8)

圖4 處理前溫度數(shù)據(jù)Fig. 4 Temperature data before processing

圖5 處理后溫度數(shù)據(jù)Fig. 5 Temperature data after processing

對(duì)比圖4、5可以看出，數(shù)值異常大的數(shù)據(jù)被剔除掉，處理后的數(shù)據(jù)較好地體現(xiàn)了數(shù)據(jù)的特征。對(duì)于傳統(tǒng)的建模與仿真來(lái)說(shuō)，不同對(duì)象有不同類(lèi)型的數(shù)據(jù)和不同量綱的數(shù)據(jù)，一般需要保留原始數(shù)據(jù)的量綱或者只進(jìn)行簡(jiǎn)單的簡(jiǎn)化。而在神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，需要剔除原始數(shù)據(jù)的具體含義和量綱，僅僅保留數(shù)據(jù)間的關(guān)系特征，并對(duì)輸入數(shù)據(jù)和輸出數(shù)據(jù)進(jìn)行歸一化處理，歸一化數(shù)據(jù)的取值范圍為[0,1]。本文使用簡(jiǎn)單的離差標(biāo)準(zhǔn)化方法(min-max normalization)進(jìn)行歸一化，公式為

(9)

式中：X為原始訓(xùn)練數(shù)據(jù)，Xmax為原始數(shù)據(jù)中最大的值，Xmin為最小值，X*為歸一化值。

2.3 訓(xùn)練數(shù)據(jù)構(gòu)造

結(jié)合前文提及的模型和數(shù)據(jù)特點(diǎn)，進(jìn)行訓(xùn)練數(shù)據(jù)的構(gòu)造。本文采用定長(zhǎng)輸入LSTM，根據(jù)參數(shù)的不同構(gòu)造不同的預(yù)測(cè)時(shí)間尺度，輸入時(shí)間尺度分別為5、60、1 440 min。獲取預(yù)處理后數(shù)據(jù)中時(shí)間靠前的80%數(shù)據(jù)量用作訓(xùn)練模型，剩余的20%用作模型測(cè)試。其中用作測(cè)試的數(shù)據(jù)時(shí)間尺度必須涵蓋給出的發(fā)電量數(shù)據(jù)的時(shí)間尺度。同理，在做功率預(yù)測(cè)時(shí)也需要將LSTM預(yù)測(cè)的數(shù)據(jù)和功率數(shù)據(jù)分為訓(xùn)練集和測(cè)試集。

3 LSTM-BP模型驗(yàn)證實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)的硬件平臺(tái)：Intel(R)CoreTMi5-6300H, 2.3 GHz CPU，內(nèi)存16 GiB；軟件實(shí)驗(yàn)平臺(tái)：Ubuntu16操作系統(tǒng)、python3.5編譯器和Tensorflow1.12深度學(xué)習(xí)框架。

3.2 基于LSTM的氣候數(shù)據(jù)預(yù)測(cè)

本實(shí)驗(yàn)?zāi)康脑谟谟^察LSTM模型在3個(gè)時(shí)間跨度(5、60、1 440 min)下預(yù)測(cè)效果的差異并分析其原因，將最后的功率預(yù)測(cè)均方差作為實(shí)驗(yàn)的參照標(biāo)準(zhǔn)。通過(guò)LSTM模型預(yù)測(cè)氣候數(shù)據(jù)，并計(jì)算上文提到的4個(gè)維度的特征值作為BP的輸入，利用BP模型進(jìn)行功率擬合，BP每一層神經(jīng)元數(shù)量選擇為[121，510，1]。訓(xùn)練完成后，測(cè)試集和訓(xùn)練集分別通過(guò)公式(10)計(jì)算預(yù)測(cè)值的均方誤差。

(10)

表1 氣候預(yù)測(cè)方差

觀察表1和圖6發(fā)現(xiàn)：①測(cè)試集的均方差都比對(duì)應(yīng)訓(xùn)練集的均方差大，這是由預(yù)測(cè)模型的泛化特性決定的；②只考慮氣候因素為因變量而其他條件保持一致，發(fā)現(xiàn)日照的均方差普遍小于溫度均方差，風(fēng)速均方差最大，說(shuō)明氣候數(shù)據(jù)中日照數(shù)據(jù)規(guī)律性最強(qiáng)，預(yù)測(cè)最準(zhǔn)；③預(yù)測(cè)時(shí)間跨度越長(zhǎng)，對(duì)應(yīng)均方差越大，所以預(yù)測(cè)效果越差，而且風(fēng)速預(yù)測(cè)結(jié)果在各個(gè)時(shí)間尺度上方差都是最大的，說(shuō)明風(fēng)速數(shù)據(jù)的規(guī)律性最差；④圖6(c)的風(fēng)速數(shù)據(jù)基本不能獲得預(yù)測(cè)數(shù)據(jù)max、min、d的特征，只能給出一條比較平滑的曲線，而圖6(a)和圖6(b)能夠比較好地體現(xiàn)預(yù)測(cè)數(shù)據(jù)的特征。綜上可得出結(jié)論：在同一氣候維度，時(shí)間尺度越大數(shù)據(jù)預(yù)測(cè)的擬合程度越差，也就是預(yù)測(cè)效果越差。

圖6 氣候預(yù)測(cè)Fig. 6 Climate prediction comparison

3.3 波浪能發(fā)電功率預(yù)測(cè)

采用LSTM模型預(yù)測(cè)的氣候數(shù)據(jù)作為輸入，輸出數(shù)據(jù)為某波浪能發(fā)電船245 d的發(fā)電數(shù)據(jù)，該數(shù)據(jù)的時(shí)間跨度是氣候數(shù)據(jù)時(shí)間跨度的子集。同理，首先對(duì)發(fā)電數(shù)據(jù)進(jìn)行預(yù)處理，然后根據(jù)預(yù)測(cè)得來(lái)的氣候數(shù)據(jù)計(jì)算4個(gè)維度的特征數(shù)據(jù)，并結(jié)合功率數(shù)據(jù)構(gòu)成BP模型訓(xùn)練數(shù)據(jù)庫(kù)，維度是245行、5列。實(shí)驗(yàn)同樣分3組進(jìn)行，輸入是預(yù)測(cè)跨度分別是5、60、1 440 min的氣候特征數(shù)據(jù)，輸出是波浪能發(fā)電單日出力數(shù)據(jù)，總共245個(gè)功率數(shù)據(jù)，其中訓(xùn)練集是時(shí)間靠前的200個(gè)數(shù)據(jù)，測(cè)試集是后45個(gè)。利用BP模型進(jìn)行發(fā)電功率預(yù)測(cè),預(yù)測(cè)準(zhǔn)確性以均方差衡量，預(yù)測(cè)結(jié)果如表2所示，預(yù)測(cè)效果如圖7所示。

表2 功率預(yù)測(cè)方差

圖7 功率預(yù)測(cè)對(duì)比Fig. 7 Power prediction comparison

觀察表2和圖7發(fā)現(xiàn)：①測(cè)試集的均方差比訓(xùn)練集的大，這是由預(yù)測(cè)模型泛化特性決定的；②預(yù)測(cè)時(shí)間跨度作為考慮變量，可以看出時(shí)間尺度越大，在訓(xùn)練集和測(cè)試集上的均方差越大，這一特點(diǎn)是因?yàn)锽P模型的輸入是氣候的特征數(shù)據(jù)，預(yù)測(cè)時(shí)間尺度越短，數(shù)據(jù)的特征越容易體現(xiàn)出來(lái)；③在實(shí)際功率較高的時(shí)候(0.6～1.0)，預(yù)測(cè)結(jié)果普遍低于實(shí)際功率，而且預(yù)測(cè)時(shí)間尺度越大誤差越大，而當(dāng)實(shí)際功率在較低的范圍(0～0.4)，預(yù)測(cè)結(jié)果比較準(zhǔn)確，原因是訓(xùn)練樣本量太少而且樣本中高功率數(shù)據(jù)和低功率數(shù)據(jù)比例嚴(yán)重失衡。

4 結(jié)論

本文利用某海島氣候數(shù)據(jù)和波浪能發(fā)電船發(fā)電數(shù)據(jù)建立歷史數(shù)據(jù)庫(kù)。舍棄傳統(tǒng)的、復(fù)雜的物理建模過(guò)程，僅僅運(yùn)用深度學(xué)習(xí)預(yù)測(cè)模型，給出了一種基于歷史氣候數(shù)據(jù)的波浪能發(fā)電功率預(yù)測(cè)方法，分析了在不同的時(shí)間尺度下預(yù)測(cè)準(zhǔn)確程度差異性及其產(chǎn)生的內(nèi)在原因。發(fā)電船儲(chǔ)能系統(tǒng)可以根據(jù)氣候預(yù)測(cè)和功率預(yù)測(cè)結(jié)果，做出儲(chǔ)能還是釋能的決策。本文方法尚未涉及波浪參數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響，后續(xù)工作將繼續(xù)研究波浪參數(shù)對(duì)功率預(yù)測(cè)的影響以及探索涌浪分離方法與深度學(xué)習(xí)模型的結(jié)合，也將進(jìn)一步考慮在模型中加入attention機(jī)制后的預(yù)測(cè)效果。