[发明专利]一种采用LSTM-NARX混合模型的水下潮流预测方法

说明书

本发明公开了一种采用LSTM‑NARX混合模型的水下潮流预测方法。将水下潮流区域等间隔设置多个深度位置，每一水下深度位置设置声学多普勒流速剖面仪，采集每一水下深度位置的潮流值，潮流值包括潮流速度大小和方向，对潮流值数据分别用两种不同的模型进行预测处理，获得两个方面的预测分量，再将两个方面的预测分量相加作为最终的潮流值预测结果。本发明结合了新型的神经网络预测算法，首次提出了结合不同深度潮流特点建模，对短期潮流值进行了精确预测，能有效地提高潮流预测精度。

技术领域

本发明涉及一种水下潮流数据预测方法，尤其是涉及一种基于不同水深潮流特点的采用LSTM-NARX混合模型的水下潮流预测方法。

背景技术

随着世界对环境保护的日益重视，无污染的可再生能源得到了广泛重视，而潮流能和其他可再生能源相比因为能量密度大、可预测性强的特点，近年来潮流能技术的开发也急速发展。高精度的潮流预测能极大提高潮流能利用率。

潮流受到各种因素影响：天文因素，月球、太阳的引力变化；气象因素，气压、风、温度等。传统的潮流能预测方法主要采用谐波分析模型，此模型只能对天文因素进行建模，而不能分析气象因素使得预测结果精度较差，不能较好满足当前应用要求。虽然一些神经网络方法也被用于潮流预测，但对气象因素和天文同时建模存在过度拟合的问题也导致精度预测精度不高。

发明内容

基于上述背景技术中存在的问题，结合不同水深潮流流速特点，本发明的目的在于提供一种基于不同水深潮流特点的采用LSTM-NARX混合模型的水下潮流预测方法，是一种基于多层流速的机器学习混合模型预测方法，首次提出了结合不同深度潮流特点建模，将影响潮流值得气象因素和天文因素分离，能有效提高潮流值预测精度。

本发明采用的技术方案如下：

本发明将水下潮流区域等间隔设置多个深度位置，每一水下深度位置设置声学多普勒流速剖面仪(ADCP)，采集每一水下深度位置的潮流值，潮流值包括潮流速度大小和方向，对潮流值数据分别用两种不同的模型进行预测处理，获得两个方面的预测分量，再将两个方面的预测分量相加作为最终的潮流值预测结果。

针对第m+1水下深度位置的潮流预测，采用如下方法处理：

采用第m水下深度位置的潮流值数据输入到LSTM(长短期记忆网络)算法模型中进行处理，输出得到的预测数据作为天文因素的预测分量；

采用第m水下深度位置的潮流值数据和第m-1水下深度位置的潮流值数据作差，然后输入到NARX(时间序列神经网络)算法模型中进行处理，输出得到的预测数据作为气象因素的预测分量；

将天文因素的预测分量和气象因素的预测分量求和作为最终的潮流值预测值。

针对受引力影响的天文因素，本发明采用了LSTM算法建模；针对受随机气象影响的随机因素，本发明采用了NARX算法建模处理。

实际中，影响潮流速度值的因素主要选择为受月球、太阳引力影响的天文因素及受气象影响的气象因素，随着潮流距离水面深度越深，影响其流速值的天文因素几乎没有变化，而影响其流速值的气象因素逐渐微弱，采集的潮流速度数据中包含气象因素和天文因素的两个因素的影响。而本发明根据考虑不同深度的多层潮流流速特点，将仅包含气象因素和天文因素的两个因素的潮流速度数据进行了分离且采用各自不同特殊的模型处理，然后融合获得潮流速度的预测，这样能准确分离两个因素的数据，能提高潮流值预测精度。

针对每一水下深度位置的潮流数据，在水平面上建立两个相互正交的方向U和V，将潮流数据分解在方向U和V，选取其中任一方向的潮流数据输入到模型中进行处理训练。