基于深度学习的波浪能发电功率预测

doi:10.16088/j.issn.1001-6600.2020.03.004

广西师范大学学报（自然科学版） ›› 2020, Vol. 38 ›› Issue (3): 25-32.doi: 10.16088/j.issn.1001-6600.2020.03.004

基于深度学习的波浪能发电功率预测

张明宇¹, 赵猛^1*, 蔡夫鸿¹, 梁钰², 王鑫红³

1.海南大学机电工程学院,海南海口570228;
2.海南电网有限责任公司电力科学研究院,海南海口570105;
3.东北电力大学建筑工程学院,吉林吉林132012

收稿日期:2019-06-28 出版日期:2020-05-25 发布日期:2020-06-11
通讯作者: * 赵猛(1987—),男,重庆人,海南大学讲师,博士。E-mail:meng.zh@outlook.com
基金资助:
国家自然科学基金(51865008);中国南方电网有限责任公司科技项目(073000KK52180007)

Wave Power Prediction Based on Deep Learning

ZHANG Mingyu¹,ZHAO Meng^1*,CAI Fuhong¹,LIANG Yu²,WANG Xinhong³

1. Mechanical and Electrical Engineering College, Hainan University,Haikou Hainan 570228,China;
2. Electric Power Research Institute of Hainan Power Grid Corporation Ltd, Haikou Hainan 570105,China;
3. School of Civil Engineering and Architecture,Northeast Electric Power University,Jilin Jilin 132012,China

Received:2019-06-28 Online:2020-05-25 Published:2020-06-11

摘要/Abstract

摘要： 针对波浪能发电中波高和频率的强随机性所导致的发电功率输出不稳定性问题,提出利用波浪能发电功率的预测数据,辅助储能系统(物理储能和化学储能)准确动作以平抑其波动性。预测数据是基于长短期记忆网络(long-short term memory,LSTM)和BP神经网络相结合的波浪能发电功率预测方法预测得到的。利用南海某岛两年天气数据和245 d的波浪能发电功率数据进行实验,训练并测试3个预测时间跨度LSTM-BP模型。对某波浪能发电船的功率在不同时间跨度的情况进行预测,实验结果表明,利用LSTM-BP模型可以较好地实现波浪能发电输出功率预测。

关键词: 功率预测, 波浪能, 深度学习, LSTM-BP

Abstract: In view of the instability of the output power caused by the strong randomness of wave height and frequency in wave energy generation, it’s proposed to use the prediction data of wave energy generation power to assist the accurate operation of energy storage system (physical energy storage and chemical energy storage) to stabilize its volatility. The prediction data is predicted based on the wave energy generation power prediction method combining with the Long-Short Term Memory (LSTM) and the Back Propagation Neural Network (BP). The experiment is conducted by using two-year weather data and 245-day wave energy generation power data from an island in the South China Sea, and three predicted time span LSTM-BP models are trained and tested. The prediction results of the power of a wave energy generation boat are given at different time spans. It’s showed that the LSTM-BP model can be used to predict the output power of wave energy generation well.

Key words: power prediction, wave energy, deep learning, LSTM-BP

中图分类号:

TM743

张明宇, 赵猛, 蔡夫鸿, 梁钰, 王鑫红. 基于深度学习的波浪能发电功率预测[J]. 广西师范大学学报（自然科学版）, 2020, 38(3): 25-32.

ZHANG Mingyu,ZHAO Meng,CAI Fuhong,LIANG Yu,WANG Xinhong. Wave Power Prediction Based on Deep Learning[J]. Journal of Guangxi Normal University(Natural Science Edition), 2020, 38(3): 25-32.

参考文献

[1] 李琳娜,史宏达,董晓晨.波浪能研究发展概况[J].中国水运,2017,17(7):256-257.
[2] 赵波,王成山,张雪松.海岛独立型微电网储能类型选择与商业运营模式探讨[J].电力系统自动化,2013,37(4): 21-27.DOI: 10.7500/AEPS201211014.
[3] 白志刚,魏茂兴,罗续业,等.国家海洋能试验场波浪能评估计算[J].天津大学学报(自然科学与工程技术版),2013,46(4):367-372.
[4] 郑崇伟,李崇银.全球海域波浪能资源评估的研究进展[J].海洋预报,2016,33(3):76-88.DOI: 10.11737/j.issn.1003-0239.2016.03.011.
[5] 赵敏.基于可再生能源接入海岛直流微电网的探讨[J].电力系统及其自动化学报,2014,26(7):87-90.DOI: 10.3969/j.issn.1003-8930.2014.07.016.
[6] 杨海民,潘志松,白玮.时间序列预测方法综述[J].计算机科学,2019,46(1):21-28.DOI: 10.11896/j.issn.1002-137X.2019.01.004.
[7] 盛松伟,王坤林,吝红军,等.100 kW鹰式波浪能发电装置“万山号”实海况试验[J].太阳能学报,2019,40(3): 709-714.
[8] 毛亚郎,陈国波,章怡.海洋能开发的多能互补装置及分布式发电系统[J].海洋开发与管理,2016,33(11):48-54. DOI: 10.3969/j.issn.1005-9857.2016.11.010.
[9] 张有兵,包侃侃,杨晓东,等.独立型微电网多目标优化配置[J].浙江工业大学学报,2016,44(6):619-623.DOI: 10.3969/j.issn.1006-4303.2016.06.005.
[10]DE ANDRÉS A D,GUANCHE R,MENESES L,et al.Factors that influence array layout on wave energy farms[J]. Ocean Engineering,2014,82:32-41.DOI: 10.1016/j.oceaneng.2014.02.027.
[11]GOMES R P F,HENRIQUES J C C,GATO L M C,et al.Wave power extraction of a heaving floating oscillating water column in a wave channel[J].Renewable Energy,2016,99:1262-1275.DOI: 10.1016/j.renene.2016.08.012.
[12]戴瑞海,施亦治,姜于,等.基于多Agent的海岛微电网分布式双层控制方法[J].电力系统及其自动化学报,2020,32(3):75-81.DOI:10.19635/j.cnki.csu-epsa.000254.
[13]顾丽玲,秦川,鞠平,等.直驱式波浪能发电场的布局优化研究[J].可再生能源,2017,35(3):467-474.DOI: 10.13941/j.cnki.21-1469/tk.2017.03.022.
[14]周能萍,吴峰.基于风-浪和灰色模型的波浪能发电系统输出功率短期预测[J].电力自动化设备,2018,38(5):58-63.DOI: 10.16081/j.issn.1006-6047.2018.05.008.
[15]朱寿建,李慧,吴迪,等.基于风涌浪分离理论的波浪能短期预测[J].人民长江,2018,49(7):77-80.DOI:10.16232/j.cnki.1001-4179.2018.07.016.
[16]张金磊,罗玉玲,付强.基于门控循环单元神经网络的金融时间序列预测[J].广西师范大学学报(自然科学版),2019,37(2):82-89.DOI: 10.16088/j.issn.1001-6600.2019.02.010.
[17]张亚群,盛松伟,游亚戈,等.波浪能发电技术应用发展现状及方向[J].新能源进展,2019,7(4):374-378.DOI: 10.3969/j.issn.2095-560X.2019.04.011.
[18]权波,杨博辰,胡可奇,等.基于LSTM的船舶航迹预测模型[J].计算机科学,2018,45(增刊2):126-131.
[19]杨茂,朱亮.基于FA-PCA-LSTM的光伏发电短期功率预测[J].昆明理工大学学报(自然科学板),2019,44(1): 61-68.DOI: 10.16112/j.cnki.53-1223/n.2019.01.009.
[20]黄丽明,陈维政,闫宏飞,等.基于循环神经网络和深度学习的股票预测方法[J].广西师范大学学报(自然科学版),2019,37(1):13-22.DOI: 10.16088/j.issn.1001-6600.2019.01.002.
[21]郑泽宇,梁博文,顾思宇.TensorFlow:实战Google深度学习框架[M].2版.北京:电子工业出版社,2018:208-226.
[22]GOODFELLOW I,BENGIO Y,COURVILLE A.深度学习[M].赵申剑,黎彧君,李凯,译.北京:人民邮电出版社,2017: 227-253.
[23]周志华.机器学习[M].北京:清华大学出版社,2016:97-120.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

基于深度学习的波浪能发电功率预测

Wave Power Prediction Based on Deep Learning

PDF (PC)

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 7

Metrics

本文评价

推荐阅读 10

[1]	李维勇, 柳斌, 张伟, 陈云芳. 一种基于深度学习的中文生成式自动摘要方法[J]. 广西师范大学学报（自然科学版）, 2020, 38(2): 51-63.
[2]	刘英璇, 伍锡如, 雪刚刚. 基于深度学习的道路交通标志多目标实时检测[J]. 广西师范大学学报（自然科学版）, 2020, 38(2): 96-106.
[3]	张金磊, 罗玉玲, 付强. 基于门控循环单元神经网络的金融时间序列预测[J]. 广西师范大学学报（自然科学版）, 2019, 37(2): 82-89.
[4]	黄丽明, 陈维政, 闫宏飞, 陈翀. 基于循环神经网络和深度学习的股票预测方法[J]. 广西师范大学学报（自然科学版）, 2019, 37(1): 13-22.
[5]	岳天驰, 张绍武, 杨亮, 林鸿飞, 于凯. 基于两阶段注意力机制的立场检测方法[J]. 广西师范大学学报（自然科学版）, 2019, 37(1): 42-49.
[6]	余传明, 李浩男, 安璐. 基于多任务深度学习的文本情感原因分析[J]. 广西师范大学学报（自然科学版）, 2019, 37(1): 50-61.
[7]	王祺, 邱家辉, 阮彤, 高大启, 高炬. 基于循环胶囊网络的临床语义关系识别研究[J]. 广西师范大学学报（自然科学版）, 2019, 37(1): 80-88.