基于神經網絡的波浪能發電功率預測系統＊

郭昌鑫， 曾湲溶，萬穎蕾，巫坤鋌，陳公興，陳吹信，林惠妮

（1.廣州理工學院電氣與電子工程學院，廣東 廣州510540；2.廣州棒谷科技股份有限公司，廣東 廣州510435；3.廣州理工學院外國語學院，廣東 廣州510540）

1 引言

世界可再生的海洋波浪能非常豐富，具有安全、清潔、可再生、分布廣等優點，但在實際開發波浪能過程中，必須做到“資源評價和和規劃先行”。波浪能資源的不穩定性、季節性和區域性差異也增加了其開發難度[1]。目前，國內外對發電功率的預測主要在風力發電方面，然而海域環境變化多端，在功率預測方面面臨著許多困難，導致波浪能發電功率預測的發展程度遠遠不及風電預測，且目前開發海洋波浪能主要依靠電磁發電機，這種發電機的缺點是笨重、耗資巨大。

中國科學院外籍院士王中林領導的團隊研制出質量輕、效率高、成本低的摩擦納米發電機收集波浪能。摩擦納米發電機（Triboelectric nanogenerator，TENG）是基于自驅動納米技術并以接觸/摩擦起電和靜電感應為基礎的微/納機電動力系統[2]。采用法向接觸-分離式TENG 結構簡單，可靠性高，應用領域廣泛[3]。組網利用后或可實現每平方千米海面產生兆瓦級電能。海洋發電產生的能源或將超越水電等綠色能源。未來，TENG 將取代電磁發電機進行發電，同時加入發電功率預測系統，電網調度系統即可根據預測信息做出儲能或者釋能的決策，讓能源利用更高效。

2 系統整體方案設計

預測系統設計如圖1 所示。本設計主要根據應用于海上發電的TENG 裝置輸出功率受環境變化而提出一種功率預測模型。系統發電預測以時間尺度分類可分為短期預測（制定電網調度計劃）和超短期預測（瞬時功率變化信息）。輸入數據采用南海某海域的氣象站數據，并采用長短期記憶網絡（LSTM）對環境因素進行預測，誤差逆向傳播算法訓練的神經網絡（BP）對LSTM預測的氣候數據結合TENG 發電功率數據預測未來發電功率。

發電功率預測數據處理流程如圖2 所示。

圖1 預測系統設計框圖

圖2 發電功率預測數據處理流程圖

環境影響因素包括陽光照射強度、風力、溫度、波浪參數變化等，這些因素的變化將直接或間接影響TENG 的發電功率，且一年內、一天內，不同時間段的發電功率會有很大差異，因此，對環境因素訓練預測的精準性將影響最后的電網調度計劃，所以需要充分考慮各種預測模型的優劣。

實驗根據傳統波浪能發電機不同時段的發電功率，采用雙球型結構TENG 在對應時間段內模擬發電，并將所得數據作為BP 網絡訓練時所用到的發電功率數據[4]。

在訓練數據前，需要將搜集到的氣象站[4]數據分別進行歸一化處理，即把有量綱的表達式變換成無量綱表達式（標量），目的是為了提高下一步的LSTM 模型訓練收斂（迭代）速度，同時也提高模型算法的精度，因此，設計歸一化數據這一步驟很有必要。

3 LSTM 長短期記憶網絡

實驗借助Tensorflow 平臺進行數據集訓練。LSTM 稱為長短期記憶網絡，其包括輸入、輸出、遺忘三個門，長記憶C 和短記憶h 兩個記憶。且由于RNN 神經網絡不具備“記憶”功能，無法依據輸入預測輸出，所以在RNN 上加入同權重的神經元，在RNN 基礎上增加了記憶單元和門控制單元。

LSTM 訓練分為三個步驟：正向計算、損失值計算及反向計算。該過程把歸一化的氣象站數據進行反復訓練后得到氣候預測數據，接下來把預測的氣候數據交給BP 網絡進行訓練，得到功率預測數據。

4 BP 神經網絡

神經網絡RNN 采用基于時間的逆向傳播進行訓練得出功率預測數據，本質上還是BP 算法。先將氣候預測數據和發電功率數據的訓練集數據輸入到神經網絡的輸入層，經過隱藏層，最后達到輸出層并輸出功率預測結果，該過程即為前向傳播過程，但由于神經網絡的輸出結果與實際結果有誤差，導致結果計算估計值與實際值之間出現誤差，所以將該誤差從輸出層向隱藏層逆向傳播，直至傳播到輸入層；在反向過程中，可根據誤差調整各種參數的值，使總損失函數減小，最后繼續對數據進行以上反復訓練，直到滿足停止準則。

實驗分別以時間為10 min 和300 min 的跨度進行發電功率預測，預測結果如圖3、圖4 所示。

圖3 10 min 跨度功率預測

圖4 300 min 跨度功率預測

由圖3、圖4 得出，10 min 跨度的功率預測誤差較低，適用于實時監測功率數據；300 min 跨度的誤差稍大，適用于制定后期的電網調度計劃。綜上，時間尺度越長，得出的預測數據誤差越大。

5 測驗結果與分析

在影響預測結果的因素中，除了摩擦起電材料對獲得的電壓有影響，實際測試中也還存在一些不確定因素會改變電壓，比如日照，即太陽加熱空氣時受緯度、地質、水分的影響造成海域受熱不均，導致大氣壓力不同，形成風，并在風的作用下，水面產生波浪，總結為太陽能-風能-波浪能。所以當TENG 投放地某日的日照條件較差時，當天的電壓測量值也會相應下降，因此海洋波浪能的能量也需要考慮風能，因為其也間接來自于太陽能，所以光照強度、氣壓、溫度等也必須考慮。

時間跨度越大，發電功率預測結果的誤差也越大，實驗中兩個時間跨度的預測值均小于實測數據，即預測的功率低于實際功率。造成該誤差的原因一方面是天氣因素考慮不周全，另一方面是沒有考慮到波浪參數。

6 結束語

本文介紹了基于深度學習的摩擦納米發電機發電功率預測的過程，這是一項需要長期進行測試調整的項目，成功實施的話，對中國的經濟可持續發展有著重要價值和意義。在符合相關環境適用性及特殊地區管理要求的前提下，中國南海海域的溫度濕度等氣候環境特征，較適合開發含波浪能[4]。加入功率預測系統，以方便TENG 控制系統和電網調度端合理安排運行方式和應對措施，提高電網的安全性和可靠性，符合可持續發展戰略。