基于神经网络的波浪能发电功率预测系统＊

郭昌鑫， 曾湲溶，万颖蕾，巫坤铤，陈公兴，陈吹信，林惠妮

（1.广州理工学院电气与电子工程学院，广东 广州510540；2.广州棒谷科技股份有限公司，广东 广州510435；3.广州理工学院外国语学院，广东 广州510540）

1 引言

世界可再生的海洋波浪能非常丰富，具有安全、清洁、可再生、分布广等优点，但在实际开发波浪能过程中，必须做到“资源评价和和规划先行”。波浪能资源的不稳定性、季节性和区域性差异也增加了其开发难度[1]。目前，国内外对发电功率的预测主要在风力发电方面，然而海域环境变化多端，在功率预测方面面临着许多困难，导致波浪能发电功率预测的发展程度远远不及风电预测，且目前开发海洋波浪能主要依靠电磁发电机，这种发电机的缺点是笨重、耗资巨大。

中国科学院外籍院士王中林领导的团队研制出质量轻、效率高、成本低的摩擦纳米发电机收集波浪能。摩擦纳米发电机（Triboelectric nanogenerator，TENG）是基于自驱动纳米技术并以接触/摩擦起电和静电感应为基础的微/纳机电动力系统[2]。采用法向接触-分离式TENG 结构简单，可靠性高，应用领域广泛[3]。组网利用后或可实现每平方千米海面产生兆瓦级电能。海洋发电产生的能源或将超越水电等绿色能源。未来，TENG 将取代电磁发电机进行发电，同时加入发电功率预测系统，电网调度系统即可根据预测信息做出储能或者释能的决策，让能源利用更高效。

2 系统整体方案设计

预测系统设计如图1 所示。本设计主要根据应用于海上发电的TENG 装置输出功率受环境变化而提出一种功率预测模型。系统发电预测以时间尺度分类可分为短期预测（制定电网调度计划）和超短期预测（瞬时功率变化信息）。输入数据采用南海某海域的气象站数据，并采用长短期记忆网络（LSTM）对环境因素进行预测，误差逆向传播算法训练的神经网络（BP）对LSTM预测的气候数据结合TENG 发电功率数据预测未来发电功率。

发电功率预测数据处理流程如图2 所示。

图1 预测系统设计框图

图2 发电功率预测数据处理流程图

环境影响因素包括阳光照射强度、风力、温度、波浪参数变化等，这些因素的变化将直接或间接影响TENG 的发电功率，且一年内、一天内，不同时间段的发电功率会有很大差异，因此，对环境因素训练预测的精准性将影响最后的电网调度计划，所以需要充分考虑各种预测模型的优劣。

实验根据传统波浪能发电机不同时段的发电功率，采用双球型结构TENG 在对应时间段内模拟发电，并将所得数据作为BP 网络训练时所用到的发电功率数据[4]。

在训练数据前，需要将搜集到的气象站[4]数据分别进行归一化处理，即把有量纲的表达式变换成无量纲表达式（标量），目的是为了提高下一步的LSTM 模型训练收敛（迭代）速度，同时也提高模型算法的精度，因此，设计归一化数据这一步骤很有必要。

3 LSTM 长短期记忆网络

实验借助Tensorflow 平台进行数据集训练。LSTM 称为长短期记忆网络，其包括输入、输出、遗忘三个门，长记忆C 和短记忆h 两个记忆。且由于RNN 神经网络不具备“记忆”功能，无法依据输入预测输出，所以在RNN 上加入同权重的神经元，在RNN 基础上增加了记忆单元和门控制单元。

LSTM 训练分为三个步骤：正向计算、损失值计算及反向计算。该过程把归一化的气象站数据进行反复训练后得到气候预测数据，接下来把预测的气候数据交给BP 网络进行训练，得到功率预测数据。

4 BP 神经网络

神经网络RNN 采用基于时间的逆向传播进行训练得出功率预测数据，本质上还是BP 算法。先将气候预测数据和发电功率数据的训练集数据输入到神经网络的输入层，经过隐藏层，最后达到输出层并输出功率预测结果，该过程即为前向传播过程，但由于神经网络的输出结果与实际结果有误差，导致结果计算估计值与实际值之间出现误差，所以将该误差从输出层向隐藏层逆向传播，直至传播到输入层；在反向过程中，可根据误差调整各种参数的值，使总损失函数减小，最后继续对数据进行以上反复训练，直到满足停止准则。

实验分别以时间为10 min 和300 min 的跨度进行发电功率预测，预测结果如图3、图4 所示。

图3 10 min 跨度功率预测

图4 300 min 跨度功率预测

由图3、图4 得出，10 min 跨度的功率预测误差较低，适用于实时监测功率数据；300 min 跨度的误差稍大，适用于制定后期的电网调度计划。综上，时间尺度越长，得出的预测数据误差越大。

5 测验结果与分析

在影响预测结果的因素中，除了摩擦起电材料对获得的电压有影响，实际测试中也还存在一些不确定因素会改变电压，比如日照，即太阳加热空气时受纬度、地质、水分的影响造成海域受热不均，导致大气压力不同，形成风，并在风的作用下，水面产生波浪，总结为太阳能-风能-波浪能。所以当TENG 投放地某日的日照条件较差时，当天的电压测量值也会相应下降，因此海洋波浪能的能量也需要考虑风能，因为其也间接来自于太阳能，所以光照强度、气压、温度等也必须考虑。

时间跨度越大，发电功率预测结果的误差也越大，实验中两个时间跨度的预测值均小于实测数据，即预测的功率低于实际功率。造成该误差的原因一方面是天气因素考虑不周全，另一方面是没有考虑到波浪参数。

6 结束语

本文介绍了基于深度学习的摩擦纳米发电机发电功率预测的过程，这是一项需要长期进行测试调整的项目，成功实施的话，对中国的经济可持续发展有着重要价值和意义。在符合相关环境适用性及特殊地区管理要求的前提下，中国南海海域的温度湿度等气候环境特征，较适合开发含波浪能[4]。加入功率预测系统，以方便TENG 控制系统和电网调度端合理安排运行方式和应对措施，提高电网的安全性和可靠性，符合可持续发展战略。