基于EMD-LSTM多變量輸入的極端海況預(yù)報(bào)模型

摘 要：極端海況是多種外界因素共同作用的結(jié)果，傳統(tǒng)單變量波浪預(yù)報(bào)模型無(wú)法考慮多變量的影響，因此構(gòu)建EMD-LSTM多變量輸入模型來(lái)預(yù)報(bào)極端海況。以浮標(biāo)數(shù)據(jù)作為分析數(shù)據(jù)集，利用改進(jìn)的EMD算法消除變量端點(diǎn)效應(yīng)和時(shí)序非平穩(wěn)性的影響，運(yùn)用多變量輸入模型對(duì)其進(jìn)行預(yù)測(cè)分析。結(jié)果表明：多變量復(fù)合模型可對(duì)極端海況實(shí)現(xiàn)有效提前預(yù)警，輸入層引入波高、風(fēng)速和陣風(fēng)3個(gè)關(guān)鍵因子后模型預(yù)報(bào)性能最佳，比對(duì)均方根誤差和納什效率系數(shù)可知多變量輸入的預(yù)報(bào)性能較單變量有顯著提升。

關(guān)鍵詞：波浪傳播；預(yù)測(cè)；LSTM；多變量復(fù)合模型；端點(diǎn)效應(yīng)；非平穩(wěn)性

中圖分類(lèi)號(hào)：TK79" " " " " " " "文獻(xiàn)標(biāo)志碼：A

0 引 言

極端海況中易出現(xiàn)畸形波，由于其具有超過(guò)2倍有義波高的極大波高而對(duì)浮式風(fēng)力機(jī)和波浪能轉(zhuǎn)換裝置等海洋結(jié)構(gòu)物產(chǎn)生潛在的威脅，因此實(shí)現(xiàn)對(duì)極端海況有義波高的精準(zhǔn)預(yù)報(bào)具有很強(qiáng)的實(shí)際工程意義［1］。目前工程中常用的海浪預(yù)報(bào)模型多為自回歸線(xiàn)性模型［2］，但由于極端海況的時(shí)間序列具有強(qiáng)非線(xiàn)性和非平穩(wěn)性，因而無(wú)法使用自回歸模型對(duì)其進(jìn)行處理［3］。

為克服線(xiàn)性模型對(duì)極端海況預(yù)測(cè)偏差過(guò)大的問(wèn)題［4］，許多學(xué)者采用人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）預(yù)報(bào)海浪的有義波高［5］。其中，長(zhǎng)短期記憶（long short-term memory，LSTM）神經(jīng)網(wǎng)絡(luò)可通過(guò)深度學(xué)習(xí)［6］，充分利用時(shí)間序列中的相關(guān)性有效分析歷史信息［7］。此外，可采用小波分解來(lái)降低非平穩(wěn)因素對(duì)模型預(yù)報(bào)精度的干擾度［8］。由于應(yīng)用小波分解時(shí)需預(yù)先設(shè)置固定的小波基函數(shù)［9］，從而限制了其有效應(yīng)用的范疇［10］。因此，有學(xué)者提出使用對(duì)非平穩(wěn)時(shí)序具有較強(qiáng)自適應(yīng)性的經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition，EMD）來(lái)預(yù)處理數(shù)據(jù)［11］。

考慮到極端海況的出現(xiàn)不僅取決于波浪自身的演化機(jī)制，同時(shí)還與多種外界因素的共同作用有關(guān)，因此本文基于經(jīng)驗(yàn)?zāi)B(tài)分解和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)構(gòu)建多變量輸入的復(fù)合預(yù)報(bào)模型EMD-LSTM。

在新能源領(lǐng)域，周志毅等［12］利用EMD算法在數(shù)據(jù)處理中的優(yōu)勢(shì)，建立基于EMD-LSTM的風(fēng)電場(chǎng)功率預(yù)測(cè)模型，提高了風(fēng)電功率的預(yù)測(cè)能力。朱玥等［13］以光伏發(fā)電功率為研究對(duì)象，提出一種LSTM神經(jīng)網(wǎng)絡(luò)與EMD融合的光伏發(fā)電功率預(yù)測(cè)模型，有效提高其預(yù)測(cè)精度。葛玉佳等［14］則將EMD-LSTM模型運(yùn)用到太陽(yáng)能預(yù)測(cè)上，仿真結(jié)果表明，此模型相較于僅LSTM模型的預(yù)測(cè)方法有著更好的預(yù)測(cè)性能。

由此可見(jiàn)，該模型在可再生能源預(yù)報(bào)領(lǐng)域得到廣泛應(yīng)用。然而，針對(duì)非線(xiàn)性和非平穩(wěn)性更強(qiáng)的極端海況的預(yù)測(cè)，目前的研究依然較少。本文嘗試改進(jìn)多變量輸入的復(fù)合EMD-LSTM模型，使其適用于極端海況有義波高的預(yù)測(cè)，實(shí)現(xiàn)了不同提前時(shí)長(zhǎng)下的精準(zhǔn)預(yù)報(bào)，開(kāi)拓了該模型在極端海況預(yù)測(cè)領(lǐng)域的應(yīng)用。

1 EMD-LSTM預(yù)報(bào)模型

1.1 單變量輸入模型

極端海況下的波浪時(shí)間序列普遍具有非線(xiàn)性和非平穩(wěn)性的特征，針對(duì)這些復(fù)雜的時(shí)間序列，若直接采用單一模型進(jìn)行預(yù)報(bào)，很難達(dá)到理想的預(yù)報(bào)精度。

因此，對(duì)于單變量的極端海況問(wèn)題，本文采用復(fù)合的EMD-LSTM模型對(duì)其進(jìn)行短期預(yù)報(bào)，為克服端點(diǎn)效應(yīng)，在原有模型的基礎(chǔ)之上進(jìn)行一定的改進(jìn)，利用LSTM算法在原始序列的任意邊界處拓展并識(shí)別出第1個(gè)極值點(diǎn)，再利用鏡像對(duì)稱(chēng)延拓法獲得其他極值點(diǎn)［15］。流程見(jiàn)圖1，步驟如下：

1）鏡像延拓后進(jìn)行海浪時(shí)序分解，利用EMD算法，將其分解為[N]個(gè)本征模態(tài)分量[IMF1，IMF2，…，IMFN]和殘差項(xiàng)[rn]；

2）建立全部[IMF]分量及殘差項(xiàng)[rn]的LSTM預(yù)報(bào)模型，并對(duì)各分量進(jìn)行預(yù)報(bào)；

3）將各分量預(yù)報(bào)結(jié)果疊加重構(gòu)得到最終預(yù)報(bào)值。

1.2 多變量輸入模型

鑒于極端海況的形成是多種外界因素共同作用的結(jié)果，本文在單變量的基礎(chǔ)之上進(jìn)一步拓展，構(gòu)建多變量輸入的EMD-LSTM預(yù)報(bào)模型，首次針對(duì)極端海況的有義波高進(jìn)行預(yù)測(cè)，流程如圖2所示。

具體構(gòu)建步驟如下：

1）在輸入層中，定義數(shù)據(jù)集為：

[Fn=i1，i2，…，it，…，in] （1）

式中：[it=at，bt，…，zt]，其中[at，bt，…，zt]分別表示[t]時(shí)刻對(duì)應(yīng)的不同輸入變量的值。

2）為了確定多變量EMD-LSTM模型的最佳內(nèi)置參數(shù)及輸入?yún)⒆兞款?lèi)別，將所有的數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，通過(guò)訓(xùn)練集對(duì)EMD-LSTM模型進(jìn)行訓(xùn)練，使得模型具有合適的內(nèi)置參數(shù)以及良好的神經(jīng)網(wǎng)絡(luò)映射關(guān)系，分別用[Ftrain′、][Ftest′]表示訓(xùn)練集和測(cè)試集：

[Ftrain′=i1′，i2′，…，im′] （2）

[Ftest′=im+1′，im+2′，…，in′] （3）

3）對(duì)數(shù)據(jù)[Ftrain′]進(jìn)行窗口長(zhǎng)度分割：

[I=I1，I2，…，It，…，IL] （4）

[It=it′，it+1′，…，im-L+t′] （5）

式中：[L]——窗口的大小。

4）隱含層理論輸出為：

[O=O1，O2，…，Ot，…，OL] （6）

[Ot=ot′，ot+1′，…，om-L+t′] （7）

實(shí)際輸出為：

[TO=TO1，TO2，…，TOt，…，TOL] （8）

[TOt=LLSTMIt，Gt-1，Ot-1] （9）

式中：[LLSTM]——LSTM模型算法。最后采用測(cè)試數(shù)據(jù)集對(duì)完成訓(xùn)練的EMD-LSTM模型進(jìn)行測(cè)試，通過(guò)比對(duì)分析進(jìn)一步檢驗(yàn)?zāi)Ｐ皖A(yù)報(bào)的準(zhǔn)確度和穩(wěn)定性。

2 實(shí)測(cè)波浪數(shù)據(jù)及其分析

2.1 篩選實(shí)測(cè)數(shù)據(jù)

本文數(shù)據(jù)的來(lái)源為美國(guó)國(guó)家海洋和大氣管理局下設(shè)的國(guó)家數(shù)據(jù)浮標(biāo)中心（National Data Buoy Center， NDBC）［11］。所用的3組數(shù)據(jù)分別由布置在美國(guó)東海岸至墨西哥海岸編號(hào)為41013、41044的兩個(gè)海洋觀(guān)測(cè)點(diǎn)測(cè)量得到，表1給出了與3組數(shù)據(jù)有關(guān)的測(cè)量信息。圖3所示為本文所用的實(shí)測(cè)有義波高時(shí)歷曲線(xiàn)，本次分析選用前80%的數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)集，后20%數(shù)據(jù)集作為測(cè)試數(shù)據(jù)集，所有數(shù)據(jù)點(diǎn)的采樣頻率均為1 h。顯然，測(cè)點(diǎn)B1的秋冬時(shí)間序列中出現(xiàn)了極端海況。

本文通過(guò)對(duì)相同測(cè)點(diǎn)的不同季節(jié)時(shí)期，以及相同季節(jié)時(shí)期的不同測(cè)點(diǎn)（表1中3類(lèi)數(shù)據(jù)）進(jìn)行預(yù)報(bào)對(duì)比分析，可全面評(píng)價(jià)構(gòu)建的EMD-LSTM多變量輸入預(yù)報(bào)模型對(duì)有義波高的預(yù)報(bào)效果。另外，從測(cè)點(diǎn)獲得的數(shù)據(jù)中，選擇不同的特征變量組合輸入預(yù)報(bào)模型并對(duì)結(jié)果進(jìn)行比較分析，可判斷最優(yōu)輸入特征變量組合。

2.2 分析特征變量相關(guān)性

海洋真實(shí)波浪是一種不規(guī)則的波，具有強(qiáng)烈的隨機(jī)特性。有義波高的幅值不僅與波浪自身的演化作用機(jī)理有關(guān)，還與當(dāng)?shù)氐牡乩憝h(huán)境以及海洋氣象條件如海面溫度、氣溫、風(fēng)向、風(fēng)速和氣壓等因素密切相關(guān)。本文分析的兩個(gè)測(cè)點(diǎn)數(shù)據(jù)集包括的特征變量有：風(fēng)向（wind direction，WDI）、風(fēng)速（wind speed，WSP）、陣風(fēng)（peak 5 or 8 second gust speed，GST）、有義波高（significant wave height，WVHT）、主導(dǎo)波周期（dominant wave period，DPD）、平均波周期（average wave period，APD）、主周期波方向（main wave direction，MWD）、海平面氣壓（sea level pressure，PRES）、氣溫（air temperature，ATMP）、海面溫度（sea surface temperature，WTMP）和露點(diǎn)溫度（dew point temperature，DEWP）。注意以上變量還包括不規(guī)則波的3個(gè)特征值，雖不屬于影響波浪生成的因素，但其含有的歷史信息可為復(fù)合模型預(yù)報(bào)有義波高提供更多的預(yù)測(cè)依據(jù)。

為了使EMD-LSTM多變量輸入波高預(yù)報(bào)模型獲得最優(yōu)的變量組合，在對(duì)輸入特征變量進(jìn)行分組之前，需確定每個(gè)特征變量與有義波高（WVHT）的相關(guān)性。相關(guān)系數(shù)[rxy]可表示為：

[rxy=covx，yσxσy=1ni=1nxi-xyi-y1ni=1nxi-x21ni=1nyi-y2] （10）

運(yùn)用式（10）對(duì)數(shù)據(jù)樣本中的所有變量進(jìn)行計(jì)算，各特征變量的相關(guān)性計(jì)算結(jié)果如圖4～圖6所示。當(dāng)兩個(gè)變量的相關(guān)系數(shù)的絕對(duì)值大于0.6時(shí)，可判斷其為強(qiáng)相關(guān)變量。通過(guò)測(cè)點(diǎn)B1（春夏）、B1（秋冬）與B2（秋冬）數(shù)據(jù)集中各變量的相關(guān)性分析可知，與有義波高相關(guān)性較強(qiáng)的特征變量有兩個(gè)：陣風(fēng)（GST）和風(fēng)速（WSP）。其中，陣風(fēng)與波高（WVHT）的相關(guān)系數(shù)分別為0.7804、0.8169和0.7177，其次，風(fēng)速與波高（WVHT）的相關(guān)系數(shù)分別為0.7625、0.8051和0.7368。從海浪生成的物理機(jī)理角度來(lái)看，這一相關(guān)性分析的結(jié)論顯然成立。

此外，由圖4～圖6可知，與有義波高具有正相關(guān)關(guān)系的變量還有主導(dǎo)波周期、海平面氣壓與主周期波方向。

2.3 確定輸入變量組合

實(shí)現(xiàn)EMD-LSTM多變量輸入模型最優(yōu)化的關(guān)鍵是獲得模型最佳輸入變量集合。此種變量組合能使模型在預(yù)報(bào)精度上保持較高水平的同時(shí)消耗的計(jì)算資源最少。換言之，在應(yīng)用EMD-LSTM模型預(yù)報(bào)時(shí)，通過(guò)選擇適當(dāng)?shù)妮斎胱兞考?，可快速地將輸入值成功映射到期望的輸出值之上?/p>

基于2.2節(jié)的結(jié)論，本研究選用GST、WSP、DPD、PRES和MWD這5種特征變量，根據(jù)其與有義波高WVHT相關(guān)性強(qiáng)度的大小，構(gòu)建3種組合作為EMD-LSTM模型的輸入變量，具體分組如表2所示。通過(guò)比較各組的預(yù)報(bào)結(jié)果確定模型的最佳輸入變量組合，然后依據(jù)所得的最優(yōu)模型進(jìn)一步開(kāi)展多步預(yù)報(bào)的驗(yàn)證及分析工作。

這里必須指出DPD和MWD兩種變量并非改變有義波高的外因，此處作為輸入?yún)⒆兞恐饕强紤]到周期與波高同步增長(zhǎng)的自然規(guī)律。理論上講，輸入變量引入周期后有助于模型獲取更多的信息進(jìn)而提升其預(yù)報(bào)波高的準(zhǔn)確度。

3 預(yù)報(bào)結(jié)果與分析

本文采用均方根誤差（root mean square error，RMSE）和納什效率系數(shù)（Nash-Sutcliffe efficiency，NSE）作為預(yù)報(bào)結(jié)果的評(píng)價(jià)指標(biāo)［16］：

[RMSE=1ni=1noi-ui2] （11）

[E=1-i=1noi-ui2i=1noi-o2] （12）

式中：[RMSE]——均方根誤差；[n]——樣本數(shù)量；[oi]——第[i]個(gè)海浪數(shù)據(jù)的觀(guān)測(cè)值；[ui]——預(yù)報(bào)值；[E]——納什效率系數(shù)；[o]——觀(guān)測(cè)值的平均值。

為了更好地闡明EMD-LSTM多變量輸入復(fù)合模型在處理非線(xiàn)性和非平穩(wěn)性序列中的優(yōu)越性，本文同時(shí)比對(duì)了僅有LSTM模型的預(yù)報(bào)效果。預(yù)報(bào)分析時(shí)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置如下：輸入層、輸出層和隱藏層的層數(shù)均設(shè)定為1，隱藏層節(jié)點(diǎn)數(shù)設(shè)定為10，原始學(xué)習(xí)率設(shè)定為0.0025，激活函數(shù)采用[sigmoid]和[tanh]函數(shù)，結(jié)構(gòu)參數(shù)以及權(quán)值采用網(wǎng)格搜索來(lái)進(jìn)行確定［17］。

3.1 不同變量組合的預(yù)報(bào)結(jié)果及分析

圖7為3組變量組合提前1 h預(yù)報(bào)的結(jié)果，可看出，EMD-LSTM復(fù)合模型能有效克服極端海況時(shí)序非平穩(wěn)特征的影響，整體預(yù)報(bào)結(jié)果相較于單一的LSTM模型有一定的提升。通過(guò)引入經(jīng)驗(yàn)?zāi)B(tài)分解算法后，模型在波高曲線(xiàn)極值處的預(yù)報(bào)精度提升尤為明顯。

表3～表5進(jìn)一步量化分析模型在不同變量輸入組合提前1 h預(yù)報(bào)時(shí)的性能參數(shù)。由表3～表5可知，當(dāng)設(shè)定輸入變量為WVHT、GST、WSP時(shí)，EMD-LSTM復(fù)合模型的預(yù)報(bào)結(jié)果與實(shí)測(cè)值最契合，表明強(qiáng)相關(guān)變量組合作為模型輸入所得的預(yù)報(bào)結(jié)果最為準(zhǔn)確，同時(shí)可發(fā)現(xiàn)，雖然多變量輸入模型的預(yù)測(cè)精度優(yōu)于單變量輸入模型，但如果輸入變量過(guò)多反而難以尋找到數(shù)據(jù)內(nèi)部存在的主要映射關(guān)系，易導(dǎo)致預(yù)測(cè)精度出現(xiàn)下降。下面以測(cè)點(diǎn)B1秋冬季節(jié)的預(yù)測(cè)結(jié)果為例進(jìn)行說(shuō)明。由表4可知，采用EMD-LSTM（WVHT、GST、WSP）進(jìn)行預(yù)測(cè)時(shí)數(shù)據(jù)的[RMSE]值分別比EMD-LSTM（WVHT）和EMD-LSTM（WVHT、GST、WSP、DPD、PRES、MWD）的低16.26%和5.69%，同時(shí)其納什效率系數(shù)達(dá)到最大值。分析B1春夏和B2秋冬的預(yù)測(cè)性能評(píng)價(jià)指標(biāo)也可得出同樣的結(jié)論，數(shù)據(jù)結(jié)果可充分印證上述論斷。

最后，基于EMD-LSTM多變量輸入復(fù)合模型對(duì)相同測(cè)點(diǎn)不同季節(jié)（表3和表4）的預(yù)報(bào)結(jié)果進(jìn)行對(duì)比可知，相較于春夏季節(jié)，秋冬季節(jié)的預(yù)報(bào)結(jié)果由于極限海況的存在造成[RMSE]值偏高，差異可達(dá)19.42%以上，盡管相比正常海況，改進(jìn)的復(fù)合模型對(duì)極端海況中有義波高的預(yù)測(cè)精度有所下降，但對(duì)比傳統(tǒng)的預(yù)測(cè)方法，其精度得到明顯提升；類(lèi)似地，分析相同季節(jié)的不同測(cè)點(diǎn)（表4和表5）的預(yù)報(bào)結(jié)果可知，盡管B2測(cè)點(diǎn)波高時(shí)序波動(dòng)更劇烈，但由于該海域波高幅值普遍較小，因此B2相較于B1處預(yù)報(bào)結(jié)果的均方根誤差值更低，差異可達(dá)8.39%，同樣的結(jié)論也可通過(guò)分析納什效率系數(shù)得到。由此可知，評(píng)價(jià)模型的預(yù)報(bào)性能時(shí)還需考慮數(shù)據(jù)獲取的地理位置及季節(jié)的影響。需注意，樣本數(shù)據(jù)選取是否恰當(dāng)及全面也會(huì)對(duì)最終結(jié)果產(chǎn)生一定的影響。

3.2 多種提前時(shí)長(zhǎng)的預(yù)報(bào)結(jié)果及分析

由3.1節(jié)可知，EMD-LSTM多變量輸入模型能顯著提升預(yù)報(bào)精度，且最佳輸入組合為WVHT、GST和WSP。因此，本節(jié)在最優(yōu)變量組合的框架下，進(jìn)一步探討該模型在不同提前步長(zhǎng)時(shí)的預(yù)報(bào)效果。鑒于測(cè)點(diǎn)B1在秋冬季節(jié)時(shí)出現(xiàn)了極端海況，因此對(duì)其進(jìn)行有義波高的提前預(yù)報(bào)具有實(shí)際工程意義。圖8a～圖8c分別為該測(cè)點(diǎn)秋冬季節(jié)提前3、6、12 h的預(yù)報(bào)結(jié)果，圖9為對(duì)應(yīng)不同提前時(shí)長(zhǎng)的預(yù)報(bào)誤差。

由圖8和圖9可知，基于最優(yōu)輸入變量組合的EMD-LSTM復(fù)合模型在預(yù)測(cè)有義波高時(shí)，隨著預(yù)報(bào)提前時(shí)長(zhǎng)的增大，其預(yù)報(bào)值與實(shí)際值之間的差異也隨之增加。仔細(xì)對(duì)比分析可知，這種誤差包含兩個(gè)層面：一方面是幅值上的差異，另一方面是相位的時(shí)滯性，具體而言是指預(yù)報(bào)值在時(shí)間上略微滯后于實(shí)測(cè)值。

由表6中的均方根誤差值和納什效率系數(shù)也可揭示出同樣的偏差規(guī)律，隨著預(yù)報(bào)提前時(shí)長(zhǎng)的增加，預(yù)測(cè)數(shù)據(jù)與已知數(shù)據(jù)之間的相關(guān)性降低，預(yù)報(bào)的準(zhǔn)確性會(huì)逐步下降，但整體而言預(yù)報(bào)值與實(shí)測(cè)值契合程度仍較高，說(shuō)明EMD-LSTM強(qiáng)相關(guān)變量輸入模型具有一定的穩(wěn)健性。盡管提前12 h預(yù)報(bào)的幅值偏差在出現(xiàn)極端海況的時(shí)刻略大，但預(yù)報(bào)其發(fā)生的時(shí)間節(jié)點(diǎn)與實(shí)測(cè)數(shù)據(jù)仍較為一致，可有效實(shí)現(xiàn)提前預(yù)警，因而論證了采用EMD-LSTM多變量輸入模型開(kāi)展較長(zhǎng)提前時(shí)長(zhǎng)極端海況預(yù)報(bào)的可行性。

4 結(jié)論與展望

本文基于長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)算法和經(jīng)驗(yàn)?zāi)B(tài)分解算法，提出一種多變量輸入的復(fù)合模型來(lái)預(yù)測(cè)極端海況的出現(xiàn)，并以海上實(shí)測(cè)數(shù)據(jù)為分析數(shù)據(jù)集，探究新模型的最優(yōu)輸入變量組合及在不同提前步長(zhǎng)下的預(yù)報(bào)性能，得出主要結(jié)論如下：

1）通過(guò)在輸入層中引入波高、風(fēng)速和陣風(fēng)3個(gè)強(qiáng)相關(guān)變量后，可實(shí)現(xiàn)模型對(duì)有義波高的最佳預(yù)報(bào)。多變量輸入的EMD-LSTM模型的預(yù)報(bào)性能相較于單變量輸入有較大幅度的提升，且模型的穩(wěn)健性更高。但若再引入其他弱相關(guān)輸入變量，不僅會(huì)加劇運(yùn)算的復(fù)雜度，同時(shí)易降低模型的預(yù)報(bào)精度。

2）相較于單一的LSTM模型，引入EMD后能有效克服時(shí)序非平穩(wěn)特性對(duì)模型預(yù)測(cè)精度的影響，在新構(gòu)建的多變量輸入復(fù)合模型中引入改進(jìn)的經(jīng)驗(yàn)?zāi)B(tài)分解算法后，其在有義波高極值處的預(yù)報(bào)精度得到顯著提升，因而可增加其預(yù)測(cè)海洋環(huán)境中極端海況的提前時(shí)長(zhǎng)，為極端海況中避險(xiǎn)留出充足的準(zhǔn)備時(shí)間。

3）通過(guò)比對(duì)EMD-LSTM多變量輸入模型對(duì)相同測(cè)點(diǎn)的不同季節(jié)時(shí)期以及相同季節(jié)時(shí)期的不同測(cè)點(diǎn)的預(yù)報(bào)性能可知，同一模型的預(yù)測(cè)精度并非固定不變，而是與被分析數(shù)據(jù)獲取的地點(diǎn)和季節(jié)緊密相關(guān)，特別是當(dāng)測(cè)點(diǎn)序列中有極端海況突然出現(xiàn)時(shí)，會(huì)導(dǎo)致模型預(yù)報(bào)精度出現(xiàn)一定程度的下降，但仍能對(duì)其出現(xiàn)的時(shí)間實(shí)現(xiàn)有效的提前預(yù)報(bào)。

為進(jìn)一步提升多變量復(fù)合模型的預(yù)測(cè)精度，以及更好地契合實(shí)際工程中對(duì)于隨機(jī)波浪時(shí)序短期預(yù)測(cè)的需要，仍需對(duì)以下內(nèi)容做深入研究：

1）在探討海洋波浪時(shí)序的非線(xiàn)性與非平穩(wěn)性對(duì)預(yù)測(cè)模型的影響時(shí)，本文只做定性判別，并未針對(duì)兩者的強(qiáng)度實(shí)現(xiàn)定量的描述，因此仍需探索一種能夠表明時(shí)序非線(xiàn)性及非平穩(wěn)性程度的量化方法，構(gòu)建其與模型預(yù)報(bào)精度的內(nèi)在函數(shù)關(guān)系。

2）為提升多變量EMD-LSTM復(fù)合模型對(duì)于非線(xiàn)性非平穩(wěn)波浪的短期預(yù)測(cè)的性能，未來(lái)研究需引入遺傳算法（genetic algorithm，GA）、粒子群優(yōu)化算法（particle swarm optimization，PSO）等參數(shù)尋優(yōu)算法，優(yōu)化模型中相關(guān)參數(shù)選取的策略，提高模型對(duì)隨機(jī)波浪短時(shí)極端海況預(yù)測(cè)的精度。

［參考文獻(xiàn)］

［1］ ZHENG C W， PAN J， LI J X. Assessing the China Sea wind energy and wave energy resources from 1988 to 2009［J］. Ocean engineering， 2013， 65： 39-48.

［2］ JIANG H， DUAN S L， HUANG L M， et al. Scale effects in AR model real-time ship motion prediction［J］. Ocean engineering， 2020， 203： 107202.

［3］ 張振全， 李醒飛， 楊少波. 基于A(yíng)R-SVR模型的有效波高短期預(yù)測(cè)［J］. 太陽(yáng)能學(xué)報(bào)， 2021， 42（7）： 15-20.

ZHANG Z Q， LI X F， YANG S B. Short-term prediction of significant wave height based on AR-SVR model［J］. Acta energiae solaris sinica， 2021， 42（7）： 15-20.

［4］ LAW Y Z， SANTO H， LIM K Y， et al. Deterministic wave prediction for unidirectional sea-states in real-time using artificial" neural" network［J］." Ocean" engineering，" 2020， 195： 106722.

［5］ DESOUKY M A A， ABDELKHALIK O. Wave prediction using wave rider position measurements and NARX network" in" "wave" "energy" conversion［J］." Applied" ocean research， 2019， 82： 10-21.

［6］ GOPINATH D I， DWARAKISH G S. Wave prediction using neural networks at new Mangalore Port along west coast of India［J］. Aquatic procedia， 2015， 4： 143-150.

［7］ FAN S T， XIAO N H， DONG S. A novel model to predict significant wave height based on long short-term memory network［J］. Ocean engineering， 2020， 205： 107298.

［8］ ZHANG T， ZHENG X Q， LIU M X. Multiscale attention-based" "LSTM" "for" "ship" "motion" " prediction［J］." "Ocean engineering， 2021， 230： 109066.

［9］ 強(qiáng)亞蓉. 基于EMD方法的時(shí)間序列分析和預(yù)測(cè)［D］. 蘭州： 西北師范大學(xué)， 2020.

QIANG Y R. Time series analysis and prediction based on EMD" " "technology［D］." " Lanzhou：" " Northwest" " "Normal University， 2020.

［10］ 戴邵武， 陳強(qiáng)強(qiáng)， 劉志豪， 等. 基于EMD-LSTM的時(shí)間序列預(yù)測(cè)方法［J］. 深圳大學(xué)學(xué)報(bào)（理工版）， 2020， 37（3）： 265-270.

DAI S W， CHEN Q Q， LIU Z H， et al. Time series prediction" based" "on" "EMD-LSTM" "model［J］." Journal" of Shenzhen University （science and engineering）， 2020， 37（3）： 265-270.

［11］ DIXIT P， LONDHE S. Prediction of extreme wave heights using neuro wavelet technique［J］. Applied ocean research， 2016， 58： 241-252.

［12］ ZHOU Z Y， SUN S W， GAO Y. Short-term wind power prediction based on EMD-LSTM［C］//2023 IEEE 3rd International Conference on Power， Electronics and Computer Applications （ICPECA）. Shenyang， China， 2023： 802-807.

［13］ 朱玥， 顧潔， 孟璐. 基于EMD-LSTM的光伏發(fā)電預(yù)測(cè)模型［J］. 電力工程技術(shù)， 2020， 39（2）： 51-58.

ZHU Y， GU J， MENG L. Photovoltaic power generation prediction model based on EMD-LSTM［J］. Electric power engineering technology， 2020， 39（2）： 51-58.

［14］ GE Y J， NAN Y R， BAI L J. A hybrid prediction model for solar radiation based on long short-term memory， empirical mode decomposition， and solar profiles for energy harvesting wireless sensor networks［J］. Energies， 2019， 12（24）： 4762.

［15］ 張茴棟， 張德康， 史宏達(dá). 非線(xiàn)性非平穩(wěn)波浪極短期預(yù)測(cè)的復(fù)合優(yōu)化模型［J］. 哈爾濱工程大學(xué)學(xué)報(bào)， 2022， 43（4）： 509-515.

ZHANG H D， ZHANG D K， SHI H D. Compound optimization model for extremely short-term predictions of nonlinear" "and" "nonstationary" "time" "series" of" waves［J］. Journal of Harbin Engineering University， 2022， 43（4）： 509-515.

［16］ JAIN S K， SUDHEER K P. Fitting of hydrologic models： a close" look" "at" "the" "nash-sutcliffe" " index［J］." Journal" "of hydrologic engineering， 2008， 13（10）： 981-986.

［17］ 張彪， 彭秀艷， 高杰. 基于ELM-EMD-LSTM組合模型的船舶運(yùn)動(dòng)姿態(tài)預(yù)測(cè)［J］. 船舶力學(xué)， 2020， 24（11）： 1413-1421.

ZHANG B， PENG X Y， GAO J. Ship motion attitude prediction based on ELM-EMD-LSTM integrated model［J］. Journal of ship mechanics， 2020， 24（11）： 1413-1421.

EXTREME SEA STATE PREDICTION MODEL BASED ON

EMD-LSTM MULTIVARIABLE INPUT

Zhang Huidong，Chen Lixian，Zhang Dekang，Shi Hongda

（College of Engineering， Ocean University of China， Qingdao 266100， China）

Abstract：The extreme sea state is generated by the combined action of various external factors. The traditional univariable wave prediction model cannot consider the influence of multiple variables. Therefore， the EMD-LSTM multivariable input model is constructed to predict the extreme sea state. By using the improved EMD algorithm to process the data set measured by wave buoy， the influence of variable end effect and non-stationarity can be eliminated and thus the prediction accuracy of the multivariable input model can be improved. The results show that the multivariable composite model can make an effective early warning on extreme sea conditions， and the model has the best prediction performance after introducing three key factors such as wave height， wind speed and gust speed into the input layer. Indicated by the root mean square error and Nash-Sutcliffe efficiency， the prediction performance of multivariable input model is significantly improved in comparison with the univariable input model.

Keywords：wave propagation； prediction； LSTM； multivariable composite model； end effect； nonstationarity