基于人工智能模式分解的有效波高预报与波能管理

能源与人工智能14（2023）100257基于人工智能模式分解的有效波高预报与波能管理陈耀然a，张丹b，c，*，李晓伟b，c，彭艳a，吴楚涵 d，蒲华艳b， c，戴周娥，曹勇娥，张久军上海大学海洋人工智能协同创新中心，上海人工智能研究所，上海200444b上海大学机电工程与自动化学院，上海200444c教育部无人智能船舶装备工程研究中心，上海，200444d清华大学电子工程系，北京100084e上海交通大学船舶海洋与土木工程学院，上海200240f上海大学理学院，可持续能源研究所，上海200444H I G H L I G H T S G R A P H I C A LA B标准• 提出了基于Transformer的有效波高分类模型。• 经验模态分解特性可以大大提高模型的精度。• 当前模型的最佳窗口大小的模式随提前期而变化。• 并行比较表明，所提出的模型的整体效率高。A R T I C L EI N FO保留字：有效波高时间序列分类波能管理Transformer经验模态分解A B标准有效波高的预测是波浪能管理的关键。虽然许多机器学习研究都集中在提前几个小时准确预测SWH值，但对于现实世界的应用，主要关注的应该是波高水平。本文提出了一种基于Transformer编码器（TF）和经验模式分解（EMD）的SWH时间序列分类框架，该框架可以提供6 ~ 48 h的提前期，高电平波的固定阈值为2 m，低电平波的固定阈值为1.5 m。该方法的性能进行了比较，三个主流算法与经验模态分解功能。从大西洋浮标测量收集的数据集的结果表明，最佳的平均准确率为99.1%，在6小时的提前时间和平均训练时间为75秒，证明了该模型的准确性和效率。该研究为实际SWH预测应用提供了有价值的工具和参考电子邮件地址：dan. shu.edu.cn（D.张）。* 通讯作者：上海大学海洋人工智能协同创新中心，人工智能研究所，上海200444。https://doi.org/10.1016/j.egyai.2023.1002572023年3月25日网上发售2666-5468/© 2023作者。由爱思唯尔有限公司出版。这是一篇开放获取的文章，获得了CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可从ScienceDirect获取目录列表能源与AI期刊主页：www.sciencedirect.com/journal/energy-and-aiY. Chen等人能源与人工智能14（2023）1002572命名法缩写和符号SWH有效波高SWAN模拟近岸TCN时间卷积网络CNN卷积神经网络RNN递归神经网络LSTM长短期记忆网络GRU门控递归单元基于黄土EMD经验模态分解的STLTSC时间序列分类沿海数据信息方案DPS分解-预测-求和程序分类交叉熵分类准确度IoT物联网Hs有效波高Wh窗口尺寸Lh交货时间Ad高电平SWH阈值As低电平SWH阈值hs多头注意hn多头注意中的头数tcc级下的观测值c类下的预测值C分类类型测试集中测试集中1. 介绍海浪是一种重要的可再生能量，可以通过衰减器和其他装置转换为电能。它们具有在表面以下的功率流强度，其在0.1至0.3kW/m2至2-3 kW/m2的范围比地面上的风能高出一个数量级。此外，海浪能比风能更可靠[1]。波浪能发电技术虽然还不成熟，但在未来的能源应用中具有很大的潜力。关于海浪，其有效波高（SWH）是海洋环境的重要特征[2]。因此，掌握和预测先进的知识，SWHs是必要的，有效地管理波能。特别是，当使用机器进行能量转换时，应建立在波浪能源不足或超出机器能力时停止机器的能力为了有效地进行海洋能的转换和利用，理论建模仿真是必不可少的。基于数值模拟的传统方法，如第三代波浪模型（例如，SWAN），需要大量的计算能力，以解决Navier-Stokes方程使用大型海洋数据集。因此，它们不适合波浪开发过程中的短期需求，例如那些只有几个小时的交货时间[3]。最近，统计和机器学习方法提供了上述挑战的潜在解决方案[4]，其核心思想是基于历史时间序列在连续时间步长之间建立非线性模式。到目前为止，各种时间序列模型，包括时间卷积网络（TCN）[5]，一维卷积神经网络（CNN）[6]和最流行的模型，都是基于递归神经网络（RNN）[7]开发的。通常，使用卷积网络的模型在时间预算方面表现出突出的优势，而包括RNN 的 模 型 ， 如 长 短 期 记 忆 网 络 （ LSTM ） 或 门 控 递 归 单 元（GRU），更通用，并且在各种数据集中表现出更高的准确性[8]。类似的研究也可以在相关领域参考，包括风速预测[9]，太阳能估计[10]，空气污染监测[11]和Covid-19传播预测[12]。一般来说，2.2m或2.4m的SWH的具体高度可以在波浪能管理的决策中并不重要。关键因素是从“高波浪水平”获得高能量的潜力。反之亦然，0.7 m或0.9 m SWH值的预测通常会导致相同的策略，因为两者都表明海况为“低”。然后，通过将机器学习作为方法，回归问题可以转化为分类问题，同时仍然使用历史时间序列作为输入。这样的任务更有利于提供更精确和长期的预测，回归模型在这些方面是较差的，因为预测准确值的努力可能是不必要的。然而，目前相关的文献还非常有限.对于太阳能热水器的时间序列分类，除了精度外，至少还包括另外两个重要的问题：第一个是在可接受精度下模型的最大提前期，这两个项目通常是矛盾的，即模型的容量 一个是保证模型的精度不随提前期的增加而变化，另一个是模型的训练时间开销，它决定了模型在现实世界中是否能够动态更新。同时，对于测量记录难以上传的SWH相关任务，特别是在高海况下，低培训成本也有利于通过物联网设备或本地边缘服务器进行边缘计算。在流行的模型中，包括各种基于CNN和RNN的模型[5]，单纯采用其中之一无法平衡上述两个方面的准确性和时间成本。例如，基于CNN的模型很难建立长期连接，而基于RNN的模型需要过多的预算来训练。因此，Transformer（TF）由于其注意力机制和高并行容量而可能是同时，根据以往的研究，级数分解方法可能有助于解决上述问题。在杨等人的工作。[6]，利用黄土方法（STL）生成季节分量和剩余分量，该方法在浅水区具有较好的性能，特别是当前置时间大于24 h时。在这方面，一项研究还证明，STL需要非常有限的分解时间，在0.08秒内。文献[13]采用小波变换的方法对ResNet进行了改进，从而降低了高达18%的均方误差，同时节省了训练成本。最流行的分解是一种完全后验的方法：经验模式分解（EMD），其中几项研究将EMD与不同的学习方法相结合，以大大提高预测精度[8]。尽管我们过去的工作提出了积极的影响（如后验[14]和自适应[15]），但它们的共同例程首先是分解模式，然后分别预测每个模式，最后总结所有模式（本文中简称为DPS）对于大数据集和实时更新来说过于复杂[16]。最重要的是，这样的DPS例程对于当前SWH分类任务是间接的，这促使我们采用更合适的框架。因此，在本研究中，提出了一种新的TSC框架，用于SWH基于Transformer编码器（TF）[17]的预测，以及强大的信号分解方法，如经验模式分解（EMD）[18]。Pokhrel等人[19]以及Putri和Adytia[20]的近期研究初步显示了纯TF模型对SWH预测的能力，用于求解微分方程[19]或处理与短期情景相矛盾的长提前期[20]。本文继承了前人的工作[16]，Y. Chen等人能源与人工智能14（2023）1002573=-直接作为特征，进一步增强TF模型的6至48小时内提前。这样的框架可以提供更简洁的表1来自CDIP的原始SWH浮标数据的统计信息[21]。一种有效的方法来建立模型，时间序列分类任务。性能的讨论是通过并行模型的精度比较来阐述的数量的点时间步长（min）平均值（m）中位数（m/s）最大值（m）最小值（m）标准差（m）鲁棒性和时间效率。详细信息见第3节和第4节。本文的结构如下。第2节介绍了数据来源和数据处理技术;第3节介绍了现有TSC框架的方法;第4节详细阐述了结果，并进行了多方面的讨论;第5节给出了坚实的结论和未来的工作2. 数据集本节介绍了SWH观测的来源和预处理技术。在第2.1节中，介绍了数据集的位置和统计探索。在第2.2节中，说明了任务的关键参数以及训练和测试数据生成的方法。2.1. 数据源SWH 的 原 始 历 史 记 录 来 自 广 泛 使 用 的 海 岸 数 据 信 息 计 划（https://cdip.ucsd.edu/）[21]，该计划自1975年开始在美国陆军工程兵团的资助下成立。如图1所示，目前海上浮标位于北大西洋Masonboro湾（34.14 N，77.71 W），水深15.700 m。如表1所示，数据集是从2017年到2020年的4年提取，时间分辨率为30分钟。可以看出，时间戳的总数超过70，000，在此期间，全球最大SWH（Hs）为5.100 m，达到6级海况， 最小值为0.260 m。平均值和中间值都在0.900 m左右，中等标准差为0.414 m。幸运的是，原始测量大部分已经完成，只有4个缺失。为了完成数据集，使用线性插值，得到的曲线如图所示。 二、20，124 30 0.945 0.850 5.100 0.260 0.4142.2. 数据预处理海训方案模式需要仔细准备数据。因此，在本节中，对当前问题的重要定义和数据生成方式进行了如下介绍2.2.1. 关键参数首先介绍了任务的四个关键参数，包括窗口大小Wh、前置时间Lh、高电平SWH阈值Ad和低电平SWH阈值As。图示见图11。3.第三章。如图3所示，绿色实线的长度为Wh，并且沿着曲线的所有记录点都是已知的。蓝色虚线的长度是Lh，记录是未知和不可预测的。端点的类型（而不是值）如下：如果预测大于或等于Ad（水平橙色虚线），则假定为在上面的演示图中，Wh和Lh分别等于30和12 h，将系统地研究它们的影响。A d2m和A s1。5m，大致代表了中、大浪和小波浪的阈值。[22]第20段。2.2.2. 数据集生成在此基础上，介绍了基于插值后的原始测量值和上述参数的训练数据集和测试数据集的生成方法。 整个过程如图所示。 4整个系列按时间顺序划分：前75%是训练部分，其余25%是测试部分。然后，根据4个关键参数分别遍历这两个部分，生成4个集合，即高级别训练、高级别测试、低级别训练和低级别测试。Fig. 1. Wilmington附近Masonboro入口SWH测量的浮标位置[21]。Y. Chen等人能源与人工智能14（2023）1002574图二、CDIP（2017-2020）的完整SWH数据集[21]。图三. SWH分类的4个关键参数的图示：绿色实线是已知信息，终点的红色/黑色表示波电平的类型（a）高级别结尾;（b）低级别结尾。水平测试。前两个（高级别）标记为1，另一个（低级别）标记为0。接下来，为了确保均衡训练，通过对低级别集合进行下采样，使样本中的高级别和低级别实例的数量相等。然后，在用于机器学习之前，将所产生的高级和低级集合进行组合和洗牌。3. 方法这项工作利用了一个深度学习模型，该模型具有使用EMD和TF编码器的特征生成组件，然后是密集层和分类输出。总体框架如图5所示。模型结构简洁。该方法首先对SWH序列进行EMD分解，得到多个本征模函数（IMF）。随后，将SWH和这些子系列合并，并进行预处理程序，如第2.2.2节所述。得到的训练集被连续送入两个TF编码器，用于学习时间步长和特征之间的非线性模式。然后使用全局平均池化将张量维度减少为两个，以用于密集层输出。最后，添加两个完全连接的稠密层（一个隐藏层和一个输出层）以提供波的水平的概率矩阵，以及一个附加的插入dropout层以增强泛化能力。3.1. 经验模态分解EMD方法最初由Huang等人于1998年提出[18]，并且由于其自适应处理任何非线性和不稳定信号的好处[23]。EMD分解的子分量称为本征模态函数（Intrinsic Mode Function，IMF），具有以下特征：（1）局部极值点与零点的个数之差为零或1;（2）局部极大值和局部极小值的包络曲线在任意时间戳的均值均为零。如图6所示，本工作中IMF的总数为15，最后一个系列是剩余项。这一系列的加入，又回到了原来的系列。如图6所示，与图2中的原始数据序列相比，IMF看起来更有规律，部分原因是上述特征可以强制消除每个分量中的长期趋势波动，因此IMF变得更加稳定。此外，在分解过程中，随着频率从高到低逐渐降低，从原始数据中成功提取了高度影响预测精度的局部细微随机项[16]，这也将有助于大大提高TSC性能，这将在第4中显示。3.2. TF编码器在本小节中，将简要讨论深度学习模型TF编码器的结构和过程。TF首先由Vaswani等人提出。[17]用于解决自然语言处理（NLP）问题，最初巧妙地涉及注意力机制。 最近，也有使用TF模型的波高相关应用[20]。通常，它包括嵌入层以扩展词向量的表示，并且编码器和解码器部分都用于序列到序列映射（例如翻译任务）。Y. Chen等人能源与人工智能14（2023）1002575（）下一页图四、机器学 习模 型 的数据集准备流 程 图 。然而，在我们的工作中，作为一个二进制分类任务，只有编码器部分被使用。如图7所示，左部分是自注意模块的结构，而右部分是前馈部分。多头注意力层根据以下等式计算输入的注意力分数：Attention（Q，K，V）= softmaxQKT德·德·克雷蒂安第五章（1）图五、SWH预 测 的机器学习模型流 程 图 。其中Q、K、V是查询、键和值的矩阵，其初始值是相同的;并且dk是键矩阵的维数。如公式（1）所示，多头注意力层从Q、K、V输入创建若干独立的线性表示。然后，这些表示被归一化，并在传递到右侧的前馈模块之前与输入相结合。在这项研究中，1-D CNN被用来改善特征相关性的表示。3.3. 培训设置本小节介绍并解释了模型的关键超参数。此外，还对训练技术和服务器设置进行了阐述。如表2所示，头大小hs和头的数量hn都被设置为6和2。串联的TF块用于在神经元之间建立1D-CNN的第一个滤波器维度被设置为hs和hn的乘积，其中内核大小非常小，并且被设置为每个内核一个窗口Adam [24]被用作优化器，初始学习为1 e-3。除输出层之外的激活函数被设置为Y. Chen等人能源与人工智能14（2023）1002576图六、 所有15个固有模式函数和EMD 处理后SWH系列的残 差。Y. Chen等人能源与人工智能14（2023）1002577见图6。 （续）。Y. Chen等人能源与人工智能14（2023）1002578∑（2）（=）=4.2. 精度比较这一部分讨论了精度比较。三个并行模型通过以下关键设置进行系统调整：1. TCN：使用带有64和32个过滤器的两个TCN层;扩张等于[1，4，15，32]。2. 1D-CNN：使用三个1D卷积层，所有过滤器均为64，内核大小为3，并在边缘周围使用相同的填充技术3. LSTM：使用两个具有32个单元的LSTM层;第一个LSTM层返回完整的序列，而第二个不返回。图7.第一次会议。当前研究中使用的单个TF编码器的结构。表24.2.1. 前置时间在本小节中，在6 h至48 h的不同提前期下进行准确度比较。为了控制变量，每次实验使用30 h的适度窗口大小，并采用固定的采样方案，以确保训练和测试数据集不变。提前1天的变化如图8和表3所示，其中所有EMD模型精度随着提前量的SWH分类模型的关键超参数。时间基于TF和LSTM的模型的曲线具有可比性，人头头部尺寸TF块1D-CNN的过滤器1D-CNN的核几乎重叠。对于6 h的短提前时间，它们在测试集上的准确率令人印象深刻，分别达到0.991和0.988。他们仍然6 6 2 256 1当提前期上升至MLP单位多头掉线MLP辍学人数MLP层批量完整的一天，这表明在学习远端相关功能的能力很强。然而，TCN和1D-CNN模型呈现出相当大的差异。128 0.1 0.4 1 32随着交货期的延长而下降两者的初始精度都超过0.950，一般激活上次激活初始学习率目标函数但精度在24小时前的值为0.800ReLU softmax 0.001稀疏分类交叉熵校正线性单元（ReLU）用于快速训练，以防止反向传播期间的梯度消失。2元素softmax用于以概率分类结果结束输出层。基于这样的输出，以单个实例为例，损失函数定义如下：C-1CCE= -tclog（pc）c=0其中CCE是分类交叉熵的缩写;C2是分类类型的数量;tc和pc分别是分类类型c下的观测（整数）和概率预测分析研究是在基于Keras包的Python 3.8平台上进行的[25]。所有计算的两个云服务器都是配备GPU RTX 3070与8 G视频RAM.4. 结果和讨论本节通过平行比较提供了数值结果和多方面的讨论。竞争对手包括EMD和非EMD模型，以及TCN，1D-CNN和LSTM的主流算法。4.1. 性能标准除了最终平均CCE（公式（2））之外，稀疏分类准确度（CA）用于评估来自所提出的模型的预测的性能。该表达式可以被绘制为公式（3）：类似地，图9和表4显示了直到两个在未来几天，随着倾斜度的增加，显示出显著的下降。EMD-TF和EMD-LSTM之间的总体差异仍然很小，48小时的结束精度约为0.720。和以前一样，TCN和1D-CNN的表现更差，但LSTM和TF之间TCN精度的绝对差异变得很小，而1D-CNN的精度由于前置时间的增加而不断恶化上述分析表明，在整个2天的提前期内，基于TF的模型即使比LSTM的准确度略高，也可以实现等效。性能在前24小时内非常出色，但随后不断下降。同时，该模型的准确性也明显优于基于1D-CNN和TCN的模型。4.2.2. EMD特征在本小节中，EMD特征的影响进行了讨论。 这里，选择具有最小（6 h）和最大（48 h）提前时间的模型进行调查，以夸大它们的差异。如图10和表5所示，对于提前6 h的情况，EMD特征在降低模型损失方面起着关键作用。所有模型的交叉熵都从平台上显著下降，在0.210附近具有相似的水平。其中，即使是相对最差的模型1D-CNN也有大约50%的改进，EMD对TF模型的影响最为显著，达到了原始模型的近90%。另一方面，如图11和表6所示，对于提前48小时的情况，EMD特征的影响不明显，EMD模型与非EMD模型之间的差异在25%以内应该注意的是然而，当包含EMD特征时，TF与对应物相比得到这种现象可以归因于多头注意力层可以CAM检验N检验（三）更好地从货币基金组织系列中提取有效信息，供今后评估使用第因此，EMD特征与TF相比更适合工作伙伴。其中Mtest表示与测试集中的真实标签匹配的预测标签（二进制）的数量;Ntest是测试集的总大小Y. Chen等人能源与人工智能14（2023）1002579表3图8.第八条。 模型准确度变化w.r.t. 从6到24小时的不同交货时间尺寸（实线），而点表示其平均损失。 然后提前期在1天内的EMD并行模型的精度变化6小时12小时18小时24小时EMD-TF 0.991 0.939 0.924 0.900EMD-Conv1D 0.955 0.870 0.833 0.802EMD-TCN 0.982 0.905 0.885 0.816EMD-LSTM 0.988 0.946 0.916 0.8814.2.3. 窗口大小此外，窗口大小，例如在某些情况下的多步长，也可能是有影响的。因此，在本小节中，系统地分析了在不同窗口大小的每个提前期下的损失。如图 12，为了检查泛化能力，在固定的提前时间和固定的窗口下使用各种采样数据集虚线表示随着窗口大小的增加，测试集从图12中可以发现，当前置时间从6 h增加到24 h时，不同窗口尺寸之间的损耗变化幅度变大。此外，不同采样的变化范围也随着前置时间的延长而增加同时对表4交货期为10 ~ 20天的EMD并行模型的精度变化30h36h42h48hEMD TF0.8840.8530.7830.721EMD-Conv1D0.7890.7680.7250.673EMD-TCN0.859050.8100890.729970.624EMD-LSTM0.8630.8470.7900.712图9.第九条。 模型准确度变化w.r.t. 30至48小时的不同交货期Y. Chen等人能源与人工智能14（2023）10025710表5见图10。 在6小时的提前期下，对具有或不具有EMD特征的不同模型的损失图进行比较。遗传，波动幅度较大，在6小时的提前期下，对具有或不具有EMD特征的不同模型的损失值进行比较。带有EMD功能没有EMD功能百分比基于TF0.02770.207百分之十三点三八基于Conv1D0.10480.20950.14%基于TCN0.05190.224百分之二十三点一七基于LSTM0.03820.224百分之十七点零五最佳窗口大小逐渐右移：对于6小时的提前时间为12小时;对于12小时的提前时间为18小时;对于18和24小时的提前时间均为24小时这可能部分是因为更长的前置时间需要更多的历史信息来建立更多的长期联系。然而，对于短提前时间的情况下，远步信息可能是冗余的，从而加重了训练负担并降低了精度。然而，如图13所示，为了进一步延长交货期，模式正在变得不同。对于30小时的交货期，规则是不同的窗口大小。此外，最佳窗口大小继续移动到30小时，如黄色点所示。然而，当提前期等于36小时时，这种模式停止。从36 h到48 h，随着窗口大小的增加，三条曲线基本上都是单调上升的，最佳窗口大小位于最小步长6 h处。对这一现象的一个可能的解释是，大多数IMF特征集中在局部极值特征上。当交货时间变成表6在48小时的提前期下，有或没有EMD特征的不同模型的损失值比较带有EMD功能没有EMD功能损失百分比基于TF0.5530.70878.11%基于Conv1D0.5850.694百分之八十四点三基于TCN0.7320.733百分之九十九点八基于LSTM0.5610.693百分之八十点九五图十一岁在48小时的提前期下，有或没有EMD特征的不同模型的损失图比较。Y. Chen等人能源与人工智能14（2023）10025711图12个。 在提前时间从6 h变化到24 h的情况下，不同窗口尺寸下的测试损耗变化。图13岁 在30 h到48 h的提前期内，不同窗口尺寸下的测试损耗变化。如果时间足够长，那么从这些特征中反映出来的规则，例如当地噪音发展的模式，就没有意义了。因此，随着窗口尺寸变长，无效输入只会使模型难以训练，更有可能过拟合。4.3. 效率比较除了准确性外，效率在评估模型中也是重要的，特别是对于实际动态应用。在这项工作中，代表性的30（提前期）/30（窗口大小）的情况下，用于评估不同的EMD模型的时间成本。由于采样数据集不同，通过提前停止技术获得最佳模型的平均总计算时间和历元数见表7。表7不同EMD模型之间的平均总时间成本和历元数比较。平均时间成本平均历元时间成本比EMD TF76.221秒151.000EMD-TCN84.820秒71.113EMD-Conv1D35.668秒50.468EMD-LSTM905.426秒2411.879从表7中可以看出，基于TF的模型的总时间成本在四个模型中排名第二，其花费的时间大约是第一名EMD-Conv 1D的两倍EMD-LSTM的缺点显而易见。一方面，虽然所有四种型号都有可接受的数量，Y. Chen等人能源与人工智能14（2023）10025712收敛步骤，EMD-LSTM仍然需要相对更多的epoch。另一方面，值得注意的是，EMD-LSTM的总时间成本比任何其他模型都要大得多，并且由于其串行结构的本质，其总时间成本是EMD-TF的十倍以上因此，考虑到第4.2中讨论的准确性，EMD-TF呼吁成为当前任务的有前途和为了将当前的模型应用于现实世界的应用程序中，有必要建立一个离线和在线系统，协同工作。在线系统将从传感器获取历史同时，离线系统将基于预定义的错误阈值周期性地更新模型通过建立这个协调系统，模型可以随着时间的推移进行优化和改进，为各种SWH分类任务提供越来越5. 结论在这项研究中，一个新的框架，经验模式分解与Transformer编码器（EMD-TF），提出了一个新的框架，以改善波能管理的有效波高的水平提前分类。在本研究中，有效波高（SWH）的高电平和低电平阈值被设置为2.0 m和1.5 m。通过数值研究，该模型具有以下显著优点：1 与基于时间卷积网络和一维卷积神经网络的模型相比，在24 h和48 h的提前期内，当前模型可以提供高达9.80%和9.97%的更高准确性。长短期记忆神经网络结合经验模式分解（EMD-LSTM）的预测精度比现有模型有细微的降低。2 在较短的6 h提前期内，经验模态分解的特征对所有并行模型都能显著降低测试损失，但对Transformer模型最有效，从而降低了近90%的分类交叉熵。3 对于48 h的长前置时间，经验模态分解特征的影响大大减弱，但对Transformer的影响仍然较为明显。4 对于当前模型，不同的模式显示了不同范围的前置时间的窗口大小的影响。提前期小于30 h的最佳窗口大小呈现右移趋势，提前期大于30 h的最小窗口大小最佳5 效率测试表明，EMD-LSTM的时间成本是EMD-TF模型的十倍以上，这表明当前框架可以成为SWH分类任务中更高效的替代方案。必须承认，目前的数据来源仅限于北大西洋。然而，我们预计，所提出的方法有可能适用于全球不同地区的各种数据集。这可以通过修改高水平和低水平SWH阈值来匹配当地环境条件来实现。虽然模型性能随提前时间的模式在应用于不同地区时可能会有所不同，但我们相信模型的基本趋势和有效性将保持一致。在未来，需要进一步的研究来充分理解频率或相位[26]特征及其神经网络支持，例如权重分布，以便形成更强大的解释或理论。竞争利益作者声明，他们没有已知的竞争性金融可能会影响本文所报告工作数据可用性数据将根据要求提供确认感谢国家自然科学基金（编号：61973208）的资助。本文是上海市教育发展基金会和上海市教委资助的“曙光计划”（18SG36）的一部分。引用[1] Caloiero T，Calodemo F，Ferraro DA.地中海显著波高、能量周期和波浪功率的年度和季节趋势检测。海洋工程2022;243：110322。[2] Go'mez-OrellanaAM，Guijo-RubioD，Gut i'errezPA，Her v'as-MartínezC. 用分区多任务进化人工神经网络同时预报短期有效波高和能量流。更新能源2022;184：975-89。[3] Abdullah FAR，Ningsih NS，Al-Khan TM.在印度尼西亚水域使用长短期记忆神经网络的有效波高预报。J Ocean Eng MarEnergy 2022;8（2）：183-92.[4] [1] A，A，A.在球体上进行深度学习，用于有效波高的多模型集成。ICASSP 2022-2022 IEEE声 学， 语 音和 信号 处理 国际 会 议（ ICASSP）。 IEEE; 2022年 。 p.3828- 32[5] Lou R，Lv Z，Guizani M. 基于绿洋物联网的适用于海上运输的波高预测。IEEE Trans Artif Intell 2022。[6] 杨S，邓志，李晓，郑春，Xi L，庄杰，张志。基于STL分解和位置编码的一维卷积神经网络的有效波高预报混合模型。更新能源2021;173：531-43.[7] 冯志，胡平，李世，莫东。基于机器学习方法的中国近海有效波高预报。JMar Sci Eng 2022;10（6）：836.[8] 郝伟，孙晓，王春，陈红，黄丽。EMD-LSTM混合模式在中国近海非平稳波浪预报中的应用。 海洋工程2022;246：110566。[9] 陈勇，王勇，董志，苏杰，韩志，周东，鲍勇。基于CNN-LSTM深度学习模型的二维区域短期风速预测能源转换管理2021;244：114451。[10] 秦X，牛Y.使用LSTM天气预报进行的每小时前一天的太阳辐照度预测。能源2018;148：461-8.[11] 李婷，华梅，吴旭.一种用于预测颗粒物（PM2. 5）的混合CNN-LSTM模型。5）。IEEE Access2020;8：26933-40.[12] Shahid F，Zameer A，Muneeb M.使用LSTM、GRU和Bi-LSTM的深度学习模型预测COVID-19。 混沌孤立分数2020;140：110212。[13] Yu X，Liu Y，Sun Z，Qin P. Wavelet-based Resnet：一种用于预测有效波高的深度学习模型。 IEEE Access; 2022.[14] 周S，伯特利BJ，孙伟，赵勇，谢伟，董春。用联合经验模态分解-长短期记忆网络改进有效波高预报。J Mar Sci Eng 2021;9（7）：744.[15] 黄伟，董S.通过分解确定性和随机性分量改进有效波高的短期预报。更新能源2021;177：743-58。[16] 陈勇，董志，王勇，苏杰，韩志，周东，鲍勇。基于EEMD-GA-LSTM方法的大尺度风历史下短期风速预测框架。能源转换管理2021;227：113559。[17] 2005年10月27日，中国科学院院士。你需要的只是关注。 Adv Neural InfProcess Syst 2017：30.[18] 黄讷，沈忠，龙世荣，吴美心，石宏华，郑强，刘宏华。非线性非平稳时间序列的经验模态分解和希尔伯特谱分析。见：伦敦皇家学会会刊。A组：数学、物理和工程科学。454; 1998年。p. 903- 95[19] [10]杨文，杨文，李文，李文.预报海洋有效波高的基于变换器的回归方案。IEEE J OceanEng 2022;47（4）：1010-23.[20] Adytia D.用Transformer模型进行时间序列波浪预报，印度尼西亚Pelabuhan Ratu的案例研究。第十届信息和通信技术国际会议（ICoICT）。IEEE; 2022年。 p.430- 4[21] BehrensJ，Timmerman R，Terrill E，Merrifield S，Jensen RE.美国海岸最近极端波浪条件的CDIP观测。 Shore Beach 2021;89（2）：41.[22] Leatherman SP，道格拉斯BC，科尔尼。海平面上升：历史和后果。学术; 2000年。Y. Chen等人能源与人工智能14（2023）10025713[23] 刘X，黄W，吉尔EW.基于集合经验模态分解的X波段海洋雷达图像有效波高估计。IEEEGeosci Remote Sens Lett 2017;14（10）：1740-4.[24] 金马D.P.，Ba&，J. （2014年）。Adam：随机最佳化的方法arXiv预印本arXiv：1412.6980。[25] GulliA，P. 使用Keras进行深度学习 Packt Publishing Ltd; 2017.[26] 徐新，胡松，石萍，邵华，李荣，李忠。基于自然相空间重构的短期风速预测广泛学习系统：海上风电场的案例研究。能源2023;262：125342。