基于LSTM与LightGBM堆叠集成模型的海浪功率通量预测研究及其在波浪能开发中的应用

《Renewable Energy》：Ocean wave power flux forecasting using a stacking ensemble of LSTM and LightGBM

本文提出一种结合长短期记忆网络（LSTM）与轻量梯度提升机（LightGBM）的堆叠集成学习框架，以线性回归（LR）作为元学习器，实现海浪功率通量的高精度短期预测。该模型在四个地理分布不同的浮标数据集上验证，平均均方根误差（RMSE）低至0.5049，决定系数（R2）达0.9974，显著优于传统方法，为波浪能资源的实时管理与系统优化提供了可靠技术支撑。

　　

Section snippets

堆叠集成学习（Stacking Ensemble Learning）

堆叠集成学习是一种重要的集成算法，与装袋（Bagging）和提升（Boosting）并列。不同于后两者，堆叠属于异质集成技术。本研究中，堆叠集成（亦称堆叠融合）指通过称为元学习器（Meta-learner）的次级模型，将多个不同模型（即基学习器）的预测结果进行组合的方法。

典型的堆叠算法包含两层结构：第一层包含若干基学习器（如LSTM、LightGBM），其输出作为第二层元学习器（如线性回归）的输入特征。元学习器通过训练学习如何最优地加权整合基学习器的预测结果，从而提升整体模型的泛化能力和鲁棒性。

数据描述与分析（Data Description and Analysis）

原始数据的采集对于波浪行为预测至关重要。波浪监测浮标持续测量波高、波周期、风速和波向等参数。每个波浪经过时，浮标随之升降，其运动被电子量化并分析。数据采集后，浮标测量值以无线电信号形式传输至附近的接收站。

本研究使用的波浪信息来自四个海洋学浮标：...（具体浮标编号及位置信息略）。

模型框架（Model Framework）

所开发的海浪功率通量预测模型基于多个模型的堆叠融合构建。第一阶段进行相关性分析，具体对预处理后的海浪功率通量数据集进行皮尔逊（Pearson）相关性分析，涉及的变量包括显著波高（H_s）、主波周期（T_p）、平均波周期（T_z）、风速（W_s）、波功率通量（P）和平均波向（M_D）。主要目标是识别与波功率通量呈强正相关的额外数据特征。

第二阶段为预测阶段。在此阶段，将筛选出的高相关性特征作为输入，分别训练LSTM和LightGBM基学习器，然后利用线性回归元学习器融合它们的预测结果，最终输出波功率通量的预测值。

评估指标（Evaluation Metrics）

本研究采用多种公认的指标来评估预测模型，包括决定系数（R²）、均方根误差（RMSE）和均方误差（MSE）。RMSE和MSE值越低，表明预测精度越高；此外，R²值越接近1，说明模型性能越好。

计算公式如下：

R² = 1 - [Σ(y_i - ?_i)²] / [Σ(y_i - ?)²]

RMSE = √[Σ(y_i - ?_i)² / N]

MSE = Σ(y_i - ?_i)² / N

其中，y_i 和 ?_i 分别是时刻i的实际值和预测值，? 是实际海浪功率通量值的平均值，N 是样本数量。

结论（Conclusion）

波浪能作为一种可再生资源的持续开发，凸显了对海浪功率通量进行准确预测的迫切需求。可靠的短期预测不仅对最大化能量转换效率至关重要，也对支持波浪能系统的实时控制、电网集成和安全运行具有重要意义。在本研究中，我们开发并系统评估了一个专为海浪功率通量预测设计的堆叠集成模型。我们的方法...（后续内容略）。