基于数据的波浪能量通量预测与局部分解方法

《Journal of Marine Systems》：Data-driven wave energy flux prediction with local decomposition

　　丁杰|刘金灿|王继超
中国石油大学理学院，青岛266580，中国

**摘要**
作为一种清洁且有前景的可再生能源，海洋波浪能受到了越来越多的关注，其可靠的预测对于可再生能源评估及相关应用至关重要。在这项研究中，开发了一种新的数据驱动预测框架ED-TimesNet，通过整合局部分解策略和增强的深度学习架构来提高波浪能通量的预测性能。具体来说，采用局部经验小波变换（Local-EWT）来减轻噪声影响并避免未来信息的泄露，而TimesNet通过学习周期内和周期间的依赖性，有效捕捉与波浪相关的多尺度周期特性。此外，还加入了DenseBlock模块以进一步增强特征表示能力。该模型针对3小时、6小时和12小时的波浪能通量预测进行了性能评估，并分析了训练集大小和区域策略的影响。结果表明，ED-TimesNet在不同数据集和预测时段上均优于对比模型，并且受预测范围增加的影响较小。总体而言，ED-TimesNet是海洋波浪能预测的一个有前景的工具，为波浪能应用提供了宝贵的支持。

**引言**
随着能源需求的增加，传统化石能源正在迅速消耗，环境污染问题也日益严重（Pata, 2021）。为了确保人类社会的长期发展，波浪能和风能等可再生能源受到了研究人员的广泛关注（Curto et al., 2025; Tabeshpour and Belvasi, 2023）。波浪能比其他可再生能源具有更高的可预测性和能量密度。此外，波浪能分布广泛且具有巨大的储存能力，可用于发电、供暖、海水淡化和海上运输（Zhang et al., 2021）。因此，波浪能是一种非常有前景的清洁能源，在工业发展中发挥着重要作用（Defne et al., 2009; Zheng et al., 2017）。然而，显著波高（SWH）、平均波周期（MWP）和波浪能通量的混沌和随机性质给波浪能的应用带来了巨大挑战。为了确保稳定的能源供应，高精度地预测波浪能非常重要。

波浪能的预测方法通常分为数值模型、统计方法、机器学习方法和混合模型。数值模型如近岸波浪模拟（SWAN）（Booij et al., 1999）和WAVEWATCH III（WW3）（Tolman et al., 2002）已被广泛用于波浪预测。然而，数值模型的输入复杂且计算成本高，这限制了其在实际中的应用（Chang et al., 2011）。统计方法常用于早期的波浪预测研究（Agrawal and Deo, 2002; Soares and Ferreira, 1996），例如自回归（AR）模型和自回归移动平均（ARMA）模型。然而，统计方法的线性假设和高数据需求使得它们无法高精度地预测非线性和非平稳的波浪参数。

计算机技术的快速发展促进了机器学习在许多领域的广泛应用（Ding et al., 2023; Guo et al., 2025; Lin et al., 2026; Tadros et al., 2025; Zhao et al., 2025）。凭借高计算效率、强大的非线性映射能力和自主学习能力，这些方法非常适合处理时间序列数据。因此，近年来许多机器学习模型被应用于波浪能预测。Reikard et al.（2011）分析了神经网络在波浪能预测中的性能，该模型取得了良好的短期预测结果。Avila et al.（2020）比较了多层感知器（MLP）和模糊推理系统（FIS）在波浪能预测中的准确性。然而，波浪参数的非平稳性和非线性极大地限制了这些单一模型的预测性能。

为了克服单一模型的局限性并进一步提高模型的预测性能，越来越多的研究人员关注混合模型。Gómez-Orellana et al.（2022）将进化算法与人工神经网络（ANN）结合用于SWH和波浪能预测，取得了优于其他回归模型的准确率。类似地，Wang et al.（2026）开发了一个堆叠集成框架，结合多个学习器进行波浪预测，进一步提升了预测性能。此外，结合信号分解技术的混合模型是波浪预测中非常常见的方法（Ding et al., 2025; Dong et al., 2023; Xie et al., 2025）。原始数据被分解以消除噪声干扰，并为模型提供更丰富的特征。Jamei et al.（2022）首先使用多变量变分模态分解（MVMD）对序列进行分解，然后使用Boruta-eXtreme Gradient Boosting（BXGB）过滤特征，最后使用级联前馈神经网络（CFNN）预测能量通量。为了预测波浪能，Yang et al.（2024）结合了长短期记忆（LSTM）网络、注意力机制和二次分解算法。尽管这些结果表明分解算法改善了模型的预测结果，但预处理数据的分解算法可能导致未来信息的泄露，即局部数据分解的结果包含了其他区域数据的信息。因此，分别分解每个样本的输入部分比直接分解整个序列更为合理。这种局部分解策略可以有效防止信息泄露，并已应用于一些波浪高度预测中。Zhan et al.（2023）开发了一个基于局部分解算法的波浪高度预测模型。Lv et al.（2023）结合WaveNet和经验模态分解（EMD）来预测SWH。这些实验结果表明，这些模型具有较高的预测准确性和计算效率。然而，与传统的基于预处理的分解方法相比，局部分解的研究较少，据作者所知，其在波浪能通量预测中的有效性尚未得到充分证明。

与波浪相关的变量，包括SWH、MWP和波浪能通量，在潮汐过程、季风活动和其他气候因素的影响下，通常在多个时间尺度上表现出明显的周期特性，如日变化、月变化和季节变化。这些多尺度周期特性反映了波浪演变中的重要时间规律性，与波浪能预测高度相关。然而，传统预测模型往往难以明确提取和利用这些周期信息，这限制了它们的预测性能。Wu et al.（2022）提出的TimesNet为这一问题提供了合适的解决方案。该模型已应用于太阳辐射预测等领域，并取得了良好的结果（Abuker et al., 2025; Yu et al., 2025; Zhang et al., 2024a; Zhang et al., 2024b; Zhao et al., 2024）。TimesNet的一个关键特性是它根据时间序列的多周期性将其转换为二维表示，从而提取数据的周期内和周期间特征。由于这一能力，TimesNet特别适合学习与波浪相关的变量的多尺度周期特性，为波浪能通量预测提供了巨大潜力。

基于上述考虑，本研究提出了一种新的预测框架ED-TimesNet用于波浪能通量预测。所提出的预测策略将局部经验小波变换（Local-EWT）、DenseBlock和TimesNet结合在一个统一的框架中。具体来说，Local-EWT用于局部分解输入序列，以减轻噪声干扰和非平稳波动，同时避免未来信息的泄露。TimesNet作为核心预测模型，通过其二维时间表示来捕捉与波浪相关的变量的多尺度周期特性。此外，原始TimesNet架构中的Inception块被DenseBlock替换，以加强特征提取和融合，从而提高模型的表示能力和泛化性能。为了验证所提出的框架，使用了国家数据浮标中心（NDBC）在站点46,013、46,014和46,026的每小时浮标观测数据。选择SWH、MWP和风速（WSPD）作为输入变量，并预测3小时、6小时和12小时的波浪能通量。将所提模型的预测性能与LSTM、原始TimesNet和EWT-LSTM进行了比较。此外，进一步分析了训练集大小和区域预测策略的影响，以检验所提模型的鲁棒性、泛化能力和实际应用性。

**本文的贡献总结如下：**
(1) 提出了一种新的基于分解增强的深度学习框架ED-TimesNet，通过将Local-EWT、DenseBlock和TimesNet集成在一个统一的架构中，用于波浪能通量预测。
(2) TimesNet作为核心预测模型，因为它可以明确建模与波浪相关的变量的多尺度周期性，而DenseBlock的引入进一步提高了特征提取和融合能力。
(3) 将基于EWT的局部分解策略纳入预测框架，不仅可以减轻波浪观测中的噪声和非平稳波动，还可以防止未来信息的泄露。
(4) 基于三个NDBC浮标数据集和多个预测时段进行了全面实验，并对训练集大小和区域策略进行了额外分析，以证明所提框架的有效性、鲁棒性和泛化能力。

**本文的其余部分组织如下：**
第2节介绍了涉及的方法理论和所提模型的架构。第3节详细描述了使用的数据集。第4节介绍了实验设置。第5节讨论了模型在不同数据集上的预测结果。第6节给出了实验结论和未来研究方向。

**局部分解**
Gilles（2013）提出的EWT是一种自适应信号分解方法，其核心思想是构建一组带通滤波器并提取信号的幅度调制-频率调制（AM-FM）分量。EWT的第一步是进行傅里叶变换以获得信号的频域信息。然后，对傅里叶谱进行分割并构建一组合适的带通滤波器。最后，提取原始信号的AM-FM分量。

**数据**
本文使用的数据由NDBC（https://www.ndbc.noaa.gov）提供。NDBC收集并提供海洋环境中的现场和质量控制的观测数据，包括SWH、MWP和海表温度等变量。为了进行更好的比较实验，本研究选择了位于美国西南海岸的三个浮标站点46,013、46,014和46,026。这三个浮标站点的具体位置见实验设置部分。

**实验设置**
为了确保模型训练能够捕获足够的序列变化信息，需要大量的观测数据。本研究使用了三个浮标数据集，每个数据集包含26,304个SWH、MWP和WSPD数据。这三个波浪参数作为波浪能通量预测的输入，输入序列长度经验性地设置为预测范围的两倍。模型性能使用RMSE、MAE和R进行评估。

**分解结果比较**
为了进一步说明全局分解和局部分解之间的差异，本小节进行了比较分析。随机选择了一段长度为300的SWH数据，并将其表示为序列X。使用EWT对序列X进行分解，得到的前100个数据点作为全局分解的结果。此外，使用EWT对序列Y进行分解，得到序列Y的前100个数据点。

**结论**
本文提出了一种基于Local-EWT、DenseBlock和TimesNet的新型波浪能通量预测模型ED-TimesNet。首先，使用EWT对波浪相关参数进行局部分解，以减轻噪声干扰并增强有效特征的提取，同时避免未来信息的泄露。然后，在TimesBlock中使用FFT识别时间序列的主导周期，并将一维输入数据重构为多个二维数据。

**作者贡献声明**
丁杰：可视化、验证、软件、方法论、形式分析、撰写——审阅与编辑、撰写——初稿。
刘金灿：验证、调查、数据管理、概念化。王继超：监督、资源管理、项目执行、资金筹措、概念构思。
利益冲突声明
作者声明他们没有已知的财务利益冲突或个人关系，这些因素可能会影响本文所报告的工作。
致谢
本研究得到了中国国家自然科学基金（项目编号42176011）、中央高校基本科研业务费（项目编号24CX03001A）以及中国石油大学（华东）研究生创新基金项目（该项目由中央高校基本科研业务费资助，项目编号26CX04042A）的支持。