一种波浪要素预测方法及系统技术方案

本发明专利技术公开了一种波浪要素预测方法及系统，方法包括：获取风场信息；根据所述风场信息进行预先预测来对初始模型进行优化验证，得到集合预测模型；根据所述集合预测模型进行正式预测，得到预测序列值；对所述预测序列值进行检验，确定满足验证要求的预测结果；通过SOM机器学习对所述预测结果进行预测结果分类处理，得到不同精度的预测模型集合；从所述精度预测模型集合中选取目标精度预测模型，将所述目标精度预测模型的预测结果加上修正值作为输出波浪要素最终预测结果；其中，所述波浪要素预测结果包括但不限于有效波高数据、波峰周期数据以及波向数据。本发明专利技术的误差小且预测效果好，可广泛应用于数据处理技术领域。可广泛应用于数据处理技术领域。可广泛应用于数据处理技术领域。

A prediction method and system of wave elements

【技术实现步骤摘要】
一种波浪要素预测方法及系统


[0001]本专利技术涉及数据处理
，尤其是一种波浪要素预测方法及系统。

技术介绍

[0002]波浪的重要性来自海上发生的不同的研究和应用，如航行安全、船舶航线、石油和天然气生产和运输，分别由平台和管道的使用产生。此外，波浪对近岸工程也产生了重要的影响，如港口作业、港池舶稳状况、海岸脆弱性评估、海岸结构设计和核查。波浪的潜在增减和破碎是海岸淤蚀过程变化的关键因素，也是将波浪能转化为电能的装置的实际性能的关键因素。
[0003]现有的波浪预测手段较为单一。例如单一确定性预测，该预测手段在24小时内的预测效果初步满足要求，但是长期时段预测的效果不佳，难以满足实际需求，其有着特定的使用目标和工作环境。机器学习的预测会随着预测的时段变长导致误差不断增大。且现有的技术大多集中在有效波高的预测上，实际工程中，波风周期、波向等数据也同样重要，但现有技术却无法预测。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供一种误差小、预测效果佳的波浪要素预测方法及系统，能够预测波风周期、波向等更多波浪要素数据。
[0005]本专利技术的第一方面提供了一种波浪要素预测方法，包括：
[0006]获取风场信息；
[0007]根据所述风场信息进行预先预测来对初始模型进行优化验证，得到集合预测模型；
[0008]根据所述集合预测模型进行正式预测，得到预测序列值；
[0009]对所述预测序列值进行检验，确定满足验证要求的预测结果；
[0010]通过SOM机器学习对所述预测结果进行预测结果分类处理，得到不同精度的预测模型集合；
[0011]从所述精度预测模型集合中选取目标精度预测模型，将所述目标精度预测模型的预测结果加上修正值作为输出波浪要素最终预测结果；
[0012]其中，所述波浪要素预测结果包括但不限于有效波高数据、波峰周期数据以及波向数据。
[0013]可选地，所述根据所述风场信息进行预先预测来对初始模型进行优化验证，得到集合预测模型，包括：
[0014]构建第一区域的确定性SWAN模型，在所述确定性SWAN模型中嵌套多个集合SWAN模型；其中，所述确定性SWAN模型为各个集合SWAN模型提供边界条件；
[0015]根据海面扰动预报风场信息对各个集合SWAN模型进行预测训练，获取一段时间周期内的预测序列值，并选取所述一段时间周期内对应的实测序列值；
[0016]通过相关系数计算公式将所述预测序列值和所述实测序列值进行对比，得到判断系数值；
[0017]根据所述判断系数值确定满足相关系数要求的集合SWAN模型；
[0018]计算满足相关系数要求的各个集合SWAN模型得到的预测序列值的平均值，将所述平均值与所述实测序列值的平均值进行比较，得到平均偏差值；
[0019]根据所述平均偏差值计算得到修正值；
[0020]根据所述修正值对各个满足相关系数要求的集合SWAN模型进行修正，得到集合预测模型的最终预测结果。
[0021]可选地，所述根据所述集合预测模型进行正式预测，得到预测序列值，包括：
[0022]当所述集合预测模型的预先预测满足预设要求后，将所述集合预测模型列入进入正式预测的模型；
[0023]将所述集合预测模型作为所述正式预测的起点，选用多个海面扰动预报风场信息作为所述正式预测的驱动，获取不确定性预报结果，作为预测序列值。
[0024]可选地，所述对所述预测序列值进行检验，确定满足验证要求的预测结果，包括：
[0025]获取高频地波雷达在实际区域观测得到一周的有效波高序列值；
[0026]根据所述有效波高序列值和所述预测序列值，计算均方根误差；
[0027]根据所述有效波高序列值和所述预测序列值，计算相关系数；
[0028]根据所述均方根误差和所述相关系数进行条件判定，确定满足验证要求的预测结果。
[0029]可选地，所述通过SOM机器学习对所述预测结果进行预测结果分类处理，得到不同精度的预测模型集合，包括：
[0030]根据所述均方根误差和所述相关系数，以及多个集合预测模型的预测结果，构建有效波高序列的属性矩阵；
[0031]对所述属性矩阵进行归一化处理；
[0032]根据所述相关系数和所述均方根误差对归一化处理后的属性矩阵进行聚类划分，得到不同精度的预测模型集合。
[0033]可选地，所述根据所述相关系数和所述均方根误差对归一化处理后的属性矩阵进行聚类划分，得到不同精度的预测模型集合，包括：
[0034]初始化30个神经元节点权重，从样本数据的属性矩阵中随机选择有效波高某一行属性序列，并从样本数据的属性矩阵中删除这一行属性序列；
[0035]通过计算各神经网络节点的样本数据与权值的欧式距离，得到优胜神经元节点，根据所述优胜神经元节点，更新各神经节点权值，以此处理样本数据属性矩阵中各个属性序列，直至样本序列取为空集。
[0036]可选地，所述方法还包括对预测模型进行实时更新的步骤，该步骤包括以下至少之一：
[0037]实时更新输入的风场信息，当预测模型的预测结果与实时输入的风场信息不对应时，删除当前的预测模型，并且删除当前预测模型实用的风场数据；
[0038]或者，实时获取高频地波雷达的实测数据，然后计算相关系数和均方根误差，根据所述相关系数和所述均方根误差对预测模型进行实时更新；
[0039]或者，预先预测实时更新的结果，当有不满足相关系数范围的模型时，将此模型删除，并重新选用扰动预报风场进行模型预测；
[0040]或者，通过预测模型进行正式预测，并计算检验系数，当正式预测的模型在不满足相关系数和均方根误差范围时，将此模型删除，同时该模型使用的风场数据和预先预测模型也一并删除。
[0041]本专利技术实施例的另一方面还提供了一种波浪要素预测系统，包括：
[0042]第一模块，用于获取风场信息；
[0043]第二模块，用于根据所述风场信息进行预先预测来对初始模型进行优化验证，得到集合预测模型；
[0044]第三模块，用于根据所述集合预测模型进行正式预测，得到预测序列值；
[0045]第四模块，用于对所述预测序列值进行检验，确定满足验证要求的预测结果；
[0046]第五模块，用于通过SOM机器学习对所述预测结果进行预测结果分类处理，得到不同精度的预测模型集合；
[0047]第六模块，用于从所述精度预测模型集合中选取目标精度预测模型，将所述目标精度预测模型的预测结果加上修正值作为输出波浪要素最终预测结果；
[0048]其中，所述波浪要素预测结果包括但不限于有效波高数据、波峰周期数据以及波向数据。
[0049]本专利技术实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
[0050]所述存储器用于存储程序；
[0051]所述处理器执行所述程序实现如前面所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种波浪要素预测方法，其特征在于，包括：获取风场信息；根据所述风场信息进行预先预测来对初始模型进行优化验证，得到集合预测模型；根据所述集合预测模型进行正式预测，得到预测序列值；对所述预测序列值进行检验，确定满足验证要求的预测结果；通过SOM机器学习对所述预测结果进行预测结果分类处理，得到不同精度的预测模型集合；从所述精度预测模型集合中选取目标精度预测模型，将所述目标精度预测模型的预测结果加上修正值作为输出波浪要素最终预测结果；其中，所述波浪要素预测结果包括但不限于有效波高数据、波峰周期数据以及波向数据。2.根据权利要求1所述的一种波浪要素预测方法，其特征在于，所述根据所述风场信息进行预先预测来对初始模型进行优化验证，得到集合预测模型，包括：构建第一区域的确定性SWAN模型，在所述确定性SWAN模型中嵌套多个集合SWAN模型；其中，所述确定性SWAN模型为各个集合SWAN模型提供边界条件；根据海面扰动预报风场信息对各个集合SWAN模型进行预测训练，获取一段时间周期内的预测序列值，并选取所述一段时间周期内对应的实测序列值；通过相关系数计算公式将所述预测序列值和所述实测序列值进行对比，得到判断系数值；根据所述判断系数值确定满足相关系数要求的集合SWAN模型；计算满足相关系数要求的各个集合SWAN模型得到的预测序列值的平均值，将所述平均值与所述实测序列值的平均值进行比较，得到平均偏差值；根据所述平均偏差值计算得到修正值；根据所述修正值对各个满足相关系数要求的集合SWAN模型进行修正，得到集合预测模型的最终预测结果。3.根据权利要求1所述的一种波浪要素预测方法，其特征在于，所述根据所述集合预测模型进行正式预测，得到预测序列值，包括：当所述集合预测模型的预先预测满足预设要求后，将所述集合预测模型列入进入正式预测的模型；将所述集合预测模型作为所述正式预测的起点，选用多个海面扰动预报风场信息作为所述正式预测的驱动，获取不确定性预报结果，作为预测序列值。4.根据权利要求1所述的一种波浪要素预测方法，其特征在于，所述对所述预测序列值进行检验，确定满足验证要求的预测结果，包括：获取高频地波雷达在实际区域观测得到一周的有效波高序列值；根据所述有效波高序列值和所述预测序列值，计算均方根误差；根据所述有效波高序列值和所述预测序列值，计算相关系数；根据所述均方根误差和所述相关系数进行条件判定，确定满足验证要求的预测结果。5.根据权利要求4所述的一种波浪要素预测方法，其特征在于，所述通过SOM机器学习对所述预测结果进行预测结果分类处理，得到不同精度的预测模型集合，包括：
根据所述均方根误差和...

【专利技术属性】
技术研发人员：任磊，王和旭，
申请(专利权)人：中山大学，
类型：发明
国别省市：