郭昌鑫， 曾湲溶，萬穎蕾，巫坤鋌，陳公興，陳吹信，林惠妮

（1.廣州理工學院電氣與電子工程學院，廣東 廣州510540；2.廣州棒谷科技股份有限公司，廣東 廣州510435；3.廣州理工學院外國語學院，廣東 廣州510540）

1 引言

世界可再生的海洋波浪能非常豐富，具有安全、清潔、可再生、分布廣等優(yōu)點，但在實際開發(fā)波浪能過程中，必須做到“資源評價和和規(guī)劃先行”。波浪能資源的不穩(wěn)定性、季節(jié)性和區(qū)域性差異也增加了其開發(fā)難度[1]。目前，國內外對發(fā)電功率的預測主要在風力發(fā)電方面，然而海域環(huán)境變化多端，在功率預測方面面臨著許多困難，導致波浪能發(fā)電功率預測的發(fā)展程度遠遠不及風電預測，且目前開發(fā)海洋波浪能主要依靠電磁發(fā)電機，這種發(fā)電機的缺點是笨重、耗資巨大。

中國科學院外籍院士王中林領導的團隊研制出質量輕、效率高、成本低的摩擦納米發(fā)電機收集波浪能。摩擦納米發(fā)電機（Triboelectric nanogenerator，TENG）是基于自驅動納米技術并以接觸/摩擦起電和靜電感應為基礎的微/納機電動力系統(tǒng)[2]。采用法向接觸-分離式TENG 結構簡單，可靠性高，應用領域廣泛[3]。組網(wǎng)利用后或可實現(xiàn)每平方千米海面產(chǎn)生兆瓦級電能。海洋發(fā)電產(chǎn)生的能源或將超越水電等綠色能源。未來，TENG 將取代電磁發(fā)電機進行發(fā)電，同時加入發(fā)電功率預測系統(tǒng)，電網(wǎng)調度系統(tǒng)即可根據(jù)預測信息做出儲能或者釋能的決策，讓能源利用更高效。

2 系統(tǒng)整體方案設計

預測系統(tǒng)設計如圖1 所示。本設計主要根據(jù)應用于海上發(fā)電的TENG 裝置輸出功率受環(huán)境變化而提出一種功率預測模型。系統(tǒng)發(fā)電預測以時間尺度分類可分為短期預測（制定電網(wǎng)調度計劃）和超短期預測（瞬時功率變化信息）。輸入數(shù)據(jù)采用南海某海域的氣象站數(shù)據(jù)，并采用長短期記憶網(wǎng)絡（LSTM）對環(huán)境因素進行預測，誤差逆向傳播算法訓練的神經(jīng)網(wǎng)絡（BP）對LSTM預測的氣候數(shù)據(jù)結合TENG 發(fā)電功率數(shù)據(jù)預測未來發(fā)電功率。

發(fā)電功率預測數(shù)據(jù)處理流程如圖2 所示。

圖1 預測系統(tǒng)設計框圖

圖2 發(fā)電功率預測數(shù)據(jù)處理流程圖

環(huán)境影響因素包括陽光照射強度、風力、溫度、波浪參數(shù)變化等，這些因素的變化將直接或間接影響TENG 的發(fā)電功率，且一年內、一天內，不同時間段的發(fā)電功率會有很大差異，因此，對環(huán)境因素訓練預測的精準性將影響最后的電網(wǎng)調度計劃，所以需要充分考慮各種預測模型的優(yōu)劣。

實驗根據(jù)傳統(tǒng)波浪能發(fā)電機不同時段的發(fā)電功率，采用雙球型結構TENG 在對應時間段內模擬發(fā)電，并將所得數(shù)據(jù)作為BP 網(wǎng)絡訓練時所用到的發(fā)電功率數(shù)據(jù)[4]。

在訓練數(shù)據(jù)前，需要將搜集到的氣象站[4]數(shù)據(jù)分別進行歸一化處理，即把有量綱的表達式變換成無量綱表達式（標量），目的是為了提高下一步的LSTM 模型訓練收斂（迭代）速度，同時也提高模型算法的精度，因此，設計歸一化數(shù)據(jù)這一步驟很有必要。

3 LSTM 長短期記憶網(wǎng)絡

實驗借助Tensorflow 平臺進行數(shù)據(jù)集訓練。LSTM 稱為長短期記憶網(wǎng)絡，其包括輸入、輸出、遺忘三個門，長記憶C 和短記憶h 兩個記憶。且由于RNN 神經(jīng)網(wǎng)絡不具備“記憶”功能，無法依據(jù)輸入預測輸出，所以在RNN 上加入同權重的神經(jīng)元，在RNN 基礎上增加了記憶單元和門控制單元。

LSTM 訓練分為三個步驟：正向計算、損失值計算及反向計算。該過程把歸一化的氣象站數(shù)據(jù)進行反復訓練后得到氣候預測數(shù)據(jù)，接下來把預測的氣候數(shù)據(jù)交給BP 網(wǎng)絡進行訓練，得到功率預測數(shù)據(jù)。

4 BP 神經(jīng)網(wǎng)絡

神經(jīng)網(wǎng)絡RNN 采用基于時間的逆向傳播進行訓練得出功率預測數(shù)據(jù)，本質上還是BP 算法。先將氣候預測數(shù)據(jù)和發(fā)電功率數(shù)據(jù)的訓練集數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡的輸入層，經(jīng)過隱藏層，最后達到輸出層并輸出功率預測結果，該過程即為前向傳播過程，但由于神經(jīng)網(wǎng)絡的輸出結果與實際結果有誤差，導致結果計算估計值與實際值之間出現(xiàn)誤差，所以將該誤差從輸出層向隱藏層逆向傳播，直至傳播到輸入層；在反向過程中，可根據(jù)誤差調整各種參數(shù)的值，使總損失函數(shù)減小，最后繼續(xù)對數(shù)據(jù)進行以上反復訓練，直到滿足停止準則。

實驗分別以時間為10 min 和300 min 的跨度進行發(fā)電功率預測，預測結果如圖3、圖4 所示。

圖3 10 min 跨度功率預測

圖4 300 min 跨度功率預測

由圖3、圖4 得出，10 min 跨度的功率預測誤差較低，適用于實時監(jiān)測功率數(shù)據(jù)；300 min 跨度的誤差稍大，適用于制定后期的電網(wǎng)調度計劃。綜上，時間尺度越長，得出的預測數(shù)據(jù)誤差越大。

5 測驗結果與分析

在影響預測結果的因素中，除了摩擦起電材料對獲得的電壓有影響，實際測試中也還存在一些不確定因素會改變電壓，比如日照，即太陽加熱空氣時受緯度、地質、水分的影響造成海域受熱不均，導致大氣壓力不同，形成風，并在風的作用下，水面產(chǎn)生波浪，總結為太陽能-風能-波浪能。所以當TENG 投放地某日的日照條件較差時，當天的電壓測量值也會相應下降，因此海洋波浪能的能量也需要考慮風能，因為其也間接來自于太陽能，所以光照強度、氣壓、溫度等也必須考慮。

時間跨度越大，發(fā)電功率預測結果的誤差也越大，實驗中兩個時間跨度的預測值均小于實測數(shù)據(jù)，即預測的功率低于實際功率。造成該誤差的原因一方面是天氣因素考慮不周全，另一方面是沒有考慮到波浪參數(shù)。

6 結束語

本文介紹了基于深度學習的摩擦納米發(fā)電機發(fā)電功率預測的過程，這是一項需要長期進行測試調整的項目，成功實施的話，對中國的經(jīng)濟可持續(xù)發(fā)展有著重要價值和意義。在符合相關環(huán)境適用性及特殊地區(qū)管理要求的前提下，中國南海海域的溫度濕度等氣候環(huán)境特征，較適合開發(fā)含波浪能[4]。加入功率預測系統(tǒng)，以方便TENG 控制系統(tǒng)和電網(wǎng)調度端合理安排運行方式和應對措施，提高電網(wǎng)的安全性和可靠性，符合可持續(xù)發(fā)展戰(zhàn)略。