A Tidal Current Speed Forecasting Model based on Multi-Periodicity Learning
作者: Tengfei Cheng, Yangdi Huang, Ling Xiao, Yunxuan Dong
分类: cs.LG, cs.AI
发布日期: 2024-10-13 (更新: 2025-12-07)
💡 一句话要点
提出基于多周期学习的潮汐流速预测模型，提升可再生能源并网稳定性
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 潮汐流速预测 多周期学习 卷积神经网络 小波变换 时频分析 可再生能源 时间序列预测
📋 核心要点
- 传统物理模型难以准确模拟受天体运行周期影响的潮汐流速变化，导致预测精度不足。
- 提出一种小波增强卷积网络，通过学习潮汐流数据中的多周期性来提高预测精度。
- 实验结果表明，该模型在潮汐流速预测中优于其他基线模型，并能有效处理具有周期性波动的数据。
📝 摘要（中文）
为了提高可再生能源的渗透率，准确的潮汐流速预测至关重要。传统物理模型难以准确捕捉受天体轨道周期影响的潮汐流变化。本文提出了一种基于小波增强卷积网络（Wavelet-Enhanced Convolutional Network）的多周期学习模型。该模型将一维潮汐流数据嵌入到二维张量的行和列中，分别表示周期内和周期间的变化，然后利用卷积核处理序列的二维变化。此外，该模型还集成了时频分析方法以进一步处理局部周期性特征，并使用树状Parzen估计器优化超参数以增强框架的稳定性。数值结果表明，该框架能够捕获潮汐流数据中的多周期依赖关系，10步平均绝对误差为0.025，与其它基线相比，误差至少降低了1.18%。消融研究表明，在人为添加周期性波动的数据上，平均绝对百分比误差降低了1.4%。
🔬 方法详解
问题定义：论文旨在解决潮汐流速预测精度不高的问题。现有物理模型难以准确捕捉潮汐流中复杂的多周期性变化，导致预测误差较大，影响潮汐能的有效利用和电网的稳定运行。
核心思路：论文的核心思路是利用深度学习方法，特别是卷积神经网络，来学习潮汐流数据中的多周期性特征。通过将一维潮汐流数据转换为二维张量，并结合时频分析，模型能够同时捕捉周期内和周期间的变化，从而提高预测精度。
技术框架：该模型主要包含以下几个模块：1) 数据预处理：将一维潮汐流数据转换为二维张量，其中行表示周期内变化，列表示周期间变化；2) 小波增强：利用小波变换进行时频分析，提取局部周期性特征；3) 卷积网络：使用卷积核处理二维张量，学习多周期依赖关系；4) 超参数优化：使用树状Parzen估计器（TPE）优化模型超参数，提高模型稳定性。
关键创新：该论文的关键创新在于将潮汐流数据转换为二维张量，从而能够利用卷积神经网络同时学习周期内和周期间的变化。此外，结合小波变换进行时频分析，进一步增强了模型对局部周期性特征的捕捉能力。与传统的物理模型相比，该方法能够更好地适应潮汐流的复杂变化。
关键设计：二维张量的构建方式是将一维潮汐流数据按照一定的周期长度进行分割，然后将分割后的序列分别作为二维张量的行和列。小波变换采用的具体小波基函数未知，但其目的是提取局部频率信息。卷积网络的具体结构（层数、卷积核大小等）未知，但通过实验优化。超参数优化采用树状Parzen估计器，具体优化哪些超参数未知。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该模型在10步平均绝对误差上达到了0.025，相比其他基线模型，误差至少降低了1.18%。在人为添加周期性波动的数据集上，平均绝对百分比误差降低了1.4%。这些结果表明，该模型能够有效地学习潮汐流数据中的多周期性特征，并提高预测精度。
🎯 应用场景
该研究成果可应用于潮汐能发电站的优化调度和电网的稳定运行。准确的潮汐流速预测能够帮助发电站提前规划发电计划，提高发电效率，并降低对电网的冲击。此外，该模型还可以应用于其他具有周期性变化的时间序列预测问题，例如海洋环境监测、气象预报等。
📄 摘要（原文）
Tidal energy is one of the key components in increasing the penetration of renewable energy. High tidal energy penetration into the electrical grid depends on accurate tidal current speed forecasting. Model inaccuracies hinder forecast accuracy. Previous research primarily used physical models to forecast tidal current speed, yet tidal current variations influenced by the orbital periods of celestial bodies make accurate physical modeling challenging. Research on the multi-periodicity of tides is crucial for forecasting tidal current speed. We propose the Wavelet-Enhanced Convolutional Network to learn multi-periodicity. The framework embeds intra-period and inter-period variations of one-dimensional tidal current data into the rows and columns, respectively, of a two-dimensional tensor. Then, the two-dimensional variations of the sequence can be processed by convolutional kernels. We integrate a time-frequency analysis method into the framework to further address local periodic features. Additionally, to enhance the framework's stability, we optimize the framework's hyperparameters with the Tree-structured Parzen Estimator. The proposed framework captures multi-periodic dependencies in tidal current data. Numerical results show a 10-step average Mean Absolute Error of 0.025, with at least a 1.18% error reduction compared to other baselines. Further ablation studies show a 1.4% reduction in Mean Absolute Percentage Error on the data with artificially added periodic fluctuations.