一种面向波浪能应用的能量感知多尺度全局-局部协同有效波高预测方法及系统

本发明属于人工智能，尤其涉及一种面向波浪能应用的能量感知多尺度全局-局部协同有效波高预测方法及系统。

背景技术：

1、有效波高（significant wave height，记为hs）是描述海浪能量水平的核心参数，在波浪能资源评估、波浪能转换器（wave energy converter，简称wec）实时功率调度、自适应控制以及结构安全预警等环节中具有重要作用；能量周期（energy period，记为te）和峰值周期（peak period，记为tp）用于表征波浪周期特性。在面向波浪能利用的工程场景下，预测模型不仅需要准确刻画海况的平均演化趋势，更需要前瞻性地识别能量爬升过程、能量峰值事件以及高能海况的持续时段，因为这些瞬态过程直接决定了波浪能转换器wec出力调度器的能量俘获效率、出力波动幅度和结构生存阈值。

2、以第三代海浪谱模型wam模型、wavewatch iii模型为代表的传统第三代谱波模型基于物理控制方程对海浪谱演化进行求解，理论基础完备。但其在沿岸定点预报应用中存在以下不足：（1）依赖高精度风场强迫与边界条件；（2）计算开销大、空间分辨率难以满足局部应用需求；（3）难以快速适配多个站点的本地化特征。

3、近年来，基于深度学习的长时序预测方法，例如长短期记忆网络（long short-term memory，lstm）、基于自注意力的变换器（transformer）、分块时序变换器（patch timeseries transformer，patchtst）、倒置时序变换器（inverted transformer，itransformer）、时间外生变量变换器（timexer）等，在通用时序预测任务上取得了显著进展，但其在波浪能场景的应用存在以下技术问题：

4、第一，多尺度建模通常采用预定义、固定的尺度集合（如固定的 patch 长度、固定的分解窗口或固定的频段划分），无法根据输入海况的瞬时能量水平自适应调整尺度偏好。然而，海浪演化的主导时间尺度本身就是随海况能量水平动态变化的：在低能海况下，慢变涌浪与季节背景占主导；在高能海况下，短期风浪响应占主导。固定的尺度先验无法跟随这一变化。

5、第二，即便引入自适应尺度选择，例如基于频谱显著性、趋势强度等通用统计量进行前k个top-k路由，其判别依据仍为通用频谱量，未引入波浪能场景的物理先验。这导致模型可能选中频谱上显著但能量上不重要的尺度，反之亦然。

6、第三，现有方法对稀疏但操作关键的高能事件（陡升、能量爬坡、峰值波群）感知能力不足。这些事件占序列长度比例小，在全局聚合或卷积平滑过程中容易被稀释。

7、现有混合架构，例如卷积神经网络cnn与基于自注意力的变换器transformer双分支、双向协同网络等，虽然将卷积分支用于局部建模、注意力分支用于全局建模，但其交互方式通常为粗粒度的特征拼接或单步双向交换，难以实现局部能量事件证据与全局海况语义的渐进式相互修正。此外，这类方法的局部分支通常处理的是原始或经分解的特征流，并未被显式地引导到能量事件高发的时间区段。

8、已有方法尝试将物理约束以损失项形式融入数据驱动模型，但通常聚焦于有效波高hs单一目标的物理引导，未对有效波高hs、能量周期te、波功率密度pw之间的代数耦合关系进行显式监督；并且在多站点观测中，由于不同站点的能量周期te与峰值周期tp的可用性差异较大，现有方法未对物理监督的样本资格进行严格区分，存在以数据污染物理监督的隐患。

9、综上所述，现有技术在面向波浪能应用的有效波高预测中存在以下亟待解决的技术问题：

10、（1）尺度选择缺乏波浪能物理先验：现有自适应路由依赖通用频谱或趋势统计量，无法根据当前海况能量状态合理分配模型容量；

11、（2）能量事件感知不足：稀疏但关键的高能事件在全局聚合中被平滑稀释，难以提前识别；

12、（3）全局背景与局部事件结构难以兼顾：单步融合架构在背景一致性与峰值保真之间存在固有权衡；

13、（4）多任务输出物理一致性缺失：有效波高hs、能量周期te与波功率密度pw通常被独立预测，输出之间可能违反深水波功率密度近似关系；

14、（5）物理监督样本资格混淆：在能量周期te缺失并以峰值周期tp回填时，输入回填可能污染物理监督，导致深水波能近似关系适用性失真；

15、（6）预测输出与下游wec控制脱节：缺乏面向wec出力调度、提前预警与设备保护的多目标耦合输出。

技术实现思路

1、发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种面向波浪能应用的能量感知多尺度全局-局部协同有效波高预测方法及系统，通过将波浪能物理先验注入自适应多尺度路由、通过可微事件感知门控驱动局部分支、通过多阶段双向门控协同对齐局部事件与全局背景、通过两阶段融合在保持背景一致性的同时复原稀疏峰值、并通过受资格掩码约束的代数耦合损失实现多任务输出物理一致性，最终输出可直接用于波浪能转换器wec出力调度器出力调度与极端海况预警的多目标预测结果。

2、所述方法包括以下步骤：

3、步骤s1，质量感知输入编码：获取目标观测站点在历史回看窗口内长度为l的多变量观测序列以及对应的二值缺失掩码，并融合站点嵌入与时间嵌入，得到统一输入表示；其中r表示实数空间；d表示特征维度；l表示历史回看窗口长度；

4、步骤s1中，目标观测站点是指待预测有效波高的海洋观测站点，二值缺失掩码用于标识各变量在各历史时刻的原生有效状态或缺失回填状态，统一输入表示用于后续各网络模块的共同输入；

5、步骤s2，能量感知动态多尺度路由：对进行时间分解得到趋势分量、季节分量与残差分量，基于回看窗口内的有效波高与输入侧周期通道构造输入侧瞬时有效能量先验，并将表示为；将能量先验与三个分解分量在特征维拼接，通过可学习路由网络生成尺度权重并执行top-k选择，得到k个被选中尺度下的多尺度表示；其中表示有效波高，表示输入侧周期通道，表示输入侧瞬时有效能量先验，top-k表示前k个候选对象选择，k表示被选中尺度数量；

6、步骤s2中，趋势分量表示输入序列中的慢变背景，季节分量表示输入序列中的周期性变化，残差分量表示去除趋势与季节成分后的局部扰动；被选中尺度是指由路由网络按输入海况动态选出的时间尺度；

7、步骤s3，事件感知门控生成：基于回看窗口内的有效波高斜率上升线索、能量斜坡线索、峰值候选线索三类有限差分线索，通过可学习线性投影与sigmoid（s形激活函数）激活生成连续事件门控图；其中a表示连续事件门控图；

8、步骤s4，建立双分支双向协同骨干：将多尺度表示分别送入全局自注意力分支和事件门控的局部多感受野卷积分支，通过n阶段渐进式双向门控残差更新使局部能量事件证据与全局海况语义相互修正；其中n表示双向协同阶段数；

9、步骤s5，两阶段融合：先通过跨尺度多头注意力对各尺度的协同后表示进行加权聚合得到尺度融合表示，再以事件门控图a对尺度融合表示进行残差精修，得到最终统一融合表示；其中表示尺度融合表示，表示最终统一融合表示；

10、步骤s6，能量导向多任务解码与代数耦合训练：将同时送入有效波高头、能量周期头、波功率密度头与高能事件概率头，并基于深水近似关系构造算法参考量；构造由峰值加权huber损失、huber损失、类别平衡二元交叉熵损失与代数耦合损失组成的复合训练目标，其中所述代数耦合损失仅在原生能量周期可用样本上由物理资格掩码激活；其中表示算法参考波功率密度，表示有效波高，表示能量周期，κ表示深水波功率密度近似关系中的常数系数，huber表示分段鲁棒损失函数，表示物理资格掩码；

11、步骤s6中，有效波高头、能量周期头、波功率密度头与高能事件概率头分别输出预测有效波高、预测能量周期、预测波功率密度和预测高能事件概率；所述原生能量周期可用样本是指能量周期通道由传感器直接观测获得，且未使用峰值周期或其他周期通道回填、估算的训练样本；

12、步骤s7，基于多任务预测结果驱动波浪能转换器wec（wave energy converter）出力调度器运行控制与预警：将所预测的有效波高与波功率密度送入波浪能转换器wec出力调度器；将所预测的高能事件概率与门限比较，触发波浪能转换器wec出力调度器提前保护动作或极端海况预警。

13、步骤s7中，所述波浪能转换器wec出力调度器根据预测有效波高和预测波功率密度分配下一控制时段的功率预算，所述高能事件概率用于提前触发设备保护或预警。

14、步骤s1包括：

15、设第s个站点在时刻之前长度为的回看窗口内的多变量观测矩阵为，其中d维特征包括有效波高、波周期通道（即原生或回填的）、风速、风向、海平面气压；

16、同步构造二值缺失掩码，其中表示有效观测，表示缺失或被填补；

17、引入可学习的站点嵌入与时间编码，沿特征维拼接后通过共享线性层与层归一化得到统一输入表示：

18、      （1），

19、其中表示沿特征维的拼接操作，为可学习参数；表示第s个观测站点的可学习站点嵌入；表示回看窗口内各时刻的时间编码；表示共享线性层的权重矩阵；表示共享线性层的偏置向量；layernorm表示层归一化操作； 表示站点嵌入维度；表示时间编码维度；

20、将缺失掩码显式作为输入通道的设计使模型能够区分真正的低能平静海况与观测缺口。

21、步骤s2包括：

22、步骤s2-1，时间分解：

23、对沿时间维做离散傅里叶变换，仅保留前个最大幅值的频率分量并经反变换得到季节分量：

24、   （2），

25、对残差，使用一组核尺寸为的多尺度平均池化并以softmax加权融合得到趋势分量：

26、，

27、      （3），

28、最终残差；

29、其中，dft表示离散傅里叶变换，idft表示离散傅里叶反变换；top-kf表示按照幅值从频率分量中选取前kf个分量的操作；表示经top-kf选取得到的频率分量集合；表示保留的最大幅值频率分量数量；a表示被保留频率分量的幅值集合；φ表示被保留频率分量的相位集合；表示季节分量；表示趋势分量；表示残差分量；表示采用第i个平均池化核尺寸的平均池化操作；mean表示求均值操作；stack表示堆叠操作；表示第i个池化结果的归一化融合权重；表示候选池化核数量；softmax表示归一化指数函数；

30、步骤s2-2，能量先验构造：

31、定义输入侧瞬时有效能量先验为：

32、                  （4），

33、其中为输入侧周期通道；

34、引入二值物理资格掩码∈{0,1}：当τ时刻周期通道由原生te提供时=1，否则=0；能量先验在两种情况下表达为：

35、              （5），

36、所述能量先验完全由回看窗口内的历史观测构造，不涉及对预测时段任何真值的访问，属于合法的输入侧特征工程。同时被传递至步骤s6的训练损失中，用于决定代数耦合损失是否在该样本上激活，从而实现输入侧观测完整性与训练侧物理监督在代数上的解耦；

37、其中，表示回看窗口内的历史时刻索引；表示τ时刻的有效波高；表示τ时刻的输入侧周期通道；表示τ时刻由原生观测提供的能量周期；表示τ时刻用于回填的峰值周期；表示τ时刻的物理资格掩码，当=1时代表周期通道由原生能量周期提供，当=0时代表周期通道由峰值周期回填；

38、步骤s2-3，动态路由与top-k尺度选择：

39、定义候选尺度集合，将分解分量与能量先验沿特征维拼接：

40、                     （6），

41、其中concat表示拼接操作；

42、通过可学习的得分投影矩阵与噪声调制矩阵生成路由权重：

43、              （7），

44、其中ε表示训练阶段使用的标准正态扰动；

45、softplus调制项保证扰动严格为正；在推理阶段，置，使路由权重退化为完全确定的输入函数；最终通过二值掩码进行归一化稀疏化：

46、                       （8），

47、当多个候选尺度路由权重在容差内并列时，按尺度索引升序进行确定性破并，以保证部署可重现性；

48、被选中的k个尺度上的多尺度表示通过加权重采样获得：

49、                  （9），

50、其中表示按尺度对输入序列进行重采样，表示线性插值对齐到统一长度；s表示候选尺度集合；表示第i个候选尺度；mscale表示候选尺度总数；表示由季节分量、趋势分量、残差分量和能量先验拼接得到的组合表示；表示路由得分投影矩阵；表示噪声调制矩阵；r表示尺度路由权重向量；表示第i个候选尺度的路由权重；m表示前k个尺度对应的二值选择掩码；表示第i个候选尺度的二值选择值；表示防止归一化分母为零的小量；表示经top-k掩码和归一化得到的最终路由权重向量；表示第k个被选中尺度下的多尺度表示；resample(·,)表示按尺度执行重采样。

51、步骤s3包括：

52、基于回看窗口内的观测，构造如下三类有限差分事件线索：

53、斜率上升线索：

54、                （10），

55、能量斜坡线索：

56、           （11），

57、峰值候选线索（局部极大近邻比较）：

58、                  （12），

59、其中relu表示激活函数；

60、将三类有限差分事件线索沿特征维拼接后通过可学习投影与sigmoid激活获得连续门控图：

61、（13），

62、其中激活函数；表示转置；t取值为1~l；t表示回看窗口内的时间索引；表示第t个历史时刻的斜率上升线索；表示第t个历史时刻的能量斜坡线索；表示第t个历史时刻的峰值候选线索；表示第t个历史时刻的有效能量；表示局部极大近邻比较的半窗口宽度；表示局部邻域内的求和索引；表示事件门控投影向量；表示事件门控偏置；表示第t个历史时刻的事件门控值。

63、门控图在斜率陡增、能量爬坡或局部峰值候选时数值上升。

64、步骤s4包括：

65、步骤s4-1，对每个被选中尺度k构造如下两条平行特征通路：

66、全局海况transformer分支：

67、                        （14），

68、其中表示由多头自注意力与前馈子层构成的transformer块；

69、事件加权局部cnn（卷积神经网络，convolutional neural network, cnn）分支：

70、                        （15），

71、其中表示由核尺寸为3、5、7的并行深度可分离卷积构成的多感受野卷积块，表示沿时间维的逐元素相乘；

72、步骤s4-2，n阶段渐进式双向门控协同：

73、设第阶段全局海况transformer分支和事件加权局部cnn分支的中间表示分别为与，则局部到全局精修（c→t）定义为：

74、      （16），

75、全局到局部引导（t→c）定义为：

76、      （17），

77、其中和为可学习投影；

78、输出经层归一化后传递至下一阶段：

79、        （18），

80、经n次迭代后，得到协同丰富的全局-局部表示对；

81、其中表示第k个尺度的初始全局分支表示；表示第k个尺度的初始局部分支表示；n表示双向协同阶段索引；和分别表示第n阶段的全局分支中间表示和局部分支中间表示；和分别表示局部到全局的可学习投影、全局到局部的可学习投影；和分别表示两个方向的门控投影矩阵。

82、步骤s5包括：

83、第一阶段：跨尺度注意力融合（确定主导海况背景）；

84、对每个被选中尺度k，将协同后的两个分支特征相加得到统一的逐尺度特征：

85、                  （19），

86、通过时间池化将逐尺度特征压缩为尺度级描述向量并堆叠为尺度令牌矩阵：

87、（20），

88、沿尺度维施加多头自注意力获得各尺度的归一化权重并对逐尺度特征进行加权融合：

89、                （21），

90、      （22），

91、第二阶段：事件门控精修（保留稀疏峰值结构）；

92、通过两层多层感知器mlp由尺度融合表示生成逐时刻校正信号：

93、 （23），

94、以事件门控图沿时间维对校正信号进行残差注入：

95、                       （24），

96、在的平静段，；在的能量事件区，校正信号被选择性注入，复原可能被跨尺度平均稀释的峰值幅度与陡变结构；

97、其中表示第k个尺度的逐尺度特征；表示对进行时间池化后的尺度级描述向量；表示由k个尺度级描述向量堆叠形成的尺度令牌矩阵；mha表示多头注意力操作；、和分别表示查询、键和值投影矩阵；表示第k个尺度的归一化融合权重；表示尺度注意力打分向量；表示尺度注意力打分偏置；表示逐时刻校正信号；、表示两层多层感知器的权重矩阵；、表示两层多层感知器的偏置向量；gelu表示高斯误差线性单元激活函数。

98、步骤s6包括：

99、步骤s6-1，多任务预测头：

100、设融合表示输出长度为预测时域，施加四个并行任务头：

101、                      （25），

102、                   （26），

103、步骤s6-2，构造算法参考量：

104、                        （27），

105、其中为海水密度，为重力加速度；所述算法参考量仅作为训练时的内部耦合锚点，不作为推理时的对外输出；

106、步骤s6-3，计算峰值加权huber损失（头）：

107、                      （28），

108、其中峰值加权权重为：

109、                           （29），

110、其中q75为有效波高在训练分区上按站点估计的75分位数，中间参数δ>0用于控制过渡软度，中间参数η>0用于控制峰值放大幅度；

111、步骤s6-4，计算能量周期损失与波功率回归损失：

112、             （30）；

113、步骤s6-5，计算类别平衡事件交叉熵损失：

114、           （31），

115、其中事件标签由训练集的第分位（默认）按站点确定，为正类权重，以补偿类别不平衡；示性函数在括号内条件成立时取1，否则取0；

116、步骤s6-6，计算代数耦合损失：

117、代数耦合损失仅在样本满足时激活，且采用尺度归一化的相对残差形式：

118、                          （32），

119、其中为防止低能条件下分母趋零的小量；资格掩码的引入使输入侧回填不会污染训练侧物理监督，构成本发明区别于现有物理引导单目标方法的关键特征；

120、步骤s6-7，计算总训练目标函数：

121、                 （33），

122、其中、、、、为非负平衡系数；通常取大于其他系数的值。优选配置为，但所述系数可在验证集上调优；

123、表示有效波高预测头；表示能量周期预测头；表示波功率密度预测头；表示高能事件概率预测头；带帽符号表示相应预测值，不带帽符号表示训练标签或观测真值；t表示预测时域长度；表示第t个预测时刻的峰值加权权重；表示第t个预测时刻的高能事件标签；p表示事件阈值分位数；lcouple表示代数耦合损失；ε表示防止分母趋零的小量。

124、步骤s7包括：

125、将所预测的有效波高序列与波功率密度序列送入wec出力调度器，用于下一时段功率预算的动态分配；将所预测的高能事件概率序列与可配置门限比较，当时触发以下动作之一或组合：

126、通知波浪能转换器wec出力调度器执行能量俘获装置pto提前保护策略；

127、启动浮子收回或锁定流程以降低高能海况下的结构荷载；

128、向监控系统输出极端海况预警信号；

129、预测的能量周期用于辅助wec调谐控制。

130、本发明还提供了一种用于执行所述方法的面向波浪能应用的能量感知多尺度全局-局部协同有效波高预测系统，包括如下模块：

131、输入编码模块，配置为执行步骤s1；

132、能量感知路由模块，配置为执行步骤s2；

133、事件门控生成模块，配置为执行步骤s3；

134、双分支双向协同骨干模块，配置为执行步骤s4；

135、两阶段融合模块，配置为执行步骤s5；

136、多任务解码与训练模块，配置为执行步骤s6；

137、波浪能转换器控制接口模块，配置为执行步骤s7；

138、各模块之间通过张量接口或消息接口进行通信。

139、本发明还提供了一种电子设备，包括处理器和存储器，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行所述的方法的步骤。

140、本发明相对于现有技术具备以下有益效果：

141、（1）中长时域预测精度显著提升：在沿岸多站点观测语料的实证条件下，本发明在48小时与96小时预测时域上的平均绝对误差mae相对于强基线方法分别降低5%~10%，且跨站点标准差同步下降9%~18%，反映了均值与稳健性的同时改善。

142、（2）高能事件识别能力提升：在第90分位事件阈值下，事件f1指标由强基线的约0.687提升至约0.712；在更严苛的第95分位下，相对优势进一步扩大；事件起报提前量由强基线的约-0.58小时（事件后报）提升至本发明的约+0.34小时（事件前报），跨越事件实际起始时刻的临界点。

143、（3）多任务输出物理一致性显著改善：波能关系残差wrr相对于不含代数耦合损失的强基线方法降低30%以上；尤其重要的是，本发明在不同能量海况（平静、过渡、能量）下的物理残差曲线趋于平坦，而对照方法呈现单调上升趋势。

144、（4）高功率桶预测精度优势集中显现：在波功率密度真值大于10千瓦/米的高能桶上，本发明的波功率密度平均绝对误差mae相对强基线降低约10%。

145、（5）跨海域部署可迁移性：在留一海域跨域评估下，本发明在源域训练、目标海域测试条件下，48小时预测mae相对强基线下降约4.5%，且事件f1在所有保留海域上均最高。

146、（6）下游硬件相关效益：通过将多任务预测结果与波浪能转换器wec出力调度器、能量俘获装置pto保护模块、预警发布模块构成闭环，本发明可降低波浪能转换器wec出力调度器在极端海况下的结构荷载暴露，提升发电量调度精度。

147、（7）部署效率：在单卡24gb级图形处理单元gpu上即可完成训练与推理，单样本推理延迟在毫秒量级，满足岸基或云端实时部署需求。