《Science》：深度学习助力海洋能源开发

精确的近岸风速预测有助于更有效地评估和利用海上风能资源，推动风电产业的可持续发展。自然资源部第二海洋研究所卫星海洋环境动力学国家重点实验室杨劲松团队发展了基于深度学习的多站点风速预测模型，通过引入门控机制和节点特征向量，模型具备了捕捉多个站点时空依赖关系的能力，从而实现对各站点风速变化的精确预测。该模型不仅对近岸风速预测提供了新的思路，而且对风能评估开发和海上灾害预警具有重要意义。

主要内容

面对日益严峻的环境问题和能源危机，开发可再生能源成为全球共识。然而，目前的研究往往局限于单一站点的风速预测，忽略了多站点间的空间联系。为填补这一空白，本文提出了一种基于深度学习的多站点风速预测模型。通过运用门控机制和节点特征向量，该方法能够有效捕捉不同站点之间的时空依赖关系，并且能够精确地预测每个站点的未来12小时的风速变化。预测结果在美国国家数据浮标中心（NDBC）的实测数据上进行了有效验证，研究结果表明，12小时平均预测均方根误差为2.09米/秒。

图8 本文选取的NDBC浮标数据的地理分布

本文选取了美国东海岸八个NDBC浮标站点，图8展示了这些浮标的地理位置分布。图9展示了提出的框架在常规风速场景下，对各个站点的预测性能。其中浮标#42040位于湾内，该位置风速变化的剧烈程度较低，结果表明此处RMSE最低，为0.83 m/s。图10（A-B）展示了在飓风Ida和飓风Ian过境的极端场景下的表现，表明在研究区域受到飓风影响时，提出的模型仍旧具有稳定的性能。

图9 模型对各站点的1小时预测与NDBC实际观测值之间的密度散点图（2021年10月9至2022年1月2日）

图10 模型在（A）飓风Ida 和（B）飓风Ian 期间的风速预测结果与NDBC实际观测值的比较

总结与展望

本研究提出了一种深度学习模型，用于多站点风速预测，并在极端天气如飓风情况下表现出良好性能。未来，通过整合更多有效数据和先进技术，如图神经网络，生成式对抗网络等，有望提高模型准确性，为海上风能评估和灾害预警提供重要支持。

来源：Science