一种目标海域的海流能预测方法及系统

本发明涉及海洋工程，尤其是涉及一种目标海域的海流能预测方法及系统。

背景技术：

1、随着能源开发领域的不断发展，可再生能源逐渐进入人们的视野，而海流能作为一种海洋清洁能源，也逐渐被应用于发电等领域。

2、在对海流能的预测中，往往是根据目标海域的海水运动特征对海流能进行计算和预测，然而由于海洋环境的复杂性，使得对海流的运动模拟存在较大的偏差，从而导致现有的海流能发电效率难以预测，无法得到准确的发电预测数据，导致不利于对能源系统进行有效的综合管理。

3、由此可见，如何对海流能进行更准确的预测，已经成为本领域技术人员所要亟待解决的技术问题。

技术实现思路

1、本发明提供一种目标海域的海流能预测方法及系统，以解决现有技术中对海流能预测准确度不足的技术问题。

2、为了解决上述技术问题，本发明实施例提供了一种目标海域的海流能预测方法，所述方法包括：

3、根据获取到的目标海域的水下动态样本图像，得到海流的第一运动轨迹数据。

4、对所述目标海域不同时段的水下声纳样本图像进行特征提取，得到各个分时静态运动特征，并基于各个所述分时静态运动特征还原海流的第二运动轨迹数据。

5、将所述第一运动轨迹数据和所述第二运动轨迹数据进行合并，得到待优化运动轨迹数据。

6、根据所述待优化运动轨迹数据和所述目标海域的海面仿真数据构建目标海域的海流运动轨迹模型，其中，所述海流运动轨迹模型被设计为根据施加的海面风力模拟扰动所引起的响应结果实现对模型自身的修正。

7、基于大数据分析技术对所述目标海域的历史海流能样本数据进行分析，以对应的分析结果对所述海流运动轨迹模型进行深度学习训练，得到海流能预测模型。

8、在实时预测过程中，以所述海流能预测模型对所述目标海域的海流能进行预测。

9、进一步地，所述基于大数据分析技术对所述目标海域的历史海流能样本数据进行分析，以对应的分析结果对所述海流运动轨迹模型进行深度学习训练，得到海流能预测模型，包括：

10、获取由所述历史海流能样本数据构成的第一样本集。

11、基于典型日海流能数据对应的能源标准对所述第一样本集进行拆分，得到待测试样本集和待优化样本集。

12、在所述待优化样本集中添加强度不同的典型高斯噪声，得到待训练样本集。

13、以所述待训练样本集对所述海流运动轨迹模型进行深度学习训练。

14、基于所述待测试样本集对训练后的所述海流运动轨迹模型进行测试，得到对应的所述海流能预测模型。

15、进一步地，所述以所述待训练样本集对所述海流运动轨迹模型进行深度学习训练，包括：

16、根据所述待训练样本集建立所述待训练样本集中的海流运动特征数据与海流能之间的对应关系。

17、将所述对应关系迁移至所述海流运动轨迹模型中，以对所述海流运动轨迹模型进行深度学习训练。

18、进一步地，所述海面仿真数据至少包括波浪数据和温湿度数据。

19、所述目标海域的海流运动轨迹模型的构建，包括：

20、根据所述波浪数据和所述温湿度数据，创建并施加不同的海面风力模拟条件。

21、基于波浪数据和海流流速之间的线性关系，得到当前海面风力模拟条件下的海流响应轨迹数据。

22、以所述海流响应轨迹数据和所述待优化运动轨迹数据之间的偏差结果，对所述目标海域的海流运动轨迹进行修正，并以修正后的结果实现对所述海流运动轨迹模型的构建。

23、进一步地，所述第一运动轨迹数据和所述第二运动轨迹数据均包括不同深度下的海流运动轨迹。

24、所述将所述第一运动轨迹数据和所述第二运动轨迹数据进行合并，得到待优化运动轨迹数据，包括：

25、分别提取不同深度下的所述第一运动轨迹数据对应的第一轨迹特征点，以及所述第二运动轨迹数据对应的第二轨迹特征点。

26、对所述第一轨迹特征点和所述第二轨迹特征点进行加权合并，根据合并后的数据重构不同深度下对应的轨迹，以得到所述待优化运动轨迹数据。

27、进一步地，所述根据获取到的目标海域的水下动态样本图像，得到海流的第一运动轨迹数据，包括：

28、对所述水下动态样本图像进行第一预处理。

29、基于帧间差分算法，从预处理后的所述水下动态样本图像中检测运动区域。

30、在所述运动区域内提取各个海流轮廓特征点。

31、计算每一所述海流轮廓特征点的匹配度，以匹配度满足预设条件的所述海流轮廓特征点初始化运动轨迹，以得到所述第一运动轨迹数据。

32、进一步地，所述对所述水下动态样本图像进行第一预处理，包括：

33、对所述水下动态样本图像进行灰度校正和折射补偿处理。

34、进一步地，所述对所述目标海域不同时段的水下声纳样本图像进行特征提取，得到各个分时静态运动特征，包括：

35、对各个所述水下声纳样本图像进行第二预处理。

36、基于边缘检测法，对各个所述水下声纳样本图像进行图像分割。

37、基于分割后的结果，提取每一所述水下声纳样本图像的所述分时静态运动特征，所述分时静态运动特征包括以下所述中的一种或多种：

38、灰度特征、几何特征、纹理特征和变换域特征。

39、进一步地，所述对各个所述水下声纳样本图像进行第二预处理，包括：

40、对各个所述水下声纳样本图像进行中值滤波和角度锐化处理。

41、本发明另一实施例提供了一种目标海域的海流能预测系统，包括：

42、动态图像获取模块，用于根据获取到的目标海域的水下动态样本图像，得到海流的第一运动轨迹数据。

43、声纳图像获取模块，用于对所述目标海域不同时段的水下声纳样本图像进行特征提取，得到各个分时静态运动特征，并基于各个所述分时静态运动特征还原海流的第二运动轨迹数据。

44、图像合并模块，用于将所述第一运动轨迹数据和所述第二运动轨迹数据进行合并，得到待优化运动轨迹数据。

45、轨迹模型构建模块，用于根据所述待优化运动轨迹数据和所述目标海域的海面仿真数据构建目标海域的海流运动轨迹模型，其中，所述海流运动轨迹模型被设计为根据施加的海面风力模拟扰动所引起的响应结果实现对模型自身的修正。

46、预测模型构建模块，用于基于大数据分析技术对所述目标海域的历史海流能样本数据进行分析，以对应的分析结果对所述海流运动轨迹模型进行深度学习训练，得到海流能预测模型。

47、海流能预测模块，用于在实时预测过程中，以所述海流能预测模型对所述目标海域的海流能进行预测。

48、相比于现有技术，本发明实施例的有益效果在于以下所述中的至少一点：

49、（1）根据相同海风扰动下的运动轨迹偏差对海水运动模型进行多轮迭代更新，可以提升海水运动模型应对扰动时的稳定性，从而模拟更真实的海洋运动信息；

50、（2）根据不同的水深，分层获取海水运动模型在风力扰动下的运动状态并构建模型，不仅可以更准确地模拟海水运动信息，还可以根据水下不同深度中海流能的变化合理确定水下可利用深度。

技术特征：

1.一种目标海域的海流能预测方法，其特征在于，包括：

2.如权利要求1所述的目标海域的海流能预测方法，其特征在于，所述基于大数据分析技术对所述目标海域的历史海流能样本数据进行分析，以对应的分析结果对所述海流运动轨迹模型进行深度学习训练，得到海流能预测模型，包括：

3.如权利要求2所述的目标海域的海流能预测方法，其特征在于，所述以所述待训练样本集对所述海流运动轨迹模型进行深度学习训练，包括：

4.如权利要求1所述的目标海域的海流能预测方法，其特征在于，所述海面仿真数据至少包括波浪数据和温湿度数据；

5.如权利要求1所述的目标海域的海流能预测方法，其特征在于，所述第一运动轨迹数据和所述第二运动轨迹数据均包括不同深度下的海流运动轨迹；

6.如权利要求1所述的目标海域的海流能预测方法，其特征在于，所述根据获取到的目标海域的水下动态样本图像，得到海流的第一运动轨迹数据，包括：

7.如权利要求6所述的目标海域的海流能预测方法，其特征在于，所述对所述水下动态样本图像进行第一预处理，包括：

8.如权利要求1所述的目标海域的海流能预测方法，其特征在于，所述对所述目标海域不同时段的水下声纳样本图像进行特征提取，得到各个分时静态运动特征，包括：

9.如权利要求8所述的目标海域的海流能预测方法，其特征在于，所述对各个所述水下声纳样本图像进行第二预处理，包括：

10.一种目标海域的海流能预测系统，其特征在于，包括：

技术总结
本发明公开了一种目标海域的海流能预测方法及系统，方法包括：根据获取到的目标海域的水下图像，得到待优化运动轨迹数据；根据所述待优化运动轨迹数据和所述目标海域的海面仿真数据构建目标海域的海流运动轨迹模型；基于大数据分析技术对所述目标海域的历史海流能样本数据进行分析，以对应的分析结果对所述海流运动轨迹模型进行深度学习训练，得到海流能预测模型；在实时预测过程中，以所述海流能预测模型对所述目标海域的海流能进行预测。本发明根据海风扰动下的运动轨迹偏差对模型进行优化，提升了海水运动模型的准确性和稳定性，对水下分层运动状态进行模拟，提高了海流能预测的准确性。

技术研发人员：王哲,栗树朋,罗俊贤,游佳盛,练嘉皓
受保护的技术使用者：广东海洋大学
技术研发日：
技术公布日：2024/9/23