基于观测数据的南海波浪分析及预测模型对比

岳菁鹏; 梁晓兵; 潘荣才; 李扬; 侯二虎

doi:10.19912/j.0254-0096.tynxb.2025-0709

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于观测数据的南海波浪分析及预测模型对比

更新时间：2026-10-15

- 基于观测数据的南海波浪分析及预测模型对比
- 基于观测数据的南海波浪分析及预测模型对比
- 太阳能学报 2026年47卷第9期页码：10
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：10.19912/j.0254-0096.tynxb.2025-0709
  中图分类号： P743
- 网络首发：2026-10-10，
  
  纸质出版：2026
- 稿件说明：
移动端阅览
岳菁鹏, 梁晓兵, 潘荣才, 等. 基于观测数据的南海波浪分析及预测模型对比[J]. 太阳能学报, 2026,47(9):10.

岳菁鹏, 梁晓兵, 潘荣才, et al. 基于观测数据的南海波浪分析及预测模型对比[J]. 2026, 47(9): 10.
岳菁鹏, 梁晓兵, 潘荣才, 等. 基于观测数据的南海波浪分析及预测模型对比[J]. 太阳能学报, 2026,47(9):10. DOI： 10.19912/j.0254-0096.tynxb.2025-0709.

岳菁鹏, 梁晓兵, 潘荣才, et al. 基于观测数据的南海波浪分析及预测模型对比[J]. 2026, 47(9): 10. DOI： 10.19912/j.0254-0096.tynxb.2025-0709.

摘要

选取分别位于南海北部、中部与南部海域的4个观测站

对各站实测波浪数据的特征值、联合分布及季度特性等进行对比分析。利用深度学习模型对各站位的波浪预测效果进行研究

分析隐藏层数、优化算法和模型类型3个变量对预测性能的影响。研究结果表明

各海域处的波高及波周期均主要集中在0~4 m及4~9 s区间

北部海域的波高及波周期分布范围相对集中

中部及南部海域的分布范围更广

靠近大陆的近岸海域的波浪能资源明显偏小

中部及北部海域的波高在秋、冬季明显大于春、夏季;门控循环单元（GRU）相较于长短期记忆网络（LSTM）和多层感知机（MLP）模型表现出更优的预测能力

预测模型的隐藏层数为1时

并采用Adam和RMSProp优化算法时的误差更小。

Abstract

This study selects four observation stations in the northern

central

and southern areas of the South China Sea to conduct comparative analyses of measured wave data characteristics

joint distributions

and seasonal variations. Deep learning models were employed to investigate wave prediction performance

with emphasis on the impacts of hidden layer quantity

optimization algorithms

and model architecture. Results demonstrate that wave heights and periods predominantly concentrate in 0-4 m and 4-9 s ranges across all regions. Waves in the northem area of the South China Sea waves display narrower parameter distributions compared to broader ranges in central and southern zones. Nearshore areas adjacent to the mainland exhibit markedly lower wave energy potential. Autumn and winter seasons witness significantly larger wave heights in the central and northern areas of the South China Sea than spring and summer. The Gated Recurrent Unit （GRU） model outperforms Long Short-Term Memory （LSTM） and Multilayer Perceptron （MLP） architectures in prediction accuracy. Minimal prediction errors were achieved with a single hidden layer combined with Adam or RMSProp optimization algorithms. This research provides novel perspectives and practical references for wave energy prediction methodologies.

关键词

Keywords

references

史宏达, 刘臻. 海洋波浪能研究进展及发展趋势[J]. 科技导报, 2021, 39(6): 22-28.

郑崇伟, 周林. 近10年南海波候特征分析及波浪能研究[J]. 太阳能学报, 2012, 33(8): 1349-1356.

郑崇伟, 高成志, 高悦. “21世纪海上丝绸之路”波浪能的气候特征及变化趋势[J]. 太阳能学报, 2019, 40(6): 1487-1493.

武贺, 方舣洲, 张松, 等. 南海岛礁海域波浪能资源分析及总量评估[J]. 太阳能学报, 2022, 43(9): 416-423.

范琳琳. 基于WAVEWATCH-Ⅲ模式的中国南海波浪能资源的长期评估[D]. 天津: 天津大学, 2019.

李燕, 黄振, 张俊峰, 等. WAVEWATCH Ⅲ模式在渤海海浪预报的应用与检验[J]. 气象与环境学报, 2014, 30(1): 23-29.

Booij N, Holthuijsen L H, Ris R C.The “swan” wave model for shallow water[C]//EDGE B L. Coastal Engineering 1996. Orlando, Florida, USA. Reston: ASCE, 2015: 668-676.

Zhou L M, Li Z B, Mou L, et al.Numerical simulation of wave field in the South China Sea using WAVEWATCH III[J]. Chinese Journal of Oceanology and Limnology, 2014, 32(3): 656-664.

江丽芳, 张志旭, 齐义泉, 等. WAVEWATCH Ⅲ和SWAN模式在南海北部海域海浪模拟结果的对比分析[J]. 热带海洋学报, 2011, 30(5): 27-37.

邱妮珊, 姚作芳, 左秀玲, 等. 基于SWAN模型的西沙群岛永乐环礁波浪数值模拟与时空分析[J]. 地理科学进展, 2024, 43(9): 1811-1825.

ZHANG G P.Time series forecasting using a hybrid ARIMA and neural network model[J]. Neurocomputing, 2003, 50: 159-175.

Box G E P, Jenkins G M, Reinsel G C, et al. Time series analysis: forecasting and control[M]. Hoboken: John Wiley & Sons, 2015.

Agrawal J D, Deo M C.On-line wave prediction[J]. Marine Structures, 2002, 15(1): 57-74.

Yang S B, Zhang Z Q, Fan L L, et al.Long-term prediction of significant wave height based on SARIMA model in the South China Sea and adjacent waters[J]. IEEE access, 2019, 7: 88082-88092.

Hahn Y, Langer T, Meyes R, et al.Time series dataset survey for forecasting with deep learning[J]. Forecasting, 2023, 5(1): 315-335.

朱尤成, 王金荣, 徐坚. 基于深度学习的中长期风电发电量预测方法[J]. 广东电力, 2021, 34(6): 72-78.

邱桂华, 何引生, 邱楠海, 等. 考虑多气象因子累积影响的光伏发电功率预测[J]. 广东电力, 2022, 35(10): 20-28.

Alshingiti Z, Alaqel R, Al-Muhtadi J, et al.A deep learning-based phishing detection system using CNN, LSTM, and LSTM-CNN[J]. Electronics, 2023, 12(1): 232.

Mahjoub S, Chrifi-Alaoui L, Marhic B, et al.Predicting energy consumption using LSTM, multi-layer GRU and drop-GRU neural networks[J]. Sensors, 2022, 22(11): 4062.

Vipin V, Trivedi K, Koley S.Optimization of parameters of the OWC wave energy converter device using MLP and XGBoost models[J]. Results in Physics, 2023, 55: 107163.

周志华. 机器学习[M]. 北京: 清华大学出版社, 2016: 95-134.

Feng X, Ma G F, Su S F, et al.A multi-layer perceptron approach for accelerated wave forecasting in Lake Michigan[J]. Ocean Engineering, 2020, 211: 107526.

Gao S, Huang J, Li Y R, et al.A forecasting model for wave heights based on a long short-term memory neural network[J]. Acta Oceanologica Sinica, 2021, 40(1): 62-69.

Zhou S Y, Xie W H, Lu Y X, et al.ConvLSTM-based wave forecasts in the south and East China Seas[J]. Frontiers in marine science, 2021, 8: 680079.

Hao P, Li S, Gao Y.Significant wave height prediction based on deep learning in the South China Sea[J]. Frontiers in Marine Science, 2023, 9: 1113788.

郑崇伟, 李崇银. 中国南海岛礁建设:风力发电、海浪发电[J]. 中国海洋大学学报(自然科学版), 2015, 45(9): 7-14.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于多变量DSD-LSTM模型的有效波高预测

基于ICPO优化VMD耦合深度学习模型的中短期风电功率预测

基于SSA-VMD预处理的TCN-Informer短期风速多步预测混合模型

基于Transformer多尺度融合网络的暖通空调能耗预测模型

基于聚合模态分解和TCN-BiGRU的光伏功率预测模型