邵 萌, 劉盟楚, 陳玉靜, 孫金偉**, 邵珠曉, 伊傳秀, 王長(zhǎng)林

(1. 中國(guó)海洋大學(xué)工程學(xué)院, 山東 青島 266100; 2. 中海福陸重工有限公司, 廣東 珠海 519050)

2020年全世界因化石燃燒產(chǎn)生的二氧化碳年排放量已達(dá)348.1億t,而中國(guó)高達(dá)106.7億t,約占全球年排放量的1/3[1]。為解決因二氧化碳排放量猛增導(dǎo)致的環(huán)境問(wèn)題,中國(guó)提出在2030和2060年分別實(shí)現(xiàn)“碳達(dá)峰”和“碳中和”的“雙碳”目標(biāo)[2]。圍繞“雙碳”目標(biāo)的實(shí)現(xiàn),中國(guó)積極推動(dòng)能源結(jié)構(gòu)轉(zhuǎn)型,將具有清潔高效優(yōu)點(diǎn)的可再生能源作為替代化石能源的優(yōu)先考慮對(duì)象[3-4]。波浪能因其儲(chǔ)量豐富、能量密度高的優(yōu)勢(shì)成為關(guān)注的焦點(diǎn)之一。《“十四五”可再生能源發(fā)展規(guī)劃》中提出要積極開(kāi)發(fā)利用波浪能資源,推進(jìn)波浪能發(fā)電示范工程建設(shè),優(yōu)先在山東、浙江、廣東和海南等地推動(dòng)多種形式的波浪能資源開(kāi)發(fā)應(yīng)用[5]。

波浪能電站的選址決策是開(kāi)發(fā)利用波浪能資源的重要前提,對(duì)提高發(fā)電效率和減少經(jīng)濟(jì)損失具有重要意義[6]。目前,中國(guó)波浪能的開(kāi)發(fā)與利用仍處于試驗(yàn)與示范階段,波浪能電站的選址決策研究仍存在研究手段單一、指標(biāo)體系不完善等問(wèn)題,因此完善和優(yōu)化波浪能電站的選址決策框架和方法具有重要研究意義。

波浪能電站選址決策作為一個(gè)復(fù)雜的多準(zhǔn)則決策問(wèn)題,在研究過(guò)程中需要綜合考慮資源、技術(shù)、經(jīng)濟(jì)、環(huán)境和社會(huì)等方面的因素[7]。近年來(lái),各國(guó)研究者基于多準(zhǔn)則決策(Multi-criteria decision making, MCDM)方法開(kāi)展了大量研究。2009年,Nobre等[8]基于MCDM方法與地理信息系統(tǒng)(Geographic information system, GIS)技術(shù)的空間分析方法在葡萄牙西南海岸確定了波浪能電站的最優(yōu)場(chǎng)址;2016年,Ghosh等[9]基于MCDM方法和人工神經(jīng)網(wǎng)絡(luò)(Artificial neural network, ANN)技術(shù)預(yù)測(cè)波浪能開(kāi)發(fā)適宜性指數(shù),并將該預(yù)測(cè)框架應(yīng)用于英國(guó)和牙買(mǎi)加,得出英國(guó)更適合開(kāi)發(fā)波浪能的結(jié)論;同年,Cradden等[10]和Vasileiou等[11]基于MCDM方法和GIS技術(shù)對(duì)海上風(fēng)能與波浪能的資源進(jìn)行分析,并分別在歐洲大西洋沿岸和希臘克里特島的近海地區(qū)確定了部署海上風(fēng)浪互補(bǔ)電站的最優(yōu)場(chǎng)址;2020年,Zhou等[12]基于MCDM方法和GIS技術(shù)提出了含有四個(gè)階段的風(fēng)浪互補(bǔ)電站選址決策框架,并將其應(yīng)用于確定海南省風(fēng)浪互補(bǔ)電站的最優(yōu)場(chǎng)址;同年,Shao等[13]基于MCDM方法計(jì)算波浪能開(kāi)發(fā)適宜性指數(shù),并將該方法框架應(yīng)用于確定山東青島海域波浪能的適宜性等級(jí)。

由此可知,在波浪能選址決策研究中應(yīng)用MCDM方法具有較高的可行性和可靠性。盡管MCDM方法可以使決策者根據(jù)自身偏好從多個(gè)具有相互沖突、不可公度準(zhǔn)則的備選方案中進(jìn)行取舍進(jìn)而選出最優(yōu)方案[14],但決策過(guò)程中決策者判斷的局限性與外部環(huán)境的復(fù)雜性和不可預(yù)測(cè)性往往會(huì)導(dǎo)致決策結(jié)果產(chǎn)生偏差。

在確定波浪能電站的最優(yōu)場(chǎng)址后,為提高波浪能電站后期運(yùn)行的可控性和可預(yù)測(cè)性,對(duì)最優(yōu)場(chǎng)址的波功率密度進(jìn)行短期預(yù)測(cè)至關(guān)重要,其中人工神經(jīng)網(wǎng)絡(luò)(Artificial neural networks,ANN)是行之有效的方法之一。人工神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性信息處理能力,是一種能夠模仿人腦結(jié)構(gòu)及其功能的信息處理系統(tǒng)[15]。循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent neural network, RNN)是ANN應(yīng)用于深度學(xué)習(xí)領(lǐng)域中的重要模型之一,其經(jīng)典模型包括長(zhǎng)短期(Long short-term memory, LSTM)記憶網(wǎng)絡(luò)模型和門(mén)控循環(huán)單元(Gated recurrent unit, GRU)神經(jīng)網(wǎng)絡(luò)模型。RNN模型能夠在時(shí)間上遞歸,具有一定的記憶能力,因此在處理和預(yù)測(cè)時(shí)間序列數(shù)據(jù)時(shí)具有良好的預(yù)測(cè)效果[16],近年來(lái)被廣泛應(yīng)用于可再生能源預(yù)測(cè)領(lǐng)域。管軍霖等[17]基于LSTM網(wǎng)絡(luò)對(duì)超短期光伏功率進(jìn)行預(yù)測(cè);王超等[18]提出PSO-Attention-GRU模型并應(yīng)用于光伏電站短期功率預(yù)測(cè);劉國(guó)海等[19]將Attention與GRU結(jié)合,提出一種新的短期光伏發(fā)電預(yù)測(cè)模型,有效提升了預(yù)測(cè)精度;同年,朱宗玖等[20]基于CNN-GRU網(wǎng)絡(luò)建立短期風(fēng)功率密度預(yù)測(cè)模型,通過(guò)仿真分析對(duì)比結(jié)果驗(yàn)證其預(yù)測(cè)精度較高。

本文提出基于云-層次分析法(Analytic hierarchy process, AHP)和熵值法的組合賦權(quán)方法,云模型的引入可以有效降低決策者語(yǔ)言判斷的不確定性和隨機(jī)性,從而降低決策結(jié)果的主觀偏差,熵值法的引入可以降低決策過(guò)程中人為主觀隨意性的影響,從而得到更加科學(xué)合理的兼顧主客觀權(quán)重的綜合權(quán)重;提出基于區(qū)間數(shù)的簡(jiǎn)單加權(quán)法進(jìn)行方案排序,可以更加準(zhǔn)確地描述復(fù)雜的現(xiàn)實(shí)情況和不確定的決策者偏好,提高決策結(jié)果的準(zhǔn)確性。為解決梯度爆炸或梯度消失問(wèn)題,并提升預(yù)測(cè)速度,本文采用GRU神經(jīng)網(wǎng)絡(luò)對(duì)最優(yōu)場(chǎng)址進(jìn)行短期的波功率密度預(yù)測(cè),為波浪能電場(chǎng)設(shè)計(jì)提供資源預(yù)報(bào)數(shù)據(jù)。最后將該方法框架應(yīng)用于舟山市波浪能電站選址決策實(shí)例,通過(guò)敏感性分析驗(yàn)證其科學(xué)性與魯棒性。

1 舟山市波浪能電站選址決策模型

1.1 研究區(qū)域

舟山市位于浙江省東北部,是長(zhǎng)江三角洲中心區(qū)的27城之一,其經(jīng)緯度范圍為29°32′N(xiāo)—31°04′N(xiāo),121°30′E—123°25′E。舟山是中國(guó)南北沿海航線與長(zhǎng)江水道的交匯樞紐,內(nèi)陸毗鄰上海市、杭州市和寧波市等大、中城市,外接?xùn)|海海域,具有較強(qiáng)的地緣優(yōu)勢(shì)。舟山是中國(guó)第一次以群島設(shè)市的地級(jí)行政區(qū)劃,島嶼眾多,共有大小島嶼1 391個(gè),海岸線綿長(zhǎng),總長(zhǎng)度達(dá)到2 444 km,位居全國(guó)第一,波浪資源豐富,極具開(kāi)發(fā)潛力。

綜合考慮舟山市海域波浪能實(shí)際可開(kāi)發(fā)條件,確定本文的研究區(qū)域?yàn)?8°85′N(xiāo)—30°50′N(xiāo),121°27′E—123°35′E(見(jiàn)圖1)。研究區(qū)域面積約為43 545 km2,近40年來(lái)最大年平均波功率密度為7.99 kW/m,平均水深為26.42 m,為建造波浪能電站提供了充足的動(dòng)能和安裝條件。

圖1 研究區(qū)域

1.2 選址決策指標(biāo)體系

考慮到波浪能電站的可持續(xù)發(fā)展,選址決策指標(biāo)通常從資源、技術(shù)、經(jīng)濟(jì)、環(huán)境和社會(huì)四個(gè)方面進(jìn)行考慮和確定[7]?；谏鲜鏊膫€(gè)類(lèi)別,綜合專(zhuān)家意見(jiàn)和綜述文獻(xiàn)[7],本文構(gòu)建選址決策指標(biāo)體系,包括排除指標(biāo)集和評(píng)價(jià)指標(biāo)集。其中:排除指標(biāo)集用于從波浪能研究區(qū)域中排除限制開(kāi)發(fā)區(qū)域,確定潛在開(kāi)發(fā)區(qū)域;評(píng)價(jià)指標(biāo)集用于對(duì)波浪能電站場(chǎng)址備選方案進(jìn)行評(píng)價(jià)并排序。

1.2.1 排除指標(biāo)集 本文所用的排除指標(biāo):

(1)海洋禁止開(kāi)發(fā)區(qū)。為了進(jìn)一步優(yōu)化海域開(kāi)發(fā)和保護(hù)格局,協(xié)調(diào)和規(guī)范涉?；顒?dòng),政府根據(jù)海域位置、自然資源、環(huán)境條件和開(kāi)發(fā)利用要求,將海域劃分為不同類(lèi)型的海洋基本功能區(qū)作為海洋開(kāi)發(fā)的基礎(chǔ)[21]。本文綜合考慮社會(huì)和環(huán)境因素限制,將港口航運(yùn)區(qū)、工業(yè)與城鎮(zhèn)用海區(qū)、礦產(chǎn)與能源區(qū)、旅游休閑娛樂(lè)區(qū)、海洋保護(hù)區(qū)、特殊利用區(qū)和保留區(qū)作為海洋禁止開(kāi)發(fā)區(qū),即限制開(kāi)發(fā)區(qū)域。

(2)波功率密度。波功率密度是反映波浪能資源優(yōu)劣的重要資源指標(biāo)之一,波功率密度較低的海域通常不符合波浪能發(fā)電裝置的技術(shù)可行性要求。該指標(biāo)通過(guò)SWAN計(jì)算模型得到,主要同研究海域的波高和能量周期有關(guān),計(jì)算方法見(jiàn)式(1)[22]。綜合考慮波浪能裝置技術(shù)要求和中國(guó)波浪能資源條件,本文將波功率密度小于2 kW/m的海域作為限制開(kāi)發(fā)區(qū)域[23]。

(1)

式中:Pw為波功率密度(kW/m);ρ為海水密度,取1 025 kg/m3;g為重力加速度,取9.798 m/s2;TE為能量周期(s);Hs為有效波高(m)。

(3)水深。水深指海底到靜水線的距離,是波浪能電站選址的重要技術(shù)指標(biāo)之一。該指標(biāo)的原始數(shù)據(jù)來(lái)源于大洋地勢(shì)圖,一般來(lái)說(shuō),水深越大,對(duì)波浪能發(fā)電裝置的技術(shù)要求越高[13]。在保證裝置平穩(wěn)運(yùn)行的前提下,綜合考慮裝置布局的合理性,本文將水深大于50 m的海域作為限制開(kāi)發(fā)區(qū)域。

(4)離岸距離。離岸距離指波浪能電站到最近陸地海岸線的直線距離,是波浪能電站選址的重要經(jīng)濟(jì)指標(biāo)之一。一般來(lái)說(shuō),離岸距離越大,海底電纜的造價(jià)和鋪設(shè)成本以及電站后期的運(yùn)營(yíng)維護(hù)成本越高[24]。綜合考慮經(jīng)濟(jì)因素,本文將離岸距離大于20 km的海域作為限制開(kāi)發(fā)區(qū)域。

1.2.2 評(píng)價(jià)指標(biāo) 本文的評(píng)價(jià)指標(biāo)包括波功率密度、波高、水深、電力需求、對(duì)當(dāng)?shù)鼐用裼绊懞蛯?duì)當(dāng)?shù)亟?jīng)濟(jì)影響。評(píng)價(jià)指標(biāo)的描述和數(shù)據(jù)來(lái)源如表1所示。

表1 評(píng)價(jià)指標(biāo)的描述和數(shù)據(jù)來(lái)源

1.3 選址決策框架

舟山市波浪能電站選址決策框架(見(jiàn)圖2)主要分為三個(gè)階段:場(chǎng)址備選方案提取、場(chǎng)址開(kāi)發(fā)時(shí)序生成、最優(yōu)場(chǎng)址波功率密度短期預(yù)測(cè)。

圖2 波浪能電站選址決策框架

第一階段為場(chǎng)址備選方案提取,其主要目的是利用GIS的空間分析方法處理地理分布數(shù)據(jù),識(shí)別出波浪能潛在開(kāi)發(fā)區(qū)域,并從潛在開(kāi)發(fā)區(qū)域中提取有限個(gè)波浪能電站的場(chǎng)址備選方案。為實(shí)現(xiàn)這一目的,本文基于GIS的空間分析方法,并通過(guò)排除單個(gè)指標(biāo)生成限制開(kāi)發(fā)區(qū)域圖層,進(jìn)而得到潛在開(kāi)發(fā)區(qū)域圖層。在此基礎(chǔ)上,基于“優(yōu)中選優(yōu)”原則,根據(jù)波功率密度和水深這兩個(gè)指標(biāo)進(jìn)一步從潛在開(kāi)發(fā)區(qū)域中提取出有限個(gè)波浪能電站場(chǎng)址備選方案。

第二階段為場(chǎng)址開(kāi)發(fā)時(shí)序的生成,其主要目的是根據(jù)本文提出的改進(jìn)的MCDM方法生成場(chǎng)址備選方案的優(yōu)先開(kāi)發(fā)時(shí)序。為實(shí)現(xiàn)這一目的,本文提出基于云-AHP和熵值法的組合賦權(quán)方法求解評(píng)價(jià)指標(biāo)權(quán)重,然后利用基于區(qū)間數(shù)的簡(jiǎn)單加權(quán)法進(jìn)行場(chǎng)址備選方案排序,從而得到舟山市波浪能電站的最優(yōu)場(chǎng)址。

第三階段為最優(yōu)場(chǎng)址波功率密度的短期預(yù)測(cè),其主要目的是通過(guò)預(yù)測(cè)結(jié)果提高波浪能電站發(fā)電的可預(yù)測(cè)性和可控性,為波浪能電站項(xiàng)目實(shí)施前的方案設(shè)計(jì)提供可靠基礎(chǔ)。本文采用GRU模型進(jìn)行最優(yōu)場(chǎng)址的波功率密度短期預(yù)測(cè)。

2 選址決策方法體系

2.1 GIS

GIS在選址決策的數(shù)據(jù)處理方面具有重要作用,通常用于存儲(chǔ)、檢索、分析和繪制地理分布數(shù)據(jù),具有直觀、高效的優(yōu)點(diǎn)[26]。本文基于ArcMap 10.5軟件,利用多種空間分析方法,包括柵格分析、數(shù)據(jù)插值、緩沖區(qū)分析、疊置分析等,對(duì)決策過(guò)程中的地理分布數(shù)據(jù)進(jìn)行處理和分析,實(shí)現(xiàn)計(jì)算過(guò)程的精確化和可視化[27]。

2.2 改進(jìn)的MCDM方法

MCDM方法是指決策者根據(jù)自身偏好,從多個(gè)具有相互沖突、不可公度準(zhǔn)則的備選方案中進(jìn)行取舍,從而選出最優(yōu)方案的方法[14]。該方法的求解算法主要包括指標(biāo)權(quán)重求解算法和方案排序算法兩大部分。

2.2.1 云-AHP-熵組合賦權(quán)方法 指標(biāo)的權(quán)重求解算法主要分為主觀賦權(quán)法和客觀賦權(quán)法。主觀賦權(quán)法主要依賴(lài)于決策者的主觀意見(jiàn)獲取權(quán)重,其結(jié)果可以充分表達(dá)決策者偏好,但由于外部環(huán)境的復(fù)雜性和不可預(yù)測(cè)性、事物本身的模糊性和決策者理解的局限性,該方法得到的權(quán)重往往存在較強(qiáng)的主觀隨意性。客觀賦權(quán)法主要根據(jù)各指標(biāo)的屬性信息獲取權(quán)重,結(jié)果可以反映絕大部分的原始信息,具有較強(qiáng)的數(shù)學(xué)理論依據(jù)[28],但該方法得到的權(quán)重忽略了決策者的主觀意見(jiàn),無(wú)法從決策者的專(zhuān)業(yè)知識(shí)和經(jīng)驗(yàn)中獲益且通用性較差[29]。為解決以上問(wèn)題,本文提出基于云-AHP和熵值法的組合賦權(quán)方法:首先將云模型引入到AHP算法中來(lái)計(jì)算評(píng)價(jià)指標(biāo)的主觀權(quán)重,云模型的引入有效降低了決策者語(yǔ)言判斷的不確定性和隨機(jī)性,提高了指標(biāo)權(quán)重的準(zhǔn)確性[30];然后運(yùn)用熵值法計(jì)算評(píng)價(jià)指標(biāo)的客觀權(quán)重;最后得到主客觀權(quán)重兼顧的、更加合理科學(xué)的組合權(quán)重[31]。

2.2.1.1 云-AHP AHP是由Saaty[31]在20世紀(jì)70年代提出的一種MCDM方法,它將復(fù)雜的問(wèn)題構(gòu)造成層次結(jié)構(gòu)。其層次結(jié)構(gòu)由目標(biāo)層、準(zhǔn)則層和方案層組成。該方法采用兩兩比較的度量模式,通過(guò)相互比較來(lái)評(píng)價(jià)指標(biāo)的相對(duì)重要性[32]。云模型是由李德毅在1995年基于概率論和模糊數(shù)學(xué)理論提出的一種特殊結(jié)構(gòu)算法,該模型通過(guò)云的期望(Ex)、熵(En)和超熵(He)三個(gè)特征值,揭示了從模糊語(yǔ)言表達(dá)的定性信息中獲得定量數(shù)據(jù)的范圍和分布,實(shí)現(xiàn)了定性概念的定量表達(dá)[32-33]。云-AHP是AHP和云模型的結(jié)合,通過(guò)該方法計(jì)算評(píng)價(jià)指標(biāo)主觀權(quán)重的步驟:

(1)構(gòu)造基于云模型的判斷矩陣。假設(shè)存在論域U={a},a=1,2,…,9,使用期望(Ex)、熵(En)和超熵(He)三個(gè)特征值表示云模型的數(shù)字特征,記為C=(Ex,En,He)。本文將指標(biāo)的重要性分為為1、2、3、4、5、6、7、8和9九個(gè)標(biāo)度,分別對(duì)應(yīng)九朵判斷云,表示為:C0(Ex0,En0,He0)、C1(Ex1,En1,H1)、C2(Ex2,En2,He2)、C3(Ex3,En3,He3)、C4(Ex4,En4,He4)、C5(Ex5,En5,He5)、C6(Ex6,En6,He6)、C7(Ex7,En7,He7)和C8(Ex8,En8,He8)[28]。Ck-1的期望Exk為k,且k=1,2,3,…,9,期望值越高代表指標(biāo)的重要性越高,其重要性決策標(biāo)度如表2所示。熵Enk和超熵Hek計(jì)算方法:

表2 云的重要性決策標(biāo)度

(2)

(3)

(4)

(5)

式中:xmax=9;xmin=1;α為調(diào)整系數(shù),一般取0.858。

基于式(2)—(5),可以得出九朵判斷云分別為:(1,0.437,0.073)、(2,0.707,0.118)、(3,0.437,0.073)、(4,0.707,0.118)、(5,0.437,0.073)、(6,0.707,0.118)、(7,0.437,0.073)、(8,0.707,0.118)和(9,0.437,0.073)。決策者基于這九朵判斷云建立的重要性決策標(biāo)度對(duì)各評(píng)價(jià)指標(biāo)的相對(duì)重要性程度進(jìn)行兩兩比較并構(gòu)造判斷矩陣C=[Cij]n×n。Cij代表評(píng)價(jià)指標(biāo)Ci對(duì)評(píng)價(jià)指標(biāo)Cj的相對(duì)重要性。

(6)

(7)

(8)

若論域中有n朵云(C1,…,Cn),則其乘法運(yùn)算的結(jié)果為C=(Ex,En,He)。為計(jì)算指標(biāo)的主觀權(quán)重,在本研究中引入云計(jì)算的乘法運(yùn)算:

Ex=Ex1Ex2…Exn,

(9)

(10)

(11)

(3)一致性檢驗(yàn)。期望(Ex)的一致性通常通過(guò)特征根的變化來(lái)檢驗(yàn),因此利用公式(12)—(14)對(duì)判斷矩陣進(jìn)行一致性檢驗(yàn)。

(12)

(13)

(14)

式中:i=1,2,3,……,n;j=1,2,3,……,n;IC為一致性指標(biāo)(CI);RC為一致性比率(CR);IR為隨機(jī)指標(biāo)(RI),其值大小與矩陣維數(shù)大小有關(guān)(見(jiàn)表3)。

表3 1—10階矩陣的隨機(jī)指標(biāo)

RC值小于或等于0.1時(shí)說(shuō)明判斷矩陣滿足一致性要求,否則說(shuō)明不滿足一致性要求,需要重新構(gòu)建判斷矩陣。

2.2.1.2 熵值法 熵值法主要根據(jù)各指標(biāo)的熵值所提供信息量的大小來(lái)確定指標(biāo)權(quán)重,可以有效降低決策過(guò)程中人為主觀隨意性的影響[34]。用熵值法確定指標(biāo)客觀權(quán)重的步驟如下:

(15)

(16)

(2)第i個(gè)方案中第j個(gè)指標(biāo)的比重計(jì)算式:

(17)

(3)第j個(gè)評(píng)價(jià)指標(biāo)的熵值計(jì)算式:

(18)

(19)

(4)第j個(gè)評(píng)價(jià)指標(biāo)的客觀權(quán)重計(jì)算式:

(20)

(21)

式中w2j為第j個(gè)評(píng)價(jià)指標(biāo)的客觀權(quán)重。

2.2.1.3 組合賦權(quán)法——云-AHP-熵值法 結(jié)合云-AHP和熵值法提出的組合賦權(quán)法的公式:

wj=αw1j+(1-α)w2j。

(22)

式中:wj為指標(biāo)j的組合權(quán)重;α為組合權(quán)重系數(shù)(α=[0,1])。

2.2.2 基于區(qū)間數(shù)的簡(jiǎn)單加權(quán)法 簡(jiǎn)單加權(quán)法是可再生能源選址決策領(lǐng)域常用的方案排序方法,為更加準(zhǔn)確模擬現(xiàn)實(shí)情況并考慮不確定的決策者偏好,得到方案的整體排序,本文采用的是基于區(qū)間數(shù)的簡(jiǎn)單加權(quán)法,具體計(jì)算公式:

(23)

(24)

(25)

式中g(shù)i為第i個(gè)方案的評(píng)價(jià)值。

2.3 基于GRU模型的波功率密度短期預(yù)測(cè)模型

為預(yù)估波浪能電站未來(lái)的發(fā)電潛力,提高電站后期運(yùn)行的可預(yù)測(cè)性和可控性,本文建立基于門(mén)控循環(huán)單元(Gate recurrent unit,GRU)的波功率密度短期預(yù)測(cè)模型用于最優(yōu)場(chǎng)址的波浪資源預(yù)測(cè)。

GRU模型是Cho[37]在長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM模型的基礎(chǔ)上簡(jiǎn)化并提出的神經(jīng)網(wǎng)絡(luò)模型。該模型與LSTM模型非常相似,不僅能夠有效解決RNN中常見(jiàn)的梯度爆炸或梯度消失問(wèn)題[38],而且在保證與LSTM預(yù)測(cè)效果相似的前提下,克服了LSTM模型訓(xùn)練參數(shù)多、計(jì)算時(shí)間長(zhǎng)的缺點(diǎn)[39]。

圖3 GRU神經(jīng)單元結(jié)構(gòu)

GRU對(duì)輸入序列的每個(gè)元素都進(jìn)行如下計(jì)算:

zt=σ(Wz·[ht-1,xt]),

(26)

rt=σ(Wr·[ht-1,xt]),

(27)

(28)

(29)

式中:W為參數(shù)矩陣;Wz、Wr分別為更新門(mén)限層權(quán)值向量和重置門(mén)限層權(quán)值向量;[,]為矩陣拼接運(yùn)算。

損失值是用來(lái)評(píng)估神經(jīng)網(wǎng)絡(luò)目標(biāo)和實(shí)際輸出差距的值,函數(shù)值越小代表訓(xùn)練誤差越小,即預(yù)測(cè)精度越高。訓(xùn)練時(shí),損失值的計(jì)算式為

(30)

3 計(jì)算結(jié)果和分析

3.1 識(shí)別舟山市波浪能電站場(chǎng)址備選方案

識(shí)別波浪能電站場(chǎng)址備選方案首先需要排除限制開(kāi)發(fā)區(qū)域并確定潛在開(kāi)發(fā)區(qū)域?；贕IS中的空間分析方法,根據(jù)1.2.1所有的排除指標(biāo)確定舟山市波浪能限制開(kāi)發(fā)區(qū)域(見(jiàn)圖4),其中:基于海洋禁止開(kāi)發(fā)區(qū)確定的限制開(kāi)發(fā)區(qū)域的面積為12 663.5 km2,約占研究區(qū)域的29.08%;基于波功率密度確定的限制開(kāi)發(fā)區(qū)域的面積為16 226.6 km2,約占研究區(qū)域的37.26%;基于水深確定的限制開(kāi)發(fā)區(qū)域的面積為10 361.4 km2,約占研究區(qū)域的23.79%;基于離岸距離確定的限制開(kāi)發(fā)區(qū)域的面積為20 559.6 km2,約占研究區(qū)域的47.21%。然后采用疊置分析方法將各單一排除指標(biāo)的限制開(kāi)發(fā)區(qū)域數(shù)據(jù)作合并處理,生成總的限制開(kāi)發(fā)區(qū)域,并據(jù)此確定潛在開(kāi)發(fā)區(qū)域(見(jiàn)圖5)。舟山市波浪能限制開(kāi)發(fā)區(qū)域總面積為38 118.1 km2,約占研究區(qū)域的87.79%;潛在開(kāi)發(fā)區(qū)域面積為5 316.9 km2,約占研究區(qū)域的12.21%。由圖5可知,潛在開(kāi)發(fā)區(qū)域主要分布在舟山市西部的近岸海域和南部近岸海域。

圖4 單排除指標(biāo)限制開(kāi)發(fā)區(qū)域

圖5 波浪能開(kāi)發(fā)的潛在開(kāi)發(fā)區(qū)域和限制開(kāi)發(fā)區(qū)域

基于波功率密度和水深兩個(gè)指標(biāo),從波浪能潛在開(kāi)發(fā)區(qū)域中提取波浪能電站場(chǎng)址備選方案。根據(jù)“優(yōu)中選優(yōu)”原則識(shí)別出的8個(gè)波浪能電站場(chǎng)址備選方案如圖6所示,總面積為291.20 km2,約占研究區(qū)域的0.67%,約占潛在開(kāi)發(fā)區(qū)域的5.48%,主要分布在舟山市的東部近岸海域和東北部近岸海域。

圖6 波浪能電站場(chǎng)址備選方案

3.2 計(jì)算舟山市波浪能電站場(chǎng)址開(kāi)發(fā)時(shí)序

通過(guò)數(shù)值模擬及專(zhuān)家評(píng)估等手段,得到各方案評(píng)價(jià)指標(biāo)的屬性值如表4所示。為確定波浪能電站場(chǎng)址開(kāi)發(fā)時(shí)序首先需要計(jì)算各評(píng)價(jià)指標(biāo)的權(quán)重。根據(jù)式(6)—(22)求得各評(píng)價(jià)指標(biāo)的主、客觀權(quán)重和組合權(quán)重如表5所示,其中組合權(quán)重系數(shù)α取0.5。

表4 各波浪能電站場(chǎng)址備選方案屬性值

表5 評(píng)價(jià)指標(biāo)的權(quán)重

由表5可知,在所有評(píng)價(jià)指標(biāo)中權(quán)重最大的為技術(shù)指標(biāo)(水深),其權(quán)重為29.34%;其次為資源指標(biāo)(波高和波功率密度),其權(quán)重分別為20.29%和15.25%,權(quán)重之和超過(guò)1/3;然后是經(jīng)濟(jì)指標(biāo)(電力需求和對(duì)當(dāng)?shù)亟?jīng)濟(jì)的影響),其權(quán)重分別為15.04%和10.78%;最低的是環(huán)境和社會(huì)方面的指標(biāo)(對(duì)當(dāng)?shù)鼐用竦挠绊?,權(quán)重為9.30%。由此可見(jiàn),波浪能資源的豐富程度、發(fā)電裝置的類(lèi)型及安裝位置、運(yùn)維的基本成本和電站帶來(lái)的經(jīng)濟(jì)效益對(duì)選址決策影響較大,環(huán)境和社會(huì)方面的指標(biāo)對(duì)選址決策影響相對(duì)較小。

求得評(píng)價(jià)指標(biāo)權(quán)重后,利用基于區(qū)間數(shù)的簡(jiǎn)單加權(quán)法確定波浪能電站場(chǎng)址開(kāi)發(fā)時(shí)序。該方法求解的方案評(píng)價(jià)值如表6所示。根據(jù)評(píng)價(jià)值確定波浪能電站場(chǎng)址開(kāi)發(fā)時(shí)序結(jié)果:A5>A4>A8>A3>A2>A1>A6>A7。方案A5位于舟山市東部近岸海域,在所有備選場(chǎng)址中位列第一,盡管其水深較深且對(duì)當(dāng)?shù)亟?jīng)濟(jì)影響較大,但波浪資源豐富且電力需求較高,極具開(kāi)發(fā)潛力。因此,綜合考慮所有指標(biāo),A5為舟山市波浪能電站的首選方案。

表6 方案的評(píng)價(jià)值

為分析決策過(guò)程中信息的局限性或人為的不確定性因素對(duì)結(jié)果的影響程度,檢驗(yàn)計(jì)算結(jié)果的魯棒性和可靠性,進(jìn)一步對(duì)決策結(jié)果進(jìn)行敏感性分析。本文從改變?cè)u(píng)價(jià)指標(biāo)的權(quán)重和改變方案排序方法角度進(jìn)行敏感性分析,包括四個(gè)方面:賦予所有評(píng)價(jià)指標(biāo)相等的權(quán)重;改變組合權(quán)重系數(shù)(α=0.4,α=0.6);用接近理想點(diǎn)法(TOPSIS)替代簡(jiǎn)單加權(quán)法;用偏好順序結(jié)構(gòu)評(píng)估法(PROMETHEE)替代簡(jiǎn)單加權(quán)法(見(jiàn)圖7)。

圖7 敏感性分析結(jié)果

由圖7可知,在賦予評(píng)價(jià)指標(biāo)相等的權(quán)重時(shí),排序結(jié)果與原始排序結(jié)果相差較大,這表明評(píng)價(jià)指標(biāo)的實(shí)際重要性程度不同,等權(quán)排序方法不適用于波浪能電站選址決策;在改變組合權(quán)重系數(shù)和排序方法時(shí),排序結(jié)果保持不變或波動(dòng)較小,這表明本文應(yīng)用的組合賦權(quán)方法和簡(jiǎn)單加權(quán)法具有良好的魯棒性和穩(wěn)定性。

3.3 最優(yōu)場(chǎng)址波功率密度短期預(yù)測(cè)

本文對(duì)最優(yōu)方案A5的波功率密度進(jìn)行短期預(yù)報(bào),為波浪能電站項(xiàng)目實(shí)施前的方案設(shè)計(jì)提供依據(jù)。獲取數(shù)據(jù)的時(shí)間范圍為2018年1—12月,分辨率為1 h,共8 760個(gè)波功率密度采樣點(diǎn)。基于GRU模型分別建立1—12月的波功率密度短期預(yù)測(cè)模型,在保證樣本中的采樣點(diǎn)全部取自當(dāng)月前提下,將其按照前70%為訓(xùn)練樣本、后30%為測(cè)試樣本進(jìn)行分配,每組25個(gè)采樣點(diǎn),各月份樣本數(shù)量分布如表7所示。在不同的隱藏層神經(jīng)元數(shù)量下,基于GRU模型計(jì)算得到舟山市波浪電站最優(yōu)場(chǎng)址的波功率密度短期預(yù)測(cè)結(jié)果的損失值如表8所示[40]。由表8可知,在神經(jīng)元數(shù)量為5～40時(shí),各月份損失值均小于20%,平均值均小于15%,整體預(yù)測(cè)效果較好,因此GRU模型適用于波功率密度的短期預(yù)測(cè)。當(dāng)神經(jīng)元數(shù)量為10時(shí),GRU模型的年平均損失值達(dá)到最小,為10.83%,此時(shí)GRU模型的預(yù)測(cè)性能最優(yōu)。

表7 各月份樣本數(shù)量分布

表8 不同神經(jīng)元數(shù)量的波功率密度短期預(yù)測(cè)模型的損失值

4 總結(jié)與討論

為獲得舟山市波浪能電站場(chǎng)址開(kāi)發(fā)序列,本文提出一個(gè)新的基于GIS、MCDM和GRU的波浪能電站選址決策框架。該框架主要包括三個(gè)階段:場(chǎng)址備選方案提取、場(chǎng)址開(kāi)發(fā)時(shí)序確定、最優(yōu)場(chǎng)址波功率密度短期預(yù)測(cè)。

在場(chǎng)址備選方案提取階段,為實(shí)現(xiàn)波浪能電站的可持續(xù)發(fā)展,從資源、技術(shù)、經(jīng)濟(jì)、環(huán)境和社會(huì)四個(gè)方面進(jìn)行考慮,建立了排除指標(biāo)集和評(píng)價(jià)指標(biāo)集,并基于GIS的多種空間分析方法得到了有限個(gè)波浪能電站場(chǎng)址的備選方案。在場(chǎng)址開(kāi)發(fā)時(shí)序確定階段,為降低決策者語(yǔ)言判斷的不確定性和隨機(jī)性,更加合理科學(xué)地兼顧主客觀權(quán)重,提出云-層次分析法和熵值法組合賦權(quán)方法并將其用于計(jì)算評(píng)價(jià)指標(biāo)的權(quán)重;為更好地模擬現(xiàn)實(shí)情況和不確定的決策者偏好,有效減少排序過(guò)程中的信息偏差,將基于區(qū)間數(shù)的簡(jiǎn)單加權(quán)法應(yīng)用于場(chǎng)址開(kāi)發(fā)時(shí)序的確定。在最優(yōu)場(chǎng)址波功率密度短期預(yù)測(cè)階段,為提高電站運(yùn)行的可預(yù)測(cè)性和可控性,基于GRU神經(jīng)網(wǎng)絡(luò)模型對(duì)波浪能電站最優(yōu)場(chǎng)址的波功率密度進(jìn)行短期預(yù)測(cè)。本文為中國(guó)波浪能電站建設(shè)提供了一個(gè)高效的選址決策框架,對(duì)推進(jìn)中國(guó)波浪能產(chǎn)業(yè)化進(jìn)程具有重要意義。

本文將該方法框架應(yīng)用于舟山市波浪能電站選址決策,識(shí)別出分布在舟山市東部和東北部近岸海域的8個(gè)波浪能電站場(chǎng)址備選方案,總面積為291.20 km2,約占研究區(qū)域的0.67%。綜合考慮所有評(píng)價(jià)指標(biāo),得到位于東部近岸海域的備選方案A5為最優(yōu)場(chǎng)址。并通過(guò)改變?cè)u(píng)價(jià)指標(biāo)權(quán)重、組合系數(shù)和方案排序方法進(jìn)行敏感性分析,驗(yàn)證了該方法的魯棒性和可靠性。最后建立了基于GRU的波功率密度短期預(yù)測(cè)模型以用于最優(yōu)場(chǎng)址的波浪資源預(yù)測(cè)。在隱藏層神經(jīng)元數(shù)量在5～40時(shí),各月份損失值均小于20%,預(yù)測(cè)效果較好,當(dāng)隱藏層神經(jīng)元數(shù)量為10時(shí),該模型的預(yù)測(cè)性能最優(yōu),年平均損失值達(dá)到最小值,為10.83%。該模型為后期裝置設(shè)計(jì)、布置及海試提供參考。本文的研究結(jié)論可以為舟山市波浪能電站建設(shè)提供理論支撐,為科學(xué)決策提供重要依據(jù)。