一种混合CNN-LSTM框架，用于动态电力电缆行为的时空预测

《Ocean Engineering》：A hybrid CNN–LSTM framework for spatiotemporal prediction of dynamic power cable behaviors

漂浮式风电动态电缆通过1D CNN-LSTM混合模型实现空间扩展和时间预测，仅需少量实时采样即可重构全电缆应力场，显著降低监测成本。实验基于OrcaFlex非线性时域仿真数据，验证模型在五类典型海况下R2≈0.9999，RMSE 4.07–5.05 kPa，MAE 1.49–1.98 kPa，为疲劳监测、故障分类和剩余寿命预测提供高效数据输入。

　　在海洋工程领域，随着海上可再生能源技术的快速发展，浮动风力涡轮机（Floating Wind Turbines, FWTs）已成为关键的基础设施。浮动风力涡轮机通过动态电力电缆连接至海上变电站，并最终将稳定的电力输送至陆地电网。这些电缆不仅承担着能量传输的功能，还涉及复杂的结构设计和长期运维挑战。由于海洋环境的恶劣性和多变性，电缆的安装与维护面临诸多困难，限制了对电缆状态的实时监测和寿命评估。因此，如何在有限的测量条件下实现对电缆完整状态的预测，成为当前研究的重点。

动态电力电缆在实际运行中受到多种环境载荷的影响，包括波浪、潮汐、风力等作用下的周期性运动，以及平台动态引起的低频振动、摆动和漂移。此外，电缆还可能因为海底地形不规则而产生自由跨度，或因海床侵蚀和沉积物堆积而改变局部支撑条件。长期的电化学腐蚀和机械干扰（如与系泊线或相邻电缆的接触）也会对电缆的完整性构成威胁。这些复杂因素共同作用，导致电缆在服役过程中容易发生疲劳损伤，成为主要的失效机制之一。研究表明，平台运动和系泊线张力的时变特性会显著影响电缆的疲劳寿命，特别是在代表性的北海海域条件下，这种影响尤为明显。

面对这些挑战，传统的监测方法往往依赖于大量传感器的部署，这不仅增加了安装和维护的成本，还限制了在复杂海洋环境下的可行性。例如，许多动态电缆在出厂时并未集成嵌入式传感器，如光纤、惯性测量单元（IMUs）或声发射装置，因此需要在部署后进行传感器的安装。这一过程不仅复杂，还依赖于特定的设备，如遥控水下机器人（ROV）或自主水下机器人（AUV），进一步增加了运维的难度和时间成本。此外，即便采用传统的有线监测系统，其安装和维护成本仍然较高，特别是在长距离海底电缆的结构健康监测中，这种成本更为显著。

近年来，分布式光纤传感（DAS/OTDR）技术因其能够实时获取电缆沿长度方向的振动和应变信号而受到广泛关注。然而，这种高密度的采样方式会产生巨大的数据量，通常达到每天数TB的规模，给实时遥测、存储和在线处理带来了沉重的负担。为了解决这些问题，研究人员开始探索将深度学习技术引入海上结构健康监测（Structural Health Monitoring, SHM）流程中。自动编码器（Autoencoder）及相关模型可以实现数据压缩和自动特征提取，从而在保持关键信号的同时，大幅降低传输和存储成本，提高在线监测的实时性和准确性。

在此基础上，研究提出了一种基于神经网络的空间和时间预测框架。该框架分为两个阶段：首先，利用1D卷积神经网络（Convolutional Neural Network, CNN）对从OrcaFlex仿真中生成的von Mises应力数据进行空间扩展，将原本在10米电缆段上2秒周期内的数据扩展为400米范围内的应力场；其次，通过多层长短期记忆网络（Long Short-Term Memory, LSTM）对这一2秒、400米的应力场进行时间预测，从而在后续225秒内重建电缆的高分辨率应力演化情况。这种方法能够在减少采样点数量的同时，保留对电缆完整状态的预测能力，从而为疲劳识别、故障分类和剩余寿命预测提供更丰富的输入和特征。

为了验证该方法的有效性，研究使用OrcaFlex进行非线性时域仿真，模拟了在五种代表性海况下浮动风力涡轮机和动态电缆的响应。这些仿真数据通过OrcFxAPI导出至Python环境中，用于模型的训练和验证。在实验过程中，研究采用了滑动窗口的方式，将原始的von Mises应力时间序列分割为重叠的输入输出对。通过对这些数据进行训练和评估，研究展示了该方法在不同海况下的预测性能。在定量评估中，联合模型（1D-CNN与LSTM的组合）在两个随机运行条件下实现了R2≈0.9999的高相关性，均方根误差（RMSE）为4.07–5.05 kPa，平均绝对误差（MAE）为1.49–1.98 kPa。这些结果表明，该方法能够以极高的精度预测电缆的空间和时间响应，从而为电缆的健康监测提供可靠的数据支持。

此外，研究还对模型的性能进行了多方面的比较评估，包括不同网络架构的对比分析，以及在不同海况下的验证。结果表明，1D-CNN-LSTM联合模型在空间扩展和时间预测方面均表现出色，能够有效应对动态电缆在复杂海洋环境下的监测需求。同时，研究还探讨了模型在实际应用中的可行性，例如如何通过少量的实时采样点重建完整的400点电缆剖面，从而大幅降低仪器设备和数据传输的负担，同时保持监测的全面性。这种方法不仅提高了数据处理的效率，还为电缆的故障诊断和寿命预测提供了新的思路。

研究还强调了该方法在实际运维中的重要性。由于动态电缆的故障和损坏可能导致严重的经济损失，例如在浮动系统中，电缆事故占总保险索赔价值的75%，并占所有记录组件故障的55%。这些数据凸显了电缆健康监测的重要性，以及及时识别和预测电缆状态的必要性。通过减少采样点数量，提高数据处理效率，该方法能够为运维人员提供更及时的决策支持，降低维修和更换成本，同时减少因停机带来的发电损失，从而提升整个风电系统的运行效率和可靠性。

总体而言，该研究提出了一种基于神经网络的空间和时间预测方法，能够在有限的测量条件下实现对动态电缆完整状态的准确预测。这种方法不仅克服了传统监测方法在安装和维护上的局限性，还通过深度学习技术提高了数据处理的效率和准确性。研究结果表明，该方法在不同海况下的预测性能优异，能够为电缆的健康监测提供可靠的数据支持，从而为浮动风力涡轮机的运维提供更有效的解决方案。此外，该方法在实际应用中具有显著的潜力，能够减少仪器设备和数据传输的负担，提高监测的可行性和经济性，为未来海上风电系统的可持续发展提供技术支持。