时变风–光能源场下无人水面艇净能量滚动时域多目标路径规划

《Journal of Marine Science and Engineering》：Net-Energy Path Planning for Unmanned Surface Vehicles in Time-Varying Wind-Solar Energy Fields

　　

为应对离岸移动能量补给任务中风能与太阳能资源的时空变化、无人水面艇（unmanned surface vehicles, USV）的能量消耗以及岛礁障碍约束，本文提出一种面向净能量的动态多目标路径规划方法。基于卫星影像构建细粒度障碍栅格，并构建独立于ANP（analytic network process，层次分析法）适宜性评估的基于ERA5逐小时数据风–光能源场。将能量收集、推进能量消耗和船载基础负载纳入统一的能量平衡模型，并以净能量和航程距离作为优化目标。采用滚动时域ME-DMOEA对剩余路径进行动态优化，并使用双尺度栅格进行障碍检测和局部修复。经细栅格路径修复后，相对于所实现的四邻域A^*基线，ME-DMOEA在S1和S2中分别取得35.83 Wh和82.82 Wh的净能量提升。在30组配对运行中，ME-DMOEA与NSGA-II（非支配排序遗传算法II）在S1中持平，而在两种测试ERA5环境下，ME-DMOEA在S2中取得更高的平均净能量。滚动开启/关闭（ON/OFF）的净能量差异未达到统计学显著。上述仿真支持在建模的静态障碍与终端约束下开展净能量感知规划，但未建立符合COLREGs（国际海上避碰规则）的避碰能力或实船性能。

随着近海养殖、环境监测和海上运输任务逐步无人化与电气化，无人水面艇（unmanned surface vehicles, USV）的续航与能量补给问题日益突出。返港充电会增加非作业航程和任务中断时间，固定海上供能设施又受建设成本与服务覆盖限制；配备光伏和风能收集装置的USV可在航行中获取可再生能源，为移动能量补给提供可行途径。然而，风–光能源场（wind–solar energy fields）时空变异显著，驶向高能区会增加航程与推进能耗，收集能量更多不必然导致最终能量盈余更高。已有研究涉及可再生能源海上平台、环境扰动下USV路径规划及动态多目标优化，但针对移动能量补给任务，仍需在给定会合要求与岛礁障碍下联合优化净能量和航程距离。研究人员关注到达时的潜在能量盈余，船–船实际能量传输过程不在模型内。

研究人员构建双尺度环境模型，将风–光收集、推进能耗和船载基础负载统一为能量平衡模型，以净能量和航程距离为双目标，采用滚动时域（receding-horizon）ME-DMOEA在每个滚动步重新优化剩余路径，并对实际执行段进行细粒度碰撞检测与局部修复，以协调时变能量利用、航行效率与终端可达性。评估聚焦数值仿真中的静态岛礁障碍；移动船舶避碰、COLREGs合规和实船运行不在验证范围。其意义在于表明将可再生能源收集与USV能耗共同纳入路径评价，有助于形成更合理的能量–航程权衡；结果应理解为潜在能量盈余，而非已验证的续航增益或实际传输能量。

主要关键技术方法如下：研究区域为渤海近岸岛礁区（约56 km×45 km），本研究无生物样本队列，数据来源为卫星遥感影像与ERA5再分析环境数据；主实验ERA5日期为2025-08-15，附加S2实验为2025-06-30。方法包括：基于影像阈值分割、形态学闭运算、孔洞填充和人工修正建立1 km能量规划栅格与100 m障碍栅格；由ERA5风速、辐照度、温度及船载风/光发电模型构建逐小时风–光能源场；ANP仅用于辅助环境适宜性评估，不进入优化目标；路径用9控制点18变量编码，粗栅格采用四邻域广度优先搜索（breadth-first search, BFS）连接、细栅格采用八邻域BFS修复；ME-DMOEA以外部档案、约束优先比较、Pareto支配、拥挤距离和粒子更新求解，滚动执行首一小时段，并与四邻域A^*、Greedy及NSGA-II比较。

研究结果如下。

5.1 仿真配置：S1和S2在起点、终点和任务时长上不同，但共享船舶参数、栅格表示和优化设置；主实验使用2025-08-15的ERA5能量场，附加S2实验使用2025-06-30能量场；仿真在MATLAB R2024b中完成，记录的计算时间包含方法特定执行与评估过程，不应解释为孤立优化器运行时间。

5.2 模拟执行路径与精确障碍修复：S1中将粗栅格轨迹映射至100 m障碍栅格后检测到4段穿越障碍，经BFS局部修复后剩余障碍为0；S1航程由21.41 km增至22.16 km，净能量约由434.1 Wh降至400.47 Wh；修复前数值仅作诊断，性能比较采用最终可行路径。结果表明双尺度栅格可在利用时变能量场的同时保障移动补能USV安全到达会合点。

5.3 候选解与Pareto最优解分析：在08:00滚动时刻获得73个可行候选解，按目标值去重后为26个唯一目标点，其中3个为严格非支配解；代表性Pareto解P1、P2、P3的航程分别为21、23、25 km，净能量分别为?116.08、51.87、142.22 Wh。较长航程可经过更优能量条件并增加收集，但推进能耗增加，形成明显Pareto权衡；07:00、08:00、11:00、16:00的唯一目标点数分别为49、26、1、1，非支配解数为3、3、1、1，目标空间收缩与任务后期路线灵活性降低一致，但不能单独证明优化器收敛更优。

5.4 基线算法比较与结果分析：以A^*作为最短路径基准、Greedy作为能量贪婪策略，三者使用相同起点、会合点、动态能量场、障碍图和能耗参数。S1中ME-DMOEA最终航程22.16 km、净能量400.47 Wh，A^*为364.64 Wh，Greedy为163.46 Wh；S2中ME-DMOEA为19.94 km、446.89 Wh，A^*为21.66 km、364.07 Wh，Greedy为26.47 km、164.16 Wh。较A^*，S1净能量提高35.83 Wh（9.83%），且航程和推进消耗相同，提升来自更多可再生能源收集；S2提高82.82 Wh（22.75%），由5.10 Wh额外收集和77.72 Wh推进能耗降低共同贡献，航程缩短1.72 km。S2中Greedy较ME-DMOEA多收集11.44 Wh，但多消耗294.18 Wh推进能量。相对8192 Wh参考可用容量，上述净能量提升约为0.44%和1.01%，属于潜在能量盈余，并非实验验证的续航增益或实际传输能量。30组配对运行中，S1两优化器持平；S2中ME-DMOEA在2025-08-15和2025-06-30的平均净能量优势分别为22.88 Wh和13.21 Wh（Wilcoxon p=0.000137和0.00314），支持场景依赖优势而非普遍优越。将45 Wh/km推进系数变动后，ME-DMOEA相对四邻域A^*的净能量优势仍为正：S1为35.83 Wh，S2为67.28–98.36 Wh；共同酒店负载功率变化不改变相对差异，因为同场景任务时长相等。

5.5 滚动时域消融研究：在S2、2025-08-15能量场下进行30组配对消融，Rolling ON较Rolling OFF平均净能量略高，4胜23平3负，平均配对改善约0.68 Wh，但差异不显著；滚动重规划需要更多目标评估。结果表明在完整环境序列已知时，滚动重规划本身未显示统计学显著的净能量增益，应主要视为自适应路径更新机制，而非已证明的额外净能量增益来源。

5.6 当前研究局限：推进能耗被简化为航程距离的线性函数，未显式考虑速度变化、海流和波浪附加阻力；会合点位置假定已知，未建模船–船能量传输效率和实际靠泊过程，净能量表示潜在可用于外部补给的盈余而非实际传输能量；采用逐小时ERA5数据进行数值仿真，未开展基于实船在线观测的闭环验证；障碍模型仅考虑静态岛礁、岸线，不模拟移动船舶、动态碰撞风险或COLREGs避碰；滚动消融使用已知逐小时ERA5能量序列，未建立预报不确定性或突发环境扰动下的收益。

讨论部分表明，上述简化有助于隔离分析净能量感知路径规划的作用，但也限制结果直接推广至真实海上作业条件；未来需结合交通感知避碰、更真实推进模型、更现实场景及实船试验进行验证。

研究结论部分翻译如下：本研究将时变风–光能源场、船载能量平衡和Pareto优化集成到面向近岸移动能量补给的滚动时域ME-DMOEA中。1 km栅格支持能量评估和路径搜索，100 m栅格支持障碍检查与局部修复。在所评估场景中，最终可执行路径结果显示，ME-DMOEA在S1和S2分别达到400.47 Wh和446.89 Wh净能量，较所实现的四邻域A^*基线分别提高35.83 Wh和82.82 Wh。与NSGA-II的重复比较显示，S1结果相同，S2在两种测试ERA5能量场下ME-DMOEA平均净能量更高；滚动时域消融在完全已知环境序列下未显示统计学显著的额外净能量增益。结果表明，将可再生能源收集与USV能耗共同纳入路径评价，有助于实现更合理的能量–航程权衡。未来工作将处理移动会合点、考虑海流与海况的推进模型、动态交通中符合COLREGs的避碰以及船–船传输效率，并开展基于碰撞案例的测试与实船验证。