基于机器学习(machine learning, ML)技术预测浮体式光伏(floating photovoltaic, FPV)电站系泊(mooring)动力响应的研究

《Energy Conversion and Management-X》：Prediction of floating solar power plant mooring dynamics via machine learning techniques

　　

太阳能光伏技术的快速发展使浮体式光伏(floating photovoltaic, FPV)因可规避陆地用地限制并提供额外环境效益而受到关注，但在风、浪等环境载荷下维持保障FPV稳定性的关键系泊(mooring)系统仍具挑战性。本研究探讨应用机器学习(machine learning, ML)方法预测安装于灌溉池塘中FPV系统的动态行为，重点关注系泊缆绳张力(mooring tension)与平台运动(platform movements)。研究人员利用基于历史风速与水深数据训练的数值模拟数据集，采用随机森林(Random Forest)与极端梯度提升(XGBoost)两种ML算法构建预测模型。结果表明，XGBoost在预测张力指标与位移方面表现更优，而随机森林算法对偏航旋转(yaw rotation)的估算效果更佳。本研究同时强调了需借助完备训练数据集以捕捉受系泊组件双重力学特性影响的非线性行为。与传统数值模拟相比，基于ML的预测显著缩短计算时间，为高效FPV维护规划提供了可行途径。上述发现推进了ML在可再生能源技术中的融合应用，提升了FPV系统的可持续性。

《基于机器学习预测浮体式光伏电站系泊动力响应的研究》论文解读

本文发表于《Energy Conversion and Management: X》。浮体式光伏(floating photovoltaic, FPV)可缓解传统光伏占地及生态影响问题，并借助水体冷却提升光电效率、减少蒸发与藻类滋生，特别适合农业灌溉池塘(irrigation pond)等内陆静水水域。然而FPV附加的浮体、锚链与系泊(mooring)系统推高了安装与维护成本，长期运行数据匮乏，金属腐蚀及风载诱发的系泊缆绳断裂风险突出。系泊系统是FPV安全的核心，需抵抗风、浪载荷并约束平台漂移，但目前针对内陆风主导（波浪可忽略）环境下FPV系泊张力与平台运动的回归预测研究极少，既有研究多聚焦波浪海域或仅做分类与功率预测。为此，研究人员以西班牙Lliria灌溉池塘上的FPV阵列为案例，利用20年气象再分析风场数据与数值水池动力模拟生成样本，分别训练随机森林(Random Forest, RF)与极端梯度提升(eXtreme Gradient Boosting, XGBoost)多输入多输出(multi-input multi-output, MIMO)回归模型，对比二者对系泊线平均/最大/标准差张力、平台平动位移及偏航旋转(yaw rotation)，以及系泊张力90分位(T₉₀)与99分位(T₉₉)的统计预测能力，评估样本量敏感性并分析系泊线非线性刚度(Seaflex弹性段与bypass限位段)对模型训练集完备性的要求，验证ML替代耗时数值模拟的可行性，为FPV预防性维护提供快速载荷预报工具。

研究人员开展研究用到的主要关键技术方法为：选取西班牙Valencia省Lliria灌溉池塘（坐标39.718332°N, ?0.666622°E）上一座72.5 m × 96.8 m、质量84 216 kg的Isifloating双浮体FPV平台（46根系泊线含Seaflex弹性单元与bypass限位器）为对象；自IHCantabria的IHData气象数据库提取近20年（2003–2022）逐时10 m高度风速与风向，参考湍流强度(I_ref)与水位取物理合理范围内的截断正态分布(truncated normal distribution)合成；以最大相异(Maximum Dissimilarity, MaxDis)聚类从约20万小时气象态中遴选约2000个代表性工况并补充＞10 m/s大风样本；将工况与平台几何、系泊属性输入FEBOS（IHCantabria开发之刚体动力学—系泊耦合时域数值模型，由TurbSim生成Kaimal谱湍流风系列，时步dt = 0.0025 s，每工况取10个随机种子平均），输出各系泊线张力时程与六自由度平台运动时程，提取均值、标准差、最大值及经验累积分布函数之90 %与99 %分位数(T₉₀、T₉₉)为目标变量；数据集按7:2:1划分为训练/验证/测试集，以网格搜索交叉验证调优超参数（以决定系数R²为准则），分别建立RF与XGBoost之MIMO回归预测模型并对测试集评估性能。

Time step convergence analysis（时步收敛性分析）

研究人员对比不同积分时步(dt = 0.01 s、0.005 s、0.0025 s、0.001 s、0.0005 s)相对于参考时步dt = 0.0001 s之平台x/y向位移与yaw旋转相对误差，以及受载与不受载系泊线张力相对误差。结果显示dt = 0.0025 s时平台旋转误差降至约5 %（可接受），持续受载系泊线张力误差＜3 %，仅背风侧松弛缆绳误差略大；综合考虑精度与计算成本选用dt = 0.0025 s进行后续全量模拟。

Convergence analysis of the wind turbulence number of seeds: The importance of wind randomness（风湍流随机种子数收敛性分析）

因TurbSim生成湍流风场依赖随机相位种子，同一气象工况之张力统计量具随机性。研究人员计算同工况不同种子数（1～25个）下均值相对误差（以25粒种子结果为基准），发现采用≥10个种子时系泊线最大张力、均值、标准差、T₉₀与T₉₉之相对误差均＜1 %，故确定每工况取10个随机种子取均值作为FEBos输出目标量，平衡统计稳定性与计算量。

Machine learning model training and selection（机器学习模型训练与选型）

研究人员以全库(N = 2432)、减半及更小组建若干规模梯度的训练集，分别训练RF与XGBoost模型并评估测试集之平均决定系数(R²_mean)、均方根百分比误差(RMSPE_mean)与平均绝对百分比误差(MAPE_mean)。结果表明：①对于系泊张力（均值/最大值/标准差）、T₉₀与T₉₉、x与y向位移，仅当使用全量数据库(N = 2432)时R²＞0.95达到可接受精度，且XGBoost之R²最高、误差最低，优于RF；②对于yaw旋转，同样需全量数据才能达到R²＞0.95，但RF预测效果稳定优于XGBoost；③小样本训练效果差是因为系泊线具Seaflex低变形弹性段（应变＜0.5 %）与bypass高刚度限位段之双力学行为致强非线性，仅靠输入空间最大相异抽样未必覆盖响应空间拐点，需足够大且含全工况范围的训练集。经训练后ML模型单工况预测耗时约1.25 s，较FEBOS单次时域模拟（约10 h）大幅缩减计算成本。

讨论与结论翻译

本研究成功探索了利用ML方法依据风速特征与水深预测浮体光伏平台在封闭水体（如水库、灌溉池塘及尾矿库）中系泊线受力与平台运动的可行性。基于决策树之方法（随机森林与XGBoost）取得成功且速度快于传统模拟；多数情况下XGBoost表现最佳，包括预测张力、平面位移(x, y)及T₉₀、T₉₉，但随机森林在估计偏航旋转(yaw rotation)相关参数时优于XGBoost。尽管决策树模型效果良好，仍需2432组样本的数据库，较小样本库无法给出满意结果；此外由于MaxDis方法仅考虑输入相异性而未兼顾系统响应及每根系泊线行为差异，未来需提出同时考量输入空间与响应空间相异性的新抽样策略以优化ML模型训练。总之，本研究表明机器学习方法可集成至浮体光伏平台并具支持浮体光伏(FPV)电站维护之潜力。