《Ocean Engineering》：A review of artificial intelligence methodologies in marine renewable energy technologies
本文研究了人工智能（AI）如何被应用于提升海洋可再生能源系统的性能和可靠性。它涵盖了2010年至2025年间关于AI如何支持离岸系统的预测、设计、控制和维护的研究。研究结果表明，AI提高了预测准确性，增加了能源输出，并减少了运行停机时间。海上风电在实践AI应用方面处于领先地位，但波浪能、潮汐能和海洋热能转换（OTEC）系统正在迅速追赶。需要进一步研究的领域被确定为数据驱动方法（data-driven methods）与基于物理的模型（physics-based models）的整合。
2. Background and theoretical framework
该部分提供了海洋可再生能源四个领域（波浪能、潮汐能、海上风电和海洋热能转换（OTEC））的工程背景，并建立了人工智能（AI）方法的三层分类体系：学习设置（learning setting）、模型家族（model family）以及决策/控制/优化框架（decision/control/optimization framework）。学习设置包括监督学习（supervised learning）、无监督学习（unsupervised learning）、自监督学习（self-supervised learning）和强化学习（reinforcement learning）；模型家族涵盖核方法、高斯过程、树模型、神经网络（如MLP、CNN、RNN、LSTM、Transformer）、图学习（graph learning）、神经算子（neural operators）、物理信息模型（physics-informed models）和生成模型（generative models）；决策框架包括模型预测控制（MPC）、强化学习控制、贝叶斯优化（Bayesian optimization）、进化算法等。该框架用于区分不同方法在海洋工程中的适用性，并避免将SVM、RL、MPC和GA/PSO视为同等级别。
2.1. Marine renewable energy domains
2.1.1. Wave energy：波浪能转换器（WEC）利用表面振荡，但面临风暴载荷、宽带海况和高运维成本挑战。多数项目仍处示范阶段，AI在预测、控制和设计方面有潜力，但验证多基于水池试验或仿真（E1-E3）。
2.1.2. Tidal energy：潮汐能具有可预测性，但面临高推力、循环疲劳和生物污损。水力动力学复杂，AI在局部湍流和阵列交互预测中可能超越调和分析基准，但证据仍主要来自短期现场和数值研究。
2.1.3. Offshore wind energy：海上风电相对成熟，拥有丰富SCADA数据，支撑机器学习在性能评估、故障预测和尾流感知控制中的应用，但数据可及性和模型透明度仍是问题。
2.1.4. Ocean thermal energy conversion (OTEC)：OTEC利用窄温差发电，效率低且需要大规模水处理。多数部署为试验规模，AI可用于循环优化和状态预测，但验证以实验平台为主。
2.2. Artificial intelligence in ocean renewable energies
2.2.1. AI techniques in renewable energy systems：详细阐述了三层分类法，强调学习设置、模型家族和决策框架的区分。文中指出图学习适用于尾流耦合风场，神经算子适用于参数化物理响应近似，物理信息模型适用于稀疏数据场景，生成模型适用于数据增强和异常检测，大语言模型和视觉语言模型适用于运维日志分析。
2.2.2. Chronological AI models in renewable energy systems：总结了AI方法的时间演化，从早期ANN/SVM等经典机器学习，到中期混合模型，再到近期深度学习（LSTM/Transformer）和图模型，以及新兴的物理信息学习（PINN）和数字孪生。验证实践也从单次划分逐步转向跨站点验证和运行指标。
3. Review scope, evidence framework, and study coding
3.1. Review scope and literature boundaries：覆盖2010-2025年，聚焦波浪、潮汐、海上风电和OTEC四个领域的AI应用，优先考虑同行评审期刊，会议论文仅在技术影响时保留。以工程任务为导向，而非算法枚举。
3.2. Study-coding framework：每项研究按工程问题、数据机制、输入输出、学习设置、模型家族、决策框架、基线、指标、验证背景、部署结论和主要局限进行编码，确保跨域比较的公平性。
3.3. Evidence ladder and comparative interpretation：提出E1-E5证据阶梯：E1合成/数值验证，E2实验室/水池，E3组件/短期现场，E4试点/单站点运行，E5多站点/长期运行。该阶梯用于区分概念验证与部署级证据。海上风电拥有较多E4-E5证据，波浪和潮汐多集中在E1-E3，OTEC仍以E1-E2为主。
3.4. Datasets, data regimes, and benchmarking logic：强调数据开放性、标签可用性、缺失性和漂移对模型评估的影响。基准测试需任务特定，例如预测应采用持久性、调和分析等物理基线，控制应评估能量捕获和约束违反。
4. Review of literature
4.1. Artificial intelligence in wave energy conversion (WEC)
4.1.1. Forecasting：利用浮标数据预测波高和能流，混合方法可提高短期预测精度，但性能通常依赖站点。
4.1.2. Control：强化学习和模型预测控制（MPC）用于吸收能量和约束管理，但多数验证在数值水池中进行（E1-E3），离岸部署尚不成熟。
4.1.3. Design and optimization：代理模型（如高斯过程）结合多目标进化优化加速几何搜索，但代理误差和约束处理常被低估。
4.1.4. Operation & Maintenance and reliability：异常检测和故障诊断面临稀疏标签数据，多数研究仍为概念验证。
4.2. Artificial intelligence in tidal energy
4.2.1. Forecasting：调和分析是强基线，AI在局部扰动条件下可改善短期预测，但需评估是否超越物理模型。
4.2.2. Control：强化学习用于闸门调度和涡轮控制，但证据以仿真为主（E1-E3），安全探索是主要障碍。
4.2.3. Design and optimization：代理辅助优化适用于叶片和阵列设计，但多数结果仍为数值性质，缺少现场验证。
4.2.4. Operation & Maintenance and reliability：图像检测用于生物污损监测，但水下图像噪声大、标签不平衡，迁移学习可辅助但效果有限。
4.3. Artificial intelligence in offshore wind energy farm
4.3.1. Forecasting：基于SCADA和图神经网络的预测可提高功率预测精度，跨农场转移仍是挑战。
4.3.2. Control and farm coordination：尾流感知控制和图模型用于农场协调，但多数依赖仿真尾流数据（E2-E4），闭环验证不足。
4.3.3. Design and optimization：代理模型加速布局和电缆设计，但需保持高保真求解器闭环。
4.3.4. Operation & Maintenance and reliability：SCADA异常检测和生成模型用于故障识别，是证据最强的子领域（E4-E5），但数据异构和标签缺乏仍是问题。
4.4. Artificial intelligence in ocean thermal energy conversion (OTEC)
4.4.1. Forecasting and state estimation：紧凑神经网络用于换热器状态预测，但证据局限于实验平台（E2-E3），不能推广到运行级。
4.4.2. Supervisory control：混合模型用于流量和温度设定点调整，但仍以规则基线和经验调度为对照。
4.4.3. Design and optimization：ANN或LSTM作为优化代理在实验设计循环中可行，但证据仍为试验规模。
4.4.4. Operation & Maintenance and reliability：生物污损和换热器退化预测的工程需求明确，但公开证据稀少，属于研究空白。
5. Post-2020 AI frontiers and engineering workflows in marine renewable energy
该部分归纳了2020年后的方法论前沿：物理信息学习（PINN）适用于稀疏数据下的系统辨识和约束控制，在海浪能中证据最明显；神经算子适用于尾流场等参数化物理响应的多查询逼近，海上风电证据最强；图学习适用于耦合相互作用系统，海上风电尾流联合建模已较成熟；生成模型（扩散模型）适用于罕见故障和类别不平衡监测，海上风电运维最先进；大语言模型和视觉语言模型适用于非结构化日志和图像的组织与支持，但需人类监督。这些方法的选择应基于工程瓶颈而非算法新颖性。
6. Cross-domain comparison and synthesis
6.1. Evidence maturity across domains：海上风电AI成熟度最高，波浪和潮汐在控制与设计中仍以E1-E3为主，OTEC证据最薄弱。
6.2. Task-family comparison：预测任务最成熟，控制策略重要但验证不足，设计和优化以代理加速为主，运维在海上风电中最具部署性。
6.3. Method-selection guidance：经典机器学习在有限数据下仍适用，前沿方法（物理信息学习、图学习等）仅在特定工程瓶颈下才合理，不能泛化。
6.4. Engineering decision implications：E1-E2研究不能声称部署就绪；模拟控制研究不能与运维研究直接比较；OTEC不能描述为运行成熟。
6.5. Transferability, benchmarking, and validation priorities：跨站点验证、透明基准和校准不确定性是未来关键。
7. Challenges and limitations of artificial intelligence
7.1. Validation weakness, domain shift, and transfer limits：多数研究仍基于E1-E3，离域漂移和迁移困难是普遍问题。
7.2. Class imbalance, rare-fault regimes, and missingness in monitoring data：故障标签稀疏和缺失，生成模型有潜力但需验证故障物理。
7.3. Coupled-system dependence and interaction networks：图学习可解决系统耦合依赖，但证据主要限于海上风电。
7.4. Data scarcity, extrapolation, and the case for physics-informed or hybrid models：物理信息学习适用于稀疏数据和外推需求，但无法消除模型形式误差。
7.5. Trust, explainability, provenance, and human oversight in LLM/VLM-assisted O&M：LLM/VLM需人类监督，避免幻觉和溯源问题。
8. Future research directions
8.1. Short-term actionable priorities：基准创建和评估纪律、开放或半开放数据基础设施、物理信息学习与混合建模、图学习用于尾流耦合农场、LLM/VLM驱动的运维工作流。
8.2. Long-term emerging directions：神经算子用于多查询预测、生成模型用于罕见故障与缺失数据、图学习扩展至波浪和潮汐阵列、LLM/VLM作为多模态维护副驾驶、集成基准生态系统。这些方向需要更强的验证基础设施。
