基于稀疏传感器数据的浮式海上风力发电机系泊绳张力预测数据驱动方法

《Ocean Engineering》：A data-driven approach for mooring line tension prediction of floating offshore wind turbines based on sparse sensor data

　　郝谢|张帅兵|万玲|周虎|何斌|金超|康斯坦丁·米哈伊利德斯•基于数据驱动的SHRED框架，用于通过6自由度运动预测系泊张力。•可精确重建50个节段的张力分布及动态响应。•基于Transformer的架构性能优于LSTM/GRU架构。•在信噪比高于10 dB时，对输入噪声具有较强鲁棒性。

引言
为应对气候变化并减少温室气体排放，全球范围内日益重视可再生能源系统的发展。由于数十年来快速部署，传统的陆上风能资源已逐渐饱和，因此海上风能——尤其是浮式海上风力发电机——成为在深海区域扩大清洁能源产能的战略选择。根据国际可再生能源机构（IRENA）的最新评估（国际可再生能源机构，2024年），浮式海上风能有望在深水区域的大规模风电开发中发挥关键作用。优质风能资源的丰富以及发电平准化成本（LCOE）的潜在下降，进一步提升了人们对浮式风能平台作为未来大规模风电开发方向的兴趣。浮式平台会因各种环境因素而产生复杂的低频和波浪频率振动（DNV，2021年），这些振动会直接影响结构安全、风机气动性能以及系泊缆绳的动态行为。

传统上，预测浮式海上风力发电机行为的流体动力学方法主要依赖于势流求解器以及完全耦合的时域仿真（邓等人，2023年；董等人，2022年）。尽管这些方法能够提供准确的数值估算，但它们需要复杂的流体动力学建模和大量的计算资源，因此不适合用于实时预测和数字孪生应用。正是这些局限性促使人们开始探索基于数据驱动的海洋结构建模技术。

早期的研究已经展示了机器学习在模拟海洋动态响应方面的潜力。布雷默（2018年）利用神经网络预测自由浮动结构的6自由度运动；李和金（2025年）运用机器学习技术准确预测高度非线性的波浪引起的船舶运动；泰（2023年）使用人工神经网络预测超大型浮动结构的水弹性响应；徐和赵（徐等人，2025年）展示了基于人工神经网络的浮式海上光伏系统运动预测方法。万和谢（谢等人，2025年）提出了一种结合窗口化动态模态分解与自适应卡尔曼滤波的框架，用于实现浮式海上风力发电机的稳健动态状态估计。马茨科斯和鲁佐（马茨科斯等人，2024年）分析了气象海况数据，并评估了多种人工神经网络模型及优化技术，最终找到了预测精度最高的模型，其标准化均方根误差为1.7%至4.7%。

这些研究表明，与传统数值求解器相比，机器学习在更高效地捕捉非线性耦合响应方面具有可行性。随着循环神经网络（RNNs）和长短期记忆（LSTM）架构的发展（霍赫赖特和施密德胡伯，1997年；辛顿，2007年），基于数据驱动的时间序列建模在海洋工程应用中的重要性日益凸显。尹等人（2024年）利用波浪激励信号，通过双LSTM模型预测平台运动；乔等人（2020年）采用LSTM进行系泊缆绳动态运动的实时预测；史等人（2023年）提出了一种多输入LSTM模型，该模型利用平台运动响应、波高和系泊力等多源数据来预测浮式风力发电机平台的短期运动响应。李等人（2021年）和林等人（2021年）进一步证明了LSTM架构在结构监测和地球物理领域的长期序列建模中具有良好适用性。郭等人（2021年）对比了LSTM和全连接神经网络在半潜式结构运动预测中的应用，发现网络结构以及时间步长的选择都会显著影响预测性能。

除了传统的循环神经网络之外，科学机器学习领域的最新进展还推出了浅层循环解码器网络（SHRED）（威廉姆斯等人，2024年）。这是一种轻量级架构，旨在从稀疏的传感器数据中重建高维动态场。SHRED结合了用于提取时间结构的循环编码器（如LSTM或GRU）以及将潜在状态映射到完整空间场的浅层解码器，通常还会借助基于SVD的降维技术。这种方法只需1到3个传感器即可准确恢复高维响应，并且对传感器布置和噪声具有较好的鲁棒性。诸如SHRED-ROM（托马塞托等人，2025年）、SINDy-SHRED（高等人，2025年）以及基于SHRED的核反应堆系统状态估计方法（里瓦等人，2025年）等扩展研究，进一步展示了该方法在复杂物理驱动系统中实现高效实时推理的潜力。这些发展为将SHRED应用于浮式平台和系泊缆绳建模提供了坚实基础，在这类应用中，可以从有限的运动测量数据中重建高维张力场。

在系泊缆绳动力学领域，近期研究越来越多地采用基于LSTM的深度学习模型，通过可测量的平台运动来预测系泊张力，从而减少对直接张力传感器的依赖。例如，乔等人（2020年）开发了一种仅以船舶运动作为输入的LSTM模型，用于监测系泊缆绳的响应。陈等人（2022年）研究了数据偏度对LSTM预测系泊载荷精度的影响，并引入了Box-Cox变换预处理步骤。王等人（2022年）提出了将低频响应与波浪频率响应相结合的LAWR方法，并将其集成到LSTM网络中，用于预测浮式结构的系泊张力。李等人（2025a年）结合数值仿真、团簇权重损失识别以及LSTM网络，用于预测浮式生产储油装置系泊缆绳的顶端张力。庄等人（2023年）采用了优化后的LSTM模型进行系泊系统运动仿真。严等人（2023年）运用LSTM预测脐带缆的顶端张力响应，其预测精度同样优于传统的ARMA模型。最近，徐等人（2024年）采用双LSTM模型预测波浪能转换装置的系泊张力，该模型能更好地表现复杂的流体动力学相互作用。唐等人（2025年）通过将CNN-LSTM-ATT网络与切比雪夫多项式相结合，提出了用于浮式海上风力发电机系泊张力预测的混合架构。还有些最新研究探讨了基于CNN的浮式海上风力发电机系泊张力预测框架。叶等人（2026年）提出了一种端到端的CNN模型，该模型具有注意力机制，可直接从平台的6自由度运动和转子推力中学习特征，无需预先处理；重要的是，该模型是在低海况数据上训练的，但却能成功应用于高海况和极端风浪条件。同样，严等人也开发了一种域自适应CNN-LSTM-注意力（DACLA）模型，通过学习与海况无关的特征来实现不同海况下的实时张力预测，从而提升模型的泛化能力。这些研究反映了向多输入、混合神经网络架构以及针对特定场景的建模方向发展的趋势。

在与基于数据驱动的建模工作同步进行的，还有针对大型浮式海上风力发电机系泊系统的高精度数值研究方面的重大进展。金等人（2025年）通过将OpenFAST与基于CFD的求解器相结合，对浮式风力发电机进行了耦合高精度仿真，从而揭示了详细的流体动力学载荷对平台运动和系泊响应的影响。李等人（2025b年）则采用了CFD–FEM耦合框架，用于评估极端环境条件下的系泊系统性能，进而证明了系泊张力对波浪引起的平台运动的敏感性。江（2025年）对浮式风力发电机的系泊设计及数值建模方法进行了全面综述，总结了大规模浮式平台方面的最新进展及面临的关键挑战。万和边（边等人，2025年）对一台15兆瓦的半潜式浮式风力发电机进行了全面的数值研究，系统分析了在正常运行、极端工况以及意外载荷条件下，各类系泊参数对系统性能的影响。他们的研究结果表明，平台运动、系泊配置以及环境载荷方向之间存在着密切的耦合关系。

尽管取得了这些进展，但仍存在一些不足之处。首先，大多数现有研究都是在有限的环境条件下进行的，因此神经网络模型的泛化能力在面对真实海洋环境中的大型浮式海上风力发电机时尚未得到充分验证。其次，对于疲劳评估和结构安全而言至关重要的节段级系泊缆绳张力预测，目前仍缺乏相关研究（黄等人，2024年）。第三，尽管在实际应用中平台运动传感器不可避免地会带来不确定性，但很少有研究系统地探讨系泊张力预测模型在测量噪声作用下的鲁棒性。

为了解决这些难题，本研究开发了一个集成化的基于数据驱动的框架，用于全局预测浮式海上风力发电机的系泊张力。如图1所示，该框架采用拉丁超立方抽样方法生成多种不同的环境条件，然后通过自动化的批量仿真流程，计算所有场景下的平台运动以及各节段的系泊张力响应。基于这些数据，研究人员构建了一个浅层循环解码器网络，用于将6自由度运动映射到50个系泊缆绳节段的张力分布上。此外，还进行了全面的模型优化研究，考察了包括LSTM、GRU以及基于Transformer的编码器在内的不同序列模型，以及潜在层大小、深度和解码器架构（MLP、UNet和SDN）对模型性能的影响。最后，通过向输入运动数据中注入不同强度的传感器噪声（20 dB、10 dB、5 dB、0 dB），来评估模型的鲁棒性；同时，通过改变输入数据的延迟时间，来研究模型对输入时间序列长度的敏感性，从而判断模型在不同动态特性系泊节段上的预测稳定性。

总体而言，所提出的工作流程是一种准确、计算效率高且具备良好扩展性的系泊张力预测工具，可应用于浮式海上风力发电机的实时监测、数字孪生系统构建以及运营决策支持等方面。这一方法也有助于深入理解基于神经网络的海洋结构预测模型在鲁棒性和泛化能力方面的表现。

本文的其余部分结构如下：第2节介绍该方法论框架，包括环境条件生成、批量仿真流程以及基于数据驱动的学习流程。第3节介绍基于SHRED的预测模型，并描述浮式平台、系泊系统以及仿真设置。第4节汇报研究结果，包括模型优化研究以及基于优化后架构的灵敏度和鲁棒性分析。第5节总结研究的局限性，并给出结论性意见。