浮动光伏电站系泊系统的多元机器学习疲劳分析

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Multivariate Machine Learning fatigue analysis of a floating photovoltaic plant mooring system.

　　

研究人员提出了一种评估部署在遮蔽水体（如灌溉池塘）中的浮动光伏（FPV）平台系泊缆疲劳损伤的方法。使用高斯过程回归器（Gaussian Process Regressor, GPR）根据环境参数（风速、湍流强度和水位（即灌溉池塘水深））预测系泊缆疲劳损伤。利用COPERNICUS项目的环境数据定义可行输入域；采用基于凸包（convex hull）的案例选择程序来限定所研究系统可接受输入值的范围。结合数值模型，该方法能够为旨在优化运营和降低平准化能源成本（Levelized Cost of Energy, LCOE）的数字工具生成训练数据集。结果显示，在一年重建期内，预测值与参考值之间的偏差约为0.5%。该研究还证明，所有输入变量均对预测性能有贡献，尤其是风速和湍流。总体而言，所提出的框架支持长期系泊设计，同时节省计算时间和成本。只有通过数值模型和机器学习算法的结合，才能从第一天起就提供数字工具，从而具备对可行性至关重要的早期预警能力。

在全球气候危机背景下，可再生能源扩张成为减排关键，其中光伏（PV）太阳能备受关注。然而，大规模地面光伏电站受限于土地可用性、许可和竞争性用地。浮动光伏（FPV）通过将光伏系统部署于水面（如湖泊、池塘、水库）可缓解这一约束，同时降低模块温度、提升效率并减少蒸发损失。但FPV系泊系统（用于平台定位）面临更高的安装成本、运维复杂性以及风、波浪等环境载荷，疲劳评估在FPV文献中尚不充分，现有研究多借鉴浮动海上风电（FOWT）领域，但两者在尺寸、质量、系泊布局上差异显著。传统疲劳评估方法（如S–N曲线、T–N曲线）需大量时域数值模拟，计算成本高昂。因此，研究人员开展了本研究，旨在结合真实环境数据与数值模拟，构建机器学习（ML）代理模型，用于快速预测FPV系泊缆疲劳损伤，支持数字孪生（DT）从投运初期即提供早期预警，降低计算负担并优化运营决策。该论文发表在《RELIABILITY ENGINEERING》。

研究人员采用了以下主要关键技术方法：（1）环境数据来源：基于COPERNICUS项目（1940年至今）的Llíria（西班牙瓦伦西亚）灌溉池塘位置数据，提取风速分量（u、v）、湍流强度（通过风速与中性风速差值估算）、水位（通过土壤含水量估算）；（2）案例选择：利用凸包（convex hull）算法划定可行输入域，结合规则网格生成均匀分布案例，再通过最大相异算法（MDA）排序以提高多样性；（3）数值模型：使用IHCantabria开发的FEBOS模型，将平台简化为刚体，系泊缆采用非线性弹簧，基于牛顿第二定律时域求解，生成系泊缆张力时间序列；（4）疲劳分析：基于Palmgren-Miner线性累积损伤规则和雨流循环计数法，采用HMPE（高模量聚乙烯）绳索T–N曲线（参数校准至约30年寿命量级）计算疲劳损伤；（5）机器学习模型：采用高斯过程回归器（GPR）作为多输入多输出（MIMO）代理模型，对数变换目标变量，提供不确定性量化。

研究结果部分保留原文小标题，简要说明各节结论：

**4.1 数据预处理**：研究人员通过凸包和规则网格从COPERNICUS历史数据（1960–2024年约560,000样本）中选取均匀覆盖输入空间的案例，避免偏倚于常见环境条件。输入变量包括风速u分量、v分量、湍流强度和水位，并加入高斯噪声以增加多样性。

**4.2 疲劳分析**：对每个案例，使用FEBOS模型模拟1小时张力时间序列，并采用10个随机种子以平均随机变异性（基于收敛性分析，7–8个种子后稳定）。疲劳损伤通过雨流计数和Miner规则累积计算。Spearman相关性分析显示，风速分量与疲劳损伤关联最强，但不同系泊缆受影响程度因方向暴露差异而异。

**4.3 机器学习模型训练**：数据集按60%训练、20%测试、20%验证分割，并通过MDA排序减少过拟合。GPR模型经随机搜索超参数优化，目标变量取对数（log₁₀）以保正预测。训练集大小收敛性分析表明，2000案例即可达到可靠性能（R2和MAE稳定），训练时间约10分钟。

**4.4 模型验证**：对线5（受风最频繁侧的系泊缆）进行小时级预测与数值模型参考对比，散点图显示合理精度。2024年全年累积损伤重建显示，预测值与参考值偏差约0.5%，且置信区间随时间累积（式10）。推理速度（秒级）远优于FEBOS模拟（数天）。对8条选定系泊缆的独立模型验证，偏差均在?0.76%至1.01%之间（表1），表明方法具泛化性。

**4.5 长期敏感性研究**：基于1960–2024年环境输入重建寿命，线5预测寿命约13年（图13）。通过替换输入变量为均值分析敏感性：移除水位使寿命缩短约3个月，移除湍流使寿命延长约8个月，表明两者均重要，但影响因线位置而异（线17受湍流影响大，线29两者影响相当，线40受疲劳影响最小）。

**4.6 剩余使用寿命估计与报警系统**：基于1960–1990年月度疲劳统计（冬季峰值），构建前向预测模型，与历史重建对比，累积疲劳落在95%置信区间内。结合历史重构（hindcast）与月度统计预测，实现剩余使用寿命（RUL）实时估计，支持预警系统（图15、16）。该框架可识别易过早失效的系泊缆，指导预防性维护。

总结讨论部分：研究人员在结论中明确，该工作开发并验证了结合T–N曲线与ML代理模型的FPV系泊系统疲劳评估流程，核心发现为GPR在预测精度和不确定性量化上表现最佳，2000训练案例即可实现可靠性能，年重建偏差0.5%，寿命预测约13年（最暴露线）。研究局限性包括：模型依赖特定绳索参数校准，ML代理受数值模型简化约束，且未考虑长期劣化（如聚合物光氧化）。未来方向：纳入现场数据更新模型，以提升代表性。结论翻译如下：
5. 结论
本研究开发并演示了一种结合T–N曲线与机器学习（ML）代理模型的FPV系泊系统疲劳评估工作流程。目标是将环境条件与系泊缆疲劳损伤关联，因此选择系泊缆中尼龙绳段作为疲劳评估控制构件。
采用COPERNICUS环境数据，结合凸包、规则网格和最大相异算法（MDA）进行案例选择。所选环境案例用于驱动内部FEBOS数值模型，输出系泊缆张力时间序列，后处理计算疲劳损伤。所得数据集在可行输入空间内分布更均匀，有助于减轻对最常见条件的偏倚。
在评估的多种ML算法中，高斯过程回归器（GPR）表现最稳定，除预测精度（如R2）外，还提供预测标准差，支持长期设计与监测中的不确定性量化。
由于给定环境输入下小时级疲劳损伤存在随机变异性，进行了种子收敛性研究，确定10个种子为鲁棒性与计算成本的平衡。
训练集大小收敛性研究显示，2000案例即可实现可靠性能，而初始数据集为4000案例。
应用测试中，使用2024年环境输入重建累积疲劳损伤，与数值模型参考对比偏差约0.5%。该方法还应用于完整寿命周期评估，最暴露线寿命约13年，并突出各环境变量对预测寿命的影响。
最后，GPR的计算效率和不确定性输出支持了预警概念。通过结合历史输入重构累积疲劳与前向剩余寿命估计，该框架支持系泊缆剩余使用寿命（RUL）估计。为每条系泊缆实施独立模型，可实现独立结构评估，支持针对性维护策略。通过识别易过早失效的特定缆线，该方法允许在组件达到理论设计寿命前进行预防性干预。
5.1 局限性
所提出的方法在本文研究的特定绳索参数集下表现出强预测性能，但实际应用需进行充分校准。训练数据集由数值模型生成，因此ML代理的学习能力受模型简化及未完全捕捉的系统细节限制。此外，当前框架未考虑工厂的长期变化（如有意改造或逐渐劣化，如聚合物光氧化）。这些局限性可通过开发工作流程将现场数据纳入模型训练与更新来缓解，以提供更详细和代表性的信息。