基于海况预测与物理信息深度学习的混合动力无人水面艇实时能量管理

《Ocean Engineering》：Real-time energy management for hybrid USVs based on sea-state forecasting and physics-informed deep learning

　　

•NMPC 比 ECMS 降低燃油消耗 3.70%，并改进功率跟踪能力。
•PI-CNN-LSTM 将功率、电流和速度的均方根误差分别降低了 68.5%、82.8% 和 79.7%。
•PI-CNN-LSTM 的推理时间为 2.819 毫秒，而 NMPC 的求解时间为 28.893 毫秒。
•增量学习将三种预测误差降低了 43.9%、41.3% 和 32.0%。

引言
无人水面艇（USV）已广泛应用于民用和军事领域。与载人船舶相比，USV 具有部署迅速、运维成本较低等优势（Li et al., 2023）。在民用应用方面，USV 被用于海上搜救、环境监测与污染控制，以及海洋资源勘探（Li et al., 2023, Cai Sr and Li, 2022, Dong et al., 2021）。在军事领域，它们被用于反潜作战、特种作战支援、侦察监视和协同打击任务（Cai Sr and Li, 2022）。随着海洋勘探和监测活动不断向远海及恶劣海况区域扩展，USV 面临的操作环境日益复杂和严苛。因此，对其动力系统的性能和可靠性提出了更高要求。

动力系统对 USV 的机动性和续航力起着至关重要的基础性作用。目前，许多中小型 USV 使用锂电池或燃料电池作为主要电源。这些电源具有响应快、排放低和控制技术成熟等优点（Komorowska et al., 2022, Khare and Singh, 2012）。然而，其有限的能量密度和船舶空间限制使得难以在长时任务中同时满足长期续航和有效载荷的要求（Farsi and Rosen, 2022）。传统内燃机虽然能量密度较高，但产生更多的污染物排放和噪音。此外，USV 的尺寸和载荷限制使得难以冗余安装和配置单个高功率内燃机。因此，单一电源难以在续航力、环境性能和任务适应性之间取得令人满意的平衡。

为了解决这些局限性，近年来根据 USV 的任务特性、船舶尺寸和运行要求，提出了各种混合动力系统配置。表 1 展示了相关研究的对比。

如表 1 所示，现有研究证明了使用混合动力系统提高 USV 续航力的可行性。然而，大多数研究侧重于能量配置设计和系统集成。海况干扰、任务载荷与能源管理之间的耦合尚未得到充分考虑。

从能源管理的角度来看，USV 在目标和约束方面与传统载人船舶有着显著区别。载人船舶通常沿预定义路线和时刻表运行，其动力系统根据船员的操作经验进行调整（Zoubir et al., 2023, Dewan and Godina, 2024b, Dewan and Godina, 2024a）。它们的能源管理主要侧重于燃油经济性和排放控制。相比之下，USV 受到平台尺寸和船上能源储备的限制。在有限的能源供应下，必须同时考虑推进安全（Boscaino et al., 2021）、任务续航力和为任务载荷供电（Wu et al., 2024）。此外，USV 缺乏船上船员的实时决策和干预。因此，其能源管理系统需要具备一定的自主学习和自适应能力。应根据历史运行数据和在线观测自动调整功率分配和任务载荷配置，以实现不同工况下有效的能源优化。

为解决这些问题，已开展相关研究。Chen et al. (2020) 研究了一种光伏 - 柴油 - 电池混合动力 USV，并应用结合深度学习和强化学习的深度 Q 网络算法进行能源管理。所提出的策略提供了自学习能力，但未充分考虑海况干扰对功率需求的影响。Zaman et al. (2022) 研究了由光伏、燃料电池和水动能发电驱动的混合动力 USV。设计了一个能源管理系统（EMS）以维持续航力并优先利用可再生能源。然而，该策略主要依赖基于规则的功率平衡，因此在实现最优功率分配方面存在局限性。Liang et al. (2022) 研究了一种利用太阳能、风能和水能的环境驱动 USV。提出了一种多目标鲁棒混合整数非线性规划方法用于能源管理。然而，其模型的高复杂性给实时功率控制带来了巨大的计算负担。Fu et al. (2025) 研究了一种光伏 - 柴油 - 电池混合动力 USV。使用深度学习预测波高和太阳辐照度，并采用模型预测控制（MPC）进行实时能源流分配。然而，MPC 主要优化柴油燃油消耗和电池荷电状态（SOC）偏差，优化目标相对有限。Liu et al. (2024) 为不同船舶工况下的混合动力管理提出了一种分层分布式 MPC 方法。该方法改善了不同工况下的能量协调，但未进一步考虑海况的影响。Chen et al. (2023) 将随机波浪干扰纳入 NMPC 预测模型。然后通过滚动时域优化实现了混合动力船舶的实时能源管理。Gao et al. (2024) 进一步引入了事件触发机制。通过减少 MPC 优化的次数及相关计算成本，提高了控制策略的实时性能。尽管这些方法在一定程度上提高了能源管理的实时性能，但仍需在线求解约束优化问题。为进一步降低在线计算负担，Yang et al. (2021) 使用循环神经网络近似 MPC 控制策略，显著降低了在线计算成本。然而，该模型强烈依赖于训练数据，其对训练范围外工况的适应性仍需进一步验证。Park et al. (2024) 采用深度神经网络近似 NMPC 策略。虽然提高了实时性能，但保持了接近 NMPC 的性能。然而，在未见过的工况下，模型性能会下降。

从海况影响的角度来看，复杂海况不仅改变船体阻力和推进功率需求，还影响航速保持、航线选择和任务安全。在极端海况下，产生的额外阻力可能超过 60%，并表现出明显的时间变化特性（N. Wang et al., 2022, Wang et al., 2020）。因此，海况预报越来越多地用于能效优化。Fang and Xu (2020) 根据预报信息对海况和波高范围进行了分类。同时，将燃油消耗和能源效率运营指标作为优化目标，建立了多目标鲁棒优化模型。然而，较长的求解时间使得该方法难以应用于实时场景。K. Wang et al. (2022) 使用数值海况预报和粒子群优化算法，联合优化翼帆迎角和船速。结果减少了不同导航条件下混合动力船舶的能耗和 CO2 排放。然而，模型相对复杂，其实时性能仍然有限。Hein et al. (2020) 使用预报信息构建与海况相关的附加阻力矩阵。采用动态规划方法确定附加阻力较小的航线。然后，使用多目标调度和反馈校正分配推进载荷。然而，能源管理优化需要较长的求解时间。因此，该方法更适合航前调度，其在线应用能力仍然有限。Ma et al. (2024) 利用动态天气预报联合优化船舶航线和航速，同时考虑运营成本、航行时间和 CO2 排放。然而，该研究主要关注导航层面的能效优化，未进一步探讨混合动力系统内部的能源管理问题。

如表 2 所示，尽管混合动力 USV 的能源管理取得了很大进展，但仍缺乏一种能够同时考虑海况干扰、导航约束、任务载荷和实时运行要求的综合方法。现有研究面临的主要挑战可总结为：(1) 在有限能源可用性下提高 USV 的续航力；(2) 增强 USV 能源管理策略的实时性能；(3) 增强其对不同运行条件的适应性。为解决这些挑战，本研究的主要贡献总结如下：
(1) 开发了一种基于 NMPC 的能源管理策略。该策略考虑了海况、任务载荷和运行约束引起的推进功率需求变化。与 ECMS 相比，累计燃油消耗降低了 3.70%。与 MPC 相比，功率平衡的均方根误差从 128 W 降至低于 1 W。
(2) 提出了一种包含功率平衡残差约束的 PI-CNN-LSTM 代理模型。与 CNN-LSTM 相比，功率、电池电流和柴油发动机速度预测的均方根误差分别降低了 68.5%、82.8% 和 79.7%。
(3) 使用 PI-CNN-LSTM 近似 NMPC 策略。NMPC 的平均求解时间为 28.893 毫秒，而 PI-CNN-LSTM 的平均推理时间降至 2.819 毫秒。同时，NMPC 的能源管理性能在很大程度上得以保留。
(4) 引入了一种基于正则化的增量学习机制。在未见的干扰工况下，闭环功率跟踪的均方根误差从 3.5876 kW 降至 1.6492 kW，降幅为 54.03%。因此，提高了模型对不同运行条件的适应性。

本文其余部分组织如下。第 2 节介绍研究对象、电力系统拓扑结构和整体研究框架。第 3 节建立基于海况的附加阻力图、USV 混合动力系统模型和导航约束模型。第 4 节介绍基于物理信息 CNN-LSTM 的航线规划、速度优化、任务载荷分配、基于 NMPC 的能源管理以及基于 PI-CNN-LSTM 的 NMPC 代理控制。第 5 节通过仿真验证并分析所提出方法的有效性。最后，第 6 节总结主要结论并讨论未来研究方向。

章节片段
研究对象
本研究使用 Exail 开发的 DriX O-16 USV 作为确定船舶尺寸和任务要求的参考平台（Exail, 2026）。基于该平台，建立了 USV 的代表性并联混合动力系统模型。该模型用于验证所提出方案的有效性。其主要参数列于表 3。
并联混合动力 USV 的电力系统如图 1 所示。本研究聚焦于混合动力 USV 的能源管理。

地图模型
为了量化海况对船舶阻力的动态影响，本研究采用并实现了 Hein et al. (2020) 提出的附加阻力矩阵方法。基本思想是将导航区域离散化为成本图，其中每个网格单元的遍历成本由其对应的附加阻力系数决定。首先，根据风场再分析数据和中国历史波浪观测，将目标海域划分为规则的 15 × 25 网格。

航线规划
将海域离散化为网格图。每个网格节点分配一个附加阻力系数 fs。采用 A* 算法搜索起点和终点之间的最优航线。对于相邻节点之间的每次转换，使用距离 - 阻力加权形式来定义步成本。g(n)=g(n′)+d(n′,n)1+fs(n) 其中 n′ 是当前节点，n 是从 n′ 扩展的相邻节点。g(n′) 是从起点到节点 n′ 的累积成本。d(n′,n)

仿真与分析
所有仿真均在相同的计算平台上进行。实验平台配备了 NVIDIA GeForce RTX 4060 Ti GPU 和 Intel Core i5-12600 K CPU。模型开发、训练和仿真均在 MATLAB R2024b 中进行。本研究报告的求解时间是在此平台上测量的。
需要注意的是，这是一个通用计算平台，而不是代表 USV 实际部署场景的嵌入式平台。因此，

结论
本研究解决了复杂海况下混合动力 USV 的能源管理问题，并提出了一种整合海况预报、NMPC 和 PI-CNN-LSTM 代理控制的能源管理方法。主要结论总结如下：
(1) 通过海况预报获取推进功率需求，并结合任务载荷分配构建系统总负载。

在此基础上，NMPC 在柴油发动机之间实现了有效的功率分配。CRediT 作者贡献声明：高迪久：软件、方法学、概念设计。王清泉：验证、软件、方法学、概念设计。朱雪莲：调查、数据整理。利益冲突声明：作者声明存在以下可能被视为潜在利益冲突的财务利益/个人关系：无。如有其他作者，他们声明不存在已知可能影响本文所报告工作的竞争性财务利益或个人关系。致谢：本研究得到国家自然科学基金资助（项目编号：61304186）。高迪久 | 王清泉 | 朱雪莲