人工智能驱动的浮式风电机组实时混合模型测试：一种经 16 兆瓦张力腿平台（TLP）风机验证的异步气动载荷预测框架

《Energy》：AI-Enabled Real-Time Hybrid Model Testing of Floating Wind Turbines: An Asynchronous Aerodynamic Load Prediction Framework Validated on a 16 MW TLP Turbine

　　

摘要：对漂浮式风力涡轮机进行高保真水池试验需要实时再现与运动相关的空气动力载荷，但现有的实时混合模型试验（RTHM）系统仍受限于在线空气动力求解器的阻塞以及多轴载荷作动能力有限的问题。本研究提出了一种人工智能赋能的RTHM框架，在该框架中，以OpenFAST为基础构建的空气动力代理模型被嵌入为主动数值子结构，并与异步指令执行和多通道物理加载相集成。采用CNN-BiLSTM-Attention代理模型，利用完全耦合的OpenFAST数据进行训练，根据湍流风输入、风机运行状态以及实时六自由度平台运动反馈，预测超前一步的转子推力Fx以及空气动力力矩Mx、My和Mz。预测-缓存-释放策略将指令释放与AI推理、载荷缩放和指令生成解耦，实测缓存-释放延迟低于1 ms。预测载荷经缩放后由六转子空气动力加载装置在1:85缩尺水池试验中物理再现，试验对象为16 MW张紧腿平台漂浮式风力涡轮机。AI预测载荷与OpenFAST参考值吻合度高，最小Q-Q决定系数达到0.997。对应的实测推力与力矩通道最小Q-Q系数分别为0.988和0.927。在系统响应层面，平台纵荡、升沉、纵摇以及上风向中心系缆张力的主要统计误差均低于9.6%。所提出的框架为所研究的16 MW张紧腿平台漂浮式风力涡轮机的实时混合试验建立了运动反馈在环的AI数值子结构方法。

引言

在全球向低碳能源系统转型的推动下，加之对远海风能资源开发需求的增长[1]，海上风力发电已成为可再生能源体系中日益重要的组成部分[2]。与固定底式海上风力涡轮机相比，漂浮式风力涡轮机可以克服水深和海床条件带来的约束[3]，从而获取更为稳定且丰富的远海风能资源[4]。随着额定风机容量持续增大，漂浮式风力涡轮机在降低平准化度电成本和提高远海风能利用效率方面展现出可观潜力[5]、[6]。然而，在风、浪、流载荷联合作用下，漂浮式风力涡轮机的转子、塔筒、漂浮平台和系泊系统之间存在强烈的空气动力-水动力-伺服-弹性耦合效应[7]、[8]。六自由度（6-DOF）平台运动改变了转子处的相对来流条件，从而影响空气动力推力、空气动力力矩、尾流演化以及结构载荷[9]。反过来，空气动力载荷的变化又进一步影响平台运动和系泊响应[10]、[11]。因此，精确再现空气动力载荷与平台运动之间的实时双向耦合对于漂浮式风力涡轮机动力的实验研究至关重要。

漂浮式风力涡轮机的水池模型试验通常按照弗劳德相似律设计，以确保波浪传播、平台水动力和系泊响应的正确缩放[12]。然而，转子空气动力相似要求雷诺数相似，这在几何缩尺模型中通常无法与弗劳德相似律同时满足，从而导致众所周知的弗劳德-雷诺数缩放冲突[13]。早期研究采用了简化推力加载和阻力盘方法，但这些方法只能近似再现平均空气动力效应[14]。模型叶片重新设计可以改善缩尺转子的推力相似性，但其有效性通常仅限于特定风速范围、运行条件或规定的空气动力相似准则[15]、[16]。对于大容量漂浮式风力涡轮机，利用常规空气动力加载方法难以再现真实的非定常空气动力载荷、空气动力力矩、控制器响应以及由平台运动反馈引起的空气动力阻尼[17]、[18]。因此，传统方法对于需要实时闭环再现空气动力-平台耦合的高保真水池试验仍然不够充分[19]。

为了克服空气动力缩放限制并更真实地再现空气-水动力耦合效应，实时混合模型试验（RTHM）和硬件在环技术已成为漂浮式风力涡轮机实验的重要途径[20]。在RTHM中，平台、塔筒、系泊系统和波浪环境被视为物理子结构，而转子空气动力则由通过实时运动反馈和空气动力载荷作动耦合的数值子结构表示。Sauder等[21]提出了一个早期RTHM框架，将实时数值空气动力子结构嵌入水池试验中。Bachynski等[22]证明了该方法的可行性，Berthelsen等[23]强调了数值子结构标定对混合试验精度的影响。Vittori等[24]采用混合方法再现了转子推力和力矩，并考察了空气动力阻尼对平台运动的影响。Wen等[25]开发了多执行器空气动力载荷模拟系统，Karimirad和Bachynski[26]分析了执行器容量限制对RTHM稳定性和加载精度的影响。Shi等[27]提出了时间延迟效应的补偿方法。Fu等[28]、[29]进一步发展了多自由度空气动力加载系统，并通过水池实验验证了其在多轴空气动力载荷再现方面的适用性[30]。近期，Han等[31]进一步报道了一种新型15 MW半潜式风力涡轮机的实时混合模型实验与数值研究，证明了RTHM对大容量漂浮式风力涡轮机的适用性。Cao等[32]使用定制化的AeroDyn数值空气动力子结构和多转子加载装置，对17 MW半潜式漂浮式风力涡轮机进行了多转子RTHM水池试验。这些研究证明RTHM可以有效缓解传统模型试验中的空气动力缩放问题。然而，大多数现有RTHM方法仍然依赖于实时空气动力求解器，如叶素动量（BEM）模型或AeroDyn，需要在每个时间步内完成运动反馈采集、空气动力计算、载荷缩放和执行控制。这对计算效率、通信延迟和闭环同步提出了苛刻要求。这些实时需求也推动了面向漂浮式风力涡轮机的预测型和控制型模型的发展，包括用于功率和平台运动调节的非线性模型预测控制[33]，以及波浪引起的功率和载荷波动的气动-水动-伺服-机械耦合建模[34]。

人工智能（AI）和数据驱动方法在海洋工程应用中越来越多地被采用[35]，同时也为漂浮式风力涡轮机混合试验中的实时响应预测和数值子结构开发提供了新的可能性。与传统的空气动力求解器相比，训练好的AI代理模型能够以相对较低的计算成本建立输入状态与目标响应之间的非线性映射关系，展现出快速响应预测的潜力[36]。现有研究已将卷积神经网络（CNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）和注意力机制应用于平台运动、系泊张力、结构振动和风场估计等预测任务。He等[37]使用CNN-GRU模型对复杂风浪条件下的短期平台运动进行预测。Hu等[38]利用VMD-MI-LSTM模型研究了台风极端条件下的系泊张力。Yan等[39]提出了领域自适应CNN-LSTM-Attention模型用于实时系泊张力预测，Tang等[40]将CNN-LSTM-ATT模型与切比雪夫多项式相结合以进一步提高预测精度。Mousavi等[41]将扩展卡尔曼滤波器与CNN-LSTM模型集成，用于有效风速估计。Qing等[42]使用随机过程神经网络预测风机塔筒的涡激振动响应。这些研究证实了深度学习模型捕捉复杂非线性动态响应的能力。然而，现有基于AI的研究仍主要集中于离线预测、健康监测或控制辅助。AI空气动力代理模型尚未被充分嵌入到水池混合模型试验中作为实时数值空气动力子结构，也未与物理空气动力加载装置耦合以实现由平台运动反馈驱动的多通道空气动力载荷的闭环再现。因此，将AI预测模型从离线数据驱动工具推进到能够参与闭环水池试验的主动数值空气动力子结构，仍然是漂浮式风力涡轮机实时混合模型试验面临的关键挑战。

为应对这一挑战，本研究提出了一种面向大容量漂浮式风力涡轮机的AI赋能实时混合模型试验框架。本研究的贡献体现在两个方面。在AI模型层面，开发了一种以OpenFAST为基础的空气动力代理模型，根据湍流风输入、风机运行状态以及实时六自由度平台运动反馈，预测超前一步的多通道空气动力载荷。在系统层面，与依赖在线BEM/AeroDyn求解器的传统RTHM方法或主要聚焦于多执行器空气动力载荷再现的方法不同，训练好的代理模型被嵌入RTHM闭环中作为主动数值空气动力子结构，并与异步预测-缓存-释放策略以及六转子空气动力加载装置相集成。预测的多通道空气动力载荷按照相似律进行缩放，并在模型尺度上物理再现。选取16 MW张紧腿平台（TLP）漂浮式风力涡轮机作为验证案例。通过静水试验、纯波浪试验和两组风浪联合混合模型试验，依次验证了物理模型基线、空气动力载荷预测与作动精度、平台运动响应以及系缆张力响应。

系统概览片段

实时混合试验系统整体框架

为了再现空气动力载荷与平台运动之间的实时双向耦合，本研究提出了一种由数值子结构和物理子结构组成的AI赋能实时混合模型试验框架。AI空气动力代理模型作为数值子结构，根据实时运动反馈和预设风场信息预测目标空气动力载荷；物理子结构则由塔筒、漂浮平台和系泊系统组成。

16 MW张紧腿平台漂浮式风力涡轮机模型与水池试验布置

为验证所提出的AI赋能实时混合模型试验方法的可行性，选取了16 MW张紧腿平台漂浮式风力涡轮机作为验证案例，如图5所示。原型系统基于现有的16 MW张紧腿平台漂浮式风力涡轮机概念[43]，其中漂浮基础和系缆系统经过进一步适配以适应本次水池RTHM试验。系统由风机组件、TLP漂浮平台和张紧腿系泊系统组成，设计……自由衰减与系泊刚度试验

在评估风浪联合条件下的AI赋能空气动力加载性能之前，首先检验物理TLP模型及对应OpenFAST模型的基线动力特性。自由衰减试验用于识别平台的固有周期和阻尼特性，系泊刚度试验用于验证系缆系统的水平恢复力行为。这些验证对于确保……至关重要。

结论

本研究针对传统水池模型试验中的空气动力缩放限制以及漂浮式风力涡轮机实时混合模型试验中在线空气动力求解器阻塞和多通道空气动力载荷再现能力不足的挑战，提出了一种AI赋能的异步框架，用于实时空气动力载荷预测和空气动力加载执行，并通过16 MW张紧腿平台漂浮式风力涡轮机的1:85缩尺水池试验进行了验证。……

CRediT作者贡献声明

Wei Shi：撰写——审阅与编辑，监督，方法论，资金获取，概念化。Linyang Cao：撰写——初稿，可视化，软件，调查研究，形式化分析。Haoxiang Ding：撰写——审阅与编辑，可视化，调查研究。Chunzheng Li：撰写——审阅与编辑，可视化，概念化。Qunyi Wang：撰写——审阅与编辑，可视化，概念化。Xu Han：撰写——审阅与编辑，方法论，形式化分析。Zhipeng……

利益冲突声明

作者声明不存在已知的可能影响本文所述工作的竞争性经济利益或个人关系。

数据可用性

数据可根据请求提供。

竞争性利益声明

? 作者声明不存在已知的可能影响本文所述工作的竞争性经济利益或个人关系。

致谢

本工作由国家自然科学基金（批准号：52371268）和"创新甬江2035"重点研发计划下的国际科技合作项目（批准号：2025Z222）资助。

Wei Shi | Linyang Cao | Haoxiang Ding | Chunzheng Li | Qunyi Wang | Xu Han | Zhipeng Leng | Xin Li

大连理工大学海岸和近海工程国家重点实验室，中国大连，116024