面向海洋可再生能源的AI驱动仿生分层网络物理系统：多尺度能量注意力机制与H形神经网络的集成应用

《Scientific Reports》：A multiscale energy polarization attention mechanism and H-shaped network for AI-driven biomimetic oceanic energy farms

　　

摘要

全球向可再生能源的转型引发了对开发海洋能源资源巨大潜力的极大关注。然而，当前海洋能源技术面临因不可预测条件和低转化率导致效率低下而带来的挑战。与以往仅专注于硬件改进或使用无闭环控制的孤立机器学习（ML）模型的研究不同，本研究提出了一套完全集成的分层网络物理系统。我们提出了一种由人工智能（AI）驱动的仿生系统，该系统将受自然启发的设计与复杂的分层AI控制网络相结合。该系统包含两个高级组件：（1）多尺度能量极化注意力机制（MEPAM），可有效过滤湍流噪声以强调高能量涡流；（2）H形神经网络，具有中央桥接层，可显式跨域集成环境和运行数据，这种配置在标准单编码器模型中并不存在。该框架在三个独立的模拟方案中进行了评估，包括代理预测、闭环农场控制和故障预测。在预测方案中，双分支代理模型实现了0.98的R2值和0.04的均方根误差（RMSE）。在闭环方案中，多智能体近端策略（MAPPO）控制器相比传统波浪能转换器（WEC）基准，年发电量提高了53.7%，从15,100兆瓦时提升至23,200兆瓦时，使用了100个采集器设备模型和环境条件。在预测方案中，模型取得了令人印象深刻的0.96的F1分数。此外，通过分析振动特征，该模型可以提前多达36小时预测机械故障。模拟结果显示，与常规系统相比，能量提取效率提高了40–60%，同时维护成本降低了35%。潜在应用包括海上电网、偏远岛屿能源供应和海上监控系统。