浮动式风浪混合系统性能预测与多目标优化的代理模型研究学术报告

一、 主要作者、机构及发表信息 本研究由魏志文、赵晨宇、Alistair G.L. Borthwick、曹飞飞、朱凯、费华平、石洪达等人合作完成。作者主要来自中国海洋大学工程学院（包括山东省海洋工程重点实验室、青岛市海洋可再生能源重点实验室）、英国普利茅斯大学工程、计算与数学学院以及崂山实验室。该研究以题为“Prediction and multi-objective optimization of a floating wind-wave hybrid system using surrogate modeling”的论文形式，发表于国际期刊《Ocean Engineering》第343卷（2026年），论文在线发表日期为2025年11月11日，论文识别号为123393。

二、 研究学术背景 本研究的科学领域属于海洋可再生能源，具体聚焦于海上浮动式风能与波浪能集成混合系统的设计与性能优化。

随着人类对清洁能源需求的增长，海上风能因其风资源优越而备受关注，特别是水深较深海域的浮动式海上风力涡轮机。然而，浮动式平台在恶劣海洋环境下面临着稳定性维持和成本控制等严峻挑战。为解决这些问题，学者们提出了将浮动式海上风力涡轮机与波浪能转换器集成的方案。这种风浪混合系统不仅有望通过波浪能转换器的能量提取来增加总发电量，降低平准化度电成本，还可能通过合理设计波浪能转换器的动力输出系统来抑制平台的运动，提升系统稳定性。然而，风浪混合系统是一个复杂的多物理场耦合系统，涉及空气动力学、水动力学、结构动力学等多学科问题。传统的基于数值模拟的性能评估与优化方法通常计算成本高昂，尤其是在需要考虑多种海况和不同PTO控制参数时，传统的逐一模拟方法效率低下，难以进行大规模的参数寻优。

与此同时，人工智能与机器学习技术正在变革包括海洋能领域在内的许多工程领域。已有研究将机器学习算法用于波浪能装置的性能预测和设计优化，但将智能化方法应用于风浪混合系统的研究仍相对有限。鉴于风浪混合系统性能预测的复杂性、优化需求的多目标性（如同时追求最大发电量和最小平台运动）以及传统数值模拟的高昂计算成本，亟需开发一种高效且准确的性能预测与优化框架。

因此，本研究旨在构建一个基于代理模型的高效方法，用于评估和优化浮动式风浪混合系统的性能。其具体目标是：（1）针对一系列海况和PTO配置，预测浮动式风浪混合系统的功率性能和运动响应；（2）基于给定的环境条件，优化波浪能转换器阵列的PTO设置，以实现发电与稳定性的多目标权衡。

三、 详细研究流程 本研究采用了一个系统性的、多阶段的工作流程，主要可分为四个核心步骤：数值模拟数据库构建、代理模型选择与训练、基于遗传算法的多目标优化，以及结果分析与验证。

第一步：数值模拟数据库的构建。 首先，研究团队基于一个具体的浮动式风浪混合系统建立了高保真数值模型。该系统由一个三角形构型的WindFloat半潜式平台、三个围绕平台浮筒均匀布置的摇臂式波浪能转换器，以及一台安装在平台上的5 MW NREL参考风力机构成。平台底部安装有垂荡板以增强稳定性，每个波浪能转换器通过一个摇臂铰接在平台支撑结构上，其相对旋转驱动PTO机构将波浪能转化为机械能。

为了生成用于训练代理模型的数据，研究者开发了一个耦合的数值模拟框架，将水动力学分析软件ANSYS-AQWA与风力机仿真工具OpenFAST通过Python桥接代码进行实时耦合。该框架能够同时计算混合系统的多体水动力相互作用、铰接约束、PTO阻尼作用以及系泊系统动力学，并模拟风力机的气动载荷。通过将环境条件和PTO设置作为输入变量，将波浪能转换器阵列的平均捕获功率和平台的多种运动响应作为输出变量，进行批量化的时域数值模拟。

在环境条件设置上，研究考虑了广泛的操作工况。海浪采用JONSWAP谱生成，谱峰周期从3.5秒到8.5秒，有效波高从0.25米到3.75米。对于每个波浪条件，测试了3到4种不同的湍流风剖面，平均风速范围为3.5至21米/秒，以覆盖风力机的运行特性和目标海域的风资源条件。PTO设置考虑了两种阻尼类型：线性阻尼（阻尼系数在8至48 MNm/(rad/s)之间）和库仑阻尼（阻尼力上限为2400 kNm，并引入了相对旋转速度阈值作为脱开控制准则）。通过这种方式，共生成了1957个线性阻尼案例样本和6607个库仑阻尼案例样本，构成了一个规模可观的数据库，为后续机器学习模型的训练提供了坚实基础。

第二步：代理模型的选择与建立。 考虑到风浪混合系统性能预测的高度非线性，本研究选取了三种在非线性问题上表现较好的机器学习算法作为候选预测模型：高斯过程回归、多层感知器人工神经网络和支持向量回归。为了训练这些模型，研究者将上述数值模拟生成的数据库划分为训练集和测试集。为了避免样本分布不平衡，采用了分层抽样方法，确保每个环境条件下的数据都能按比例分配到训练集和测试集中。此外，还引入了一个额外的测试数据集，该数据集包含原始样本库中未出现的环境条件，用于验证模型的泛化能力。

在模型训练阶段，研究者采用了贝叶斯优化方法来为每个候选模型寻找最优的超参数（如神经网络隐藏层数量、神经元数量、学习率等）。同时，为了充分利用有限的训练样本并防止过拟合，在超参数优化过程中采用了k折交叉验证技术。特别地，研究者发现不同输出变量可能需要不同的交叉验证折数，因此为每个模型确定了针对不同输出变量的最优混合k折方案。

为了进一步评估模型的预测性能，研究者采用了三个评估指标：平均绝对误差、决定系数和命中率。一个较低的平均绝对误差和较高的决定系数、命中率表明模型预测性能更好。在训练过程中，为了提升模型的泛化能力，所有模型的输入变量都添加了均值为零、方差为训练样本方差0.5%的高斯噪声。

通过对三种候选模型在测试集上表现的全面比较，发现MLP模型在绝大多数目标参数上取得了最低的平均绝对误差，并且在总决定系数上表现最佳。因此，研究者最终选择了多层感知器人工神经网络模型作为本研究的代理模型。测试结果表明，该MLP代理模型对所有十个输出变量的预测都达到了高精度，决定系数均超过0.96，命中率超过97%。

第三步：基于代理模型的多目标优化。 利用已建立的、具有高效预测能力的代理模型，研究者可以快速生成大量数据，分析风浪混合系统在不同环境条件和PTO设置下的运行性能。为了实现波浪能捕获最大化和平台运动最小化这两个相互冲突的目标，本研究采用了第三代非支配排序遗传算法。

多目标优化问题的数学描述是：在决策变量（PTO阻尼设置）的可行域内，同时最大化波浪能转换器阵列的捕获功率，最小化平台的运动响应。优化还设置了一定的约束条件，例如要求混合系统中波浪能转换器的功率不低于其独立运行时的最大功率，并且平台的纵摇运动增幅不超过孤立风力机平台纵摇运动的5%，垂荡运动增幅不超过100%（这些约束因子可根据实际工程需求调整）。

研究者以某候选海域的年平均环境条件为例进行了案例研究。他们将PTO设置（线性阻尼系数，或库仑阻尼力与脱开控制阈值）作为决策变量，将波浪能阵列功率、平台纵荡/垂荡/纵摇的平均振幅、标准差、最大位移等共十个指标作为目标变量，运用NSGA-III算法进行优化求解，得到了最优的Pareto前沿解集。

第四步：结果分析与讨论。 研究首先详细展示了代理模型的预测结果。通过对比预测值与数值模拟“真实值”，证实了模型能够准确捕捉系统性能随PTO参数变化的趋势。例如，在线性PTO阻尼下，波浪能阵列的功率随阻尼系数先增后减，存在最优值；而平台的垂荡运动受阻尼系数影响最为显著。在库仑PTO阻尼下，引入适当的脱开控制阈值可以显著提升能量捕获（最高可达无脱开控制时的2.38倍），并显著降低平台的垂荡运动。

随后，研究者重点分析了多目标优化的结果。优化结果表明，通过调整PTO设置，确实可以实现风浪混合系统的协同增效。在线性PTO阻尼案例中，存在一系列Pareto非支配解，它们能够在增加波浪能发电量的同时，实现比孤立风力机平台更小的垂荡和纵摇运动振幅。特别值得注意的是，对于纵摇运动——这个对风力机运行影响最大的运动模态，即使在其他自由度运动可能略有增加的情况下，优化后的混合系统也能实现其振幅的减小。此外，对比两种PTO策略发现，在当前研究的环境条件下，线性PTO在降低平台总体运动方面优于库仑PTO。

四、 主要研究成果 1. 高精度代理模型的成功构建： 本研究成功开发了一个基于多层感知器人工神经网络的代理模型。该模型能够以极高的精度（所有输出变量的R² > 0.96，命中率 > 97%）同时预测浮动式风浪混合系统的波浪能发电性能和平台动态响应。 2. 计算效率的显著提升： 与传统的耦合数值模拟方法相比，该代理模型将计算成本降低了数个数量级。论文指出，对于库仑PTO案例，训练代理模型约需2小时，而使用训练好的模型预测50种工况仅需几秒钟；若采用传统数值模型进行50次模拟，则需要约50小时的CPU时间。这为快速评估和优化系统性能提供了有力工具。 3. 多目标优化揭示协同潜力： 通过NSGA-III算法对PTO设置进行多目标优化，研究证明将波浪能转换器与浮动式风力机集成具有实现耦合协同效应的可行性。优化后的系统配置可以在特定海况下，在增加波浪能发电量的同时，有效抑制平台的关键运动（特别是纵摇运动）。 4. PTO控制策略的深入洞察： 研究揭示了不同PTO类型对系统性能的影响机制。调整线性PTO阻尼系数对平台的垂荡运动影响最大。对于库仑PTO，引入脱开控制策略是提升能量捕获和减小平台垂荡运动的关键，并且随着库仑阻尼力的增大，脱开控制变得越来越必要。 5. 方法学流程的有效性验证： 整个研究流程——从高保真数值模拟生成数据库，到评估和选择最优机器学习模型构建代理模型，再到利用代理模型结合进化算法进行高效的多目标优化——构成了一个完整且高效的风浪混合系统设计与分析框架，并得到了具体案例的验证。

五、 研究结论与价值 本研究得出以下主要结论：（1）与传统的数值模拟方法相比，使用基于机器学习的代理模型预测风浪混合系统的运行性能，可以大幅降低计算成本，同时保持高预测精度。（2）通过多目标优化结果与孤立系统（孤立风力机、孤立波浪能阵列）的对比，证明了集成波浪能转换器可以在增加波浪能输出的同时，减少浮动平台的纵摇运动，这意味着实现耦合协同效应是可行的。（3）线性PTO阻尼系数的调整对平台垂荡运动的影响比纵荡和纵摇更大。在使用库仑PTO阻尼时，适当的脱开控制阈值可以增强波浪能转换器的能量捕获，并显著降低平台垂荡运动。（4）尽管库仑PTO下的脱开控制可以略微减小纵摇运动，但线性PTO阻尼在降低平台整体运动方面更为有效。

本研究的科学价值在于，它系统地将人工智能代理模型与多目标进化算法相结合，为解决海上可再生能源复合系统的复杂性能预测与优化问题提供了一个创新的、高效的计算框架。其应用价值显著：该框架可以用于快速筛选潜在的混合系统部署场址，评估不同海况下的系统表现；更重要的是，它能够为工程师提供在特定环境条件下最优的PTO控制策略，从而在系统设计初期实现发电性能与结构稳定性的最优平衡，对降低混合系统的平准化度电成本、加速其商业化应用具有积极的推动作用。

六、 研究亮点 1. 方法创新： 本研究首次针对浮动式风浪混合系统，构建了一个结合高保真数值模拟、机器学习代理模型（MLP）和第三代非支配排序遗传算法的综合性能预测与多目标优化框架。该框架为解决此类复杂耦合系统的设计优化难题提供了高效新路径。 2. 模型性能卓越： 所开发的MLP代理模型在预测十个高度非线性的系统输出变量时均表现出色（R² > 0.96），验证了机器学习模型处理此类复杂工程问题的强大能力。 3. 工程指导意义明确： 研究不仅停留在预测层面，更深入开展了多目标优化案例研究，具体量化了通过优化PTO设置所能实现的性能增益，并对比了线性与库仑两种PTO策略的优劣，为工程实践中的控制策略选择提供了直接参考。 4. 流程完整性： 研究从物理模型（数值模拟）到数据生成，再到模型训练、评估、选择，最后到优化应用，形成了一个逻辑严密、步骤完整的闭环研究流程，具有很高的可重复性和可推广性。

七、 其他有价值的发现与展望 研究中也指出了当前工作的局限性，并为未来研究方向提供了思路。例如，当前代理模型完全基于数值模拟数据训练，未来可考虑纳入实验或海上实测数据，以提升模型在极端环境等复杂工况下的泛化能力。此外，当前研究的波浪能转换器配置并未在所有运动自由度上都显著降低平台运动，这表明未来对波浪能转换器系统（如几何形状、布局）本身的优化将是进一步提升浮动式风力机稳定性的重点。研究者展望，该优化框架可以进一步扩展，用于优化波浪能转换器系统的几何参数和更先进的控制策略，以期在提高系统稳定性和发电输出方面取得更大的协同效益。