【科研新动态】数据驱动方法实现波浪能转换器功率与疲劳载荷联合高效预测

2026年2月科研新动态|任超副教授在《Energy》发文,15次海况模拟即可预测WEC功率与疲劳载荷,计算效率提升20倍以上


导语:波浪能转换器(wave energy converter,WEC)的功率性能与疲劳载荷评估是设计流程中的两项核心指标,但海洋环境的强变异性使可靠评估通常需要数百至数千次时域数值模拟,计算成本极高。近日,海洋与工程学院任超副教授以唯一通讯作者身份在能源领域权威期刊《Energy》(IF=10.1,JCR一区、中科院一区Top)发表研究,提出一种基于主动学习的数据驱动方法,仅需15次海况模拟即可同时预测WEC的年平均吸收功率与等效疲劳载荷,计算效率提升20倍以上,最大预测误差小于2%。


01 论文简介

本研究在波浪能转换器数据驱动评估方法方面取得新进展,相关成果以《Collective prediction of power performance and fatigue loads in wave energy converters using a data-driven approach》为题,发表于《Energy》(2026, 348: 140586)。任超副教授(华南理工大学)为唯一通讯作者,第一作者为Jian Tan(代尔夫特理工大学),其他作者为George Lavidas(代尔夫特理工大学)与Yihan Xing(斯塔万格大学)。

核心贡献:将主动学习克里金方法用于WEC的功率与载荷联合评估,并定义新的多输出学习函数,实现吸收功率与等效疲劳载荷的同步高效预测。该方法以高保真物理模型生成基准数据,以机器学习构建海况参数与物理响应之间的映射,并以海况信息引导的采样策略选择仿真工况,使WEC功率与疲劳载荷评估的计算效率提升20倍以上,预测误差小于2%,为海洋可再生能源结构的可靠性与经济性设计提供了高效工具。


02 研究背景

波浪能是开发潜力巨大的海洋可再生能源,但WEC的商业化进程明显落后于海上风电等其他可再生能源技术,其核心瓶颈在于平准化度电成本(levelized cost of energy,LCOE)过高。降低LCOE的关键在于优化设计过程,而功率性能与疲劳载荷正是WEC设计中的两项核心指标:

  • 功率性能:决定WEC的发电能力;

  • 疲劳载荷:决定WEC的可靠性与耐久性。

然而,WEC的评估面临两大物理挑战:

挑战一:长期变异性。海况的统计特征并非恒定,需基于长期后报数据构建波高-周期联合概率分布,覆盖所有可能出现的海况。

挑战二:短期变异性。每种海况均需以不规则波表示,模拟时长一般不宜少于峰值周期的100倍。

上述两方面因素使WEC的功率与载荷评估通常需要数百至数千次时域数值模拟,计算成本极高;而WEC优化设计又需兼顾功率性能与疲劳载荷,现有数据驱动方法大多只关注单一指标,难以支撑多目标优化。对工程应用而言,上述约束又彼此关联,只有把仿真次数压缩一个数量级以上,多目标优化才具备可操作性,这便构成了本研究的出发点。


03 研究方法

本研究采用主动学习克里金方法。该方法原用于海上风电机组疲劳评估,本研究针对功率与载荷的双输出需求重新定义了学习函数。其核心思路是:以少量高保真数值模拟作为训练样本,由学习函数挑选最有价值的海况逐轮富集,更新克里金(Kriging)代理模型,实现年平均吸收功率与等效疲劳载荷的联合快速预测。

在高保真物理模型方面,基于开源软件WEC-Sim建立非线性时域模型,采用Cummins方程描述浮体运动;水动力系数由边界元求解器Nemoh计算,不规则波以JONSWAP谱生成。模型计入非线性Froude-Krylov力与非线性恢复力(基于瞬时湿表面重网格计算)、粘性阻尼(二次阻尼项)、端部止动弹簧(刚度200 kN/m,行程限值1.25 m)以及线性、液压两类动力输出系统(PTO)。模型输出功率与PTO力时程,再经雨流计数与Palmgren-Miner线性累积损伤准则(S-N曲线斜率取6)换算为等效疲劳载荷。

在主动学习方面,初始按Hs、Tp网格选取12个海况训练克里金模型。学习函数取克里金预测误差(标准差)与海况发生概率之积,用以衡量该海况对年平均值预测误差的贡献;同时考虑功率与载荷时,将两个输出各自归一化的学习函数相加,据其最大值选取下一轮仿真海况。当各输出的相对误差比满足max(δk) ≤ 0.1时停止富集。由此,物理仿真只提供少量标签样本,海况概率(物理环境)与预测不确定性(数据可靠度)共同决定采样位置。


04 结果讨论

算例采用北海某海上场址的30年后报波候资料,对象为底部固定式PTO支撑的球形垂荡点吸收式WEC。设计域内Hs为0.262~4.061 m(间隔0.253 m,16个取值),Tp为2.421~24.409 s(间隔1.157 s,20个取值),组合得到320个海况;每个海况开展1 h非线性时域仿真,据此计算年平均吸收功率与等效疲劳载荷,作为预测基准。

线性PTO算例中,仅凭12个初始样本建立的克里金模型对年平均值的预测明显偏离仿真结果,max()未达到0.1的阈值;补充第1个富集海况后,预测的分布形态与量级即向仿真值靠拢;累计富集3个海况、总仿真次数为15次时,max() < 0.1,预测与仿真的分布和幅值基本一致。年平均吸收功率由仿真值9266.65 W预测为9305.77 W,误差0.42%;等效疲劳载荷由103849.47 N预测为101824.09 N,误差1.95%。相对320次纯数值模拟,仿真次数降至15次,计算效率提升约21倍,结果汇总于表2。

液压PTO算例的规律与之相同。该PTO按库仑阻尼建模,PTO力时程形态与线性阻尼明显不同,但方法仍只用15次仿真即收敛:吸收功率由9169.43 W预测为9133.51 W,误差0.39%;等效疲劳载荷由29369.38 N预测为29293.86 N,误差0.26%,最大误差小于1%。吸收功率预测的分布演化见图14,年平均值的收敛过程见图16,结果汇总于表3。

两个算例最终富集的海况完全相同。学习函数以预测误差与海况发生概率之积定义,两例又共用同一场址的波候统计,而年平均功率与疲劳载荷主要由高概率海况决定,因此被优先富集的是对年发电量与疲劳损伤贡献最大的区域。这一点也说明,多输出学习函数能在功率与载荷之间自动平衡,无需为两个指标分别设计采样过程。

本研究的评估流程完全建立在数值模拟之上,未引入试验验证;主动学习过程对初始训练样本的敏感性也未作考察。后续工作将把波浪池试验数据纳入框架,以其校验WEC-Sim的结果,重点关注非线性水动力显著增强的高海况,因为该工况下动力学与PTO载荷的预测更易受模型偏差影响;同时优化初始样本设计以进一步压缩仿真次数,并将方法推广至其他WEC型式、更多场址与更多构件的疲劳评估,最终形成集成功率与载荷预测的WEC优化框架。





05 主要结论

第一,方法有效。以12个初始海况为起点、累计15次时域仿真,即可同时预测年平均吸收功率与等效疲劳载荷;线性与液压PTO系统下的最大误差分别为1.95%与0.39%,均小于2%。

第二,效率显著提升。以320次纯数值模拟为参照,计算效率提升20倍以上,且未以牺牲精度为代价。

第三,富集海况由波候概率主导。两套PTO系统最终富集的3个海况完全相同,说明学习函数优先选择发生概率高、对年平均功率与疲劳载荷贡献最大的海况,结果对PTO类型不敏感。

第四,具备多输出联合预测能力。方法一次给出功率与载荷两个输出的预测,可作为兼顾发电性能与结构疲劳的WEC优化工具。


06 引用信息

Tan J, Ren C*, Lavidas G, Xing Y. Collective prediction of power performance and fatigue loads in wave energy converters using a data-driven approach. Energy, 2026, 348: 140586.

DOI: https://doi.org/10.1016/j.energy.2026.140586



2022 © 华南理工大学海洋科学与工程学院版权所有 粤ICP备05084312号 School of Marine Science and Engineering, Guangzhou International Campus, SCUT. ALL Rights Reserved