基于条件变分自编码器的多模态图卷积网络用于增强协同意图下的血管轨迹预测

《Engineering》：Multi-modal graph convolutional network for vessel trajectory prediction based on cooperative intention enhance using conditional variational autoencoder

本研究针对波浪能转换器（WEC）振动控制难题，提出基于人工神经网络（ANN）的旋转速度优化控制策略。通过分析Mutriku波浪电站实测数据，建立包含空气室、涡轮机及双馈感应发电机（DFIG）的完整数学模型，利用ANN动态调整发电机转速以避开临界频率，有效降低轴承、共振和失衡引发的振动（降幅达77.53%至36.10%），同时提升发电效率（功率增幅26.85%至65.75%）。该数据驱动方法实现了结构振动主动抑制与能量最大化双重目标，为WEC可靠性优化提供了新思路。

　　波浪能转换器（Wave Energy Converters, WECs）在向可持续能源转型过程中扮演着至关重要的角色。然而，WECs的效率和可靠性往往受到结构稳定性挑战的制约，这些挑战会影响其能量提取性能。虽然已经提出了多种控制策略，但现有的方法通常未能充分解决实时适应性和在波动波况下的鲁棒性问题。此外，几乎没有使用实际测量振动数据进行数据驱动的旋转速度控制或使用PTO的旋转速度作为主动结构控制的策略，特别是在WECs或OWCs（振荡水柱装置）中。优化技术和人工智能可以应用于开发更可靠和可持续的能量生成和存储系统，从而为碳中和目标做出贡献。本文研究了这一领域中的空白，提出了一种基于人工神经网络（ANN）的旋转速度控制方法，专门针对WECs。

在当前研究中，首先介绍了WECs和OWCs在欧洲能源转型中的重要性。欧洲作为推动可再生能源发展的前沿地区，正努力实现其雄心勃勃的气候目标，包括到2050年实现气候中立。随着对风能、太阳能、水能和地热能等可再生能源的重视，WECs成为海洋能源开发的重要组成部分。然而，波浪能行业仍处于早期发展阶段，各国在技术进步上存在显著差异。因此，关于WECs的最佳配置、PTO系统或控制策略尚无共识，尤其是在实施过程中面临的挑战。目前大多数大规模波浪能原型机采用基础控制策略，导致能量提取效率较低。因此，未来的研究应更加关注克服WECs开发的技术挑战，并针对特定市场进行应用优化。

为了提高WECs的操作可靠性，关键方法集中在减轻机械应力因素，如腐蚀、疲劳和振动，这些因素通常会导致PTO系统和涡轮机部件的故障。实施预测性维护策略，如使用传感器进行实时数据收集的条件监测，可以实现早期故障检测和主动维修，防止关键故障的发生。此外，控制策略如自适应控制算法和人工神经网络（ANN）有助于通过调整操作参数来优化旋转机械的性能，避免共振频率并减少组件应力。结合具有耐盐性和抗疲劳性的材料，以及先进的建模方法以实现更坚固的设计，进一步支持了可靠性。这些方法提高了系统可用性，降低了维护成本，并支持了可再生能源的持续发电。

除了预防性维护策略外，研究者还开发了多种振动控制策略。这些控制方法旨在通过减少振动来最大化PTO的能量生成性能。然而，关于WECs的振动控制研究非常有限。一般而言，振动控制可以分为三类：结构控制、阻尼控制和系统控制。结构控制包括被动、主动和半主动控制，被动控制通过耗能或改变动态响应来提高系统稳定性和性能，无需外部电源或主动干预。例如，弹簧、阻尼器、调谐质量阻尼器（TMDs）和基础隔离器等被动设备可以吸收振动并减少结构载荷。主动控制则使用外部能源和实时反馈机制动态调整系统对负载或干扰的响应，例如主动质量阻尼器（AMD）和主动调谐质量阻尼器（ATMD）以及液压执行器。半主动控制结合了被动和主动控制的特征，通过实时调整系统参数使用少量外部能源。例如，磁流变阻尼器（MR阻尼器）、可变刚度系统和半主动调谐质量阻尼器（TMDs）等设备可以适应性地管理结构振动。

在西班牙的WEC项目中，Mutriku波浪能发电站（WPP）自2011年投入运营以来，已成为首个作为技术发明测试平台的OWC设施。另一个值得注意的项目是MARMOK-A-5，这是由Oceantec在毕尔巴鄂开发的首个连接电网的浮动OWC，后来由IDOM获得。WEPC由Wedge Global开发，经过五年在加那利群岛PLOCAN设施的测试。Life Demo Wave项目自2018年起在加利西亚海岸测试了一个25kW的原型机。

OWC是目前最广泛使用的波浪能系统，因此对OWC系统的全面分析，从波浪能捕获到电网集成，对于推动波浪能技术至关重要。波浪到电网（Wave-to-Wire, W2W）模型提供了一个全面的框架，将水动力学、能量转换和电气控制连接起来，确保对整个能量转换链的准确表示。这些模型对于评估OWC基电力植物的效率、可靠性和经济可行性至关重要。OWC建模在本文提出的方法中扮演着基础角色，该方法基于这些设备中使用的涡轮发电机系统的详细分析模型。对波浪能转换器的全面建模，特别是针对特定的实际地点，仍然是该领域研究的核心，因为它直接影响设计的准确性和控制效果。在这一背景下，基于数据驱动的振动缓解使用ANN进行旋转速度控制依赖于OWC系统动力学、振动分析、实时传感器数据和智能控制策略的整合。这种整合框架确保了所提出控制方法的物理相关性、鲁棒性和实际可行性。

许多研究人员提出了不同的OWC系统建模方法。例如，Falc?o和Justino在1999年提出了一种理论模型，用于模拟OWC装置中配备Wells空气涡轮机和空气流量控制阀的波浪到涡轮轴的能量转换。他们发现，密度和压力之间的等熵线性关系可以提供对空气压缩性引起的弹簧效应的良好近似，除了在非常恶劣的海况下可能不适用。Amundarain等人提出了一个超越涡轮轴的数学模型，包括生成的功率，发现简化的数学模型足以用于控制仿真设计。Ciappi等人在地中海中等波浪气候下的小型安装中应用了波浪到电网的分析模型，成功模拟了水动力学、PTO和电气子系统之间的相互作用，提供了系统性能和设计的见解。然而，该模型没有描述OWC生成的功率和输送到电网的功率。M’zoughi等人进一步开发了Amundarain的模型，提供了完整的波浪到电网模型，详细描述了电气功率方面，包括涡轮功率、生成功率、电网功率、转子侧转换器接收的生成功率以及电网侧转换器连接OWC系统到电网。对已开发的OWC建模的更全面回顾可以在Henriques等人（2022年）的研究中找到，其中研究结果是开发一个动态建模框架，用于评估结合波浪、风能和氢气生产的离岸可再生能源系统的技术和经济表现。研究结论强调，系统配置、控制策略和资源互补性对整体效率和成本效益有显著影响，所提出的模型为系统优化和规划提供了有价值的工具。尽管现有的W2W方法研究较多，但仍需要进一步完善在实时适应性、控制优化和电网集成策略方面。本文研究通过开发基于人工神经网络（ANN）的旋转速度控制策略，解决了这些挑战，确保了在W2W框架下的增强能量提取和系统稳定性。

在过去的十年中，研究人员提出了各种控制策略以提高OWCs的性能。一种关键方法是空气流量控制，通过调节涡轮机的空气流量来防止超过阈值导致气动叶片失速并减少产生的功率。可以通过串联的节流阀或并联的旁通阀实现这一控制策略。Falc?o等人发现，密度和压力之间的等熵线性关系可以提供对空气压缩性引起的弹簧效应的良好近似，除了在非常恶劣的海况下可能不适用。许多控制方法已被应用于该策略，如Amundarain等人提出的PID控制，他们发现PID控制能有效调节OWC系统生成的主动功率并输送到电网，每种方法在不同方面表现出优势。数值和实验结果表明，这两种方法可以互补，以增强电网集成性能。Mishra等人提出了一种分数阶比例积分微分（FOPID）控制器，他们发现通过使用基于粒子群优化（PSO）的ITAE最小化方法优化分数参数，FOPID控制器证明是传统PID控制的有力替代方案。M’zoughi等人使用优化算法选择PID参数，发现PID控制器证明是传统PID控制的有力替代方案。另一种广泛使用的OWC控制方法是基于ANN的旋转速度控制，该方法在1994年首次提出，后来由Justino等人在1999年进一步完善，提出了三种策略，并发现允许功率系数在某些平均值附近振荡的策略可以避免定期评估海况，设定控制方程中的数值参数。电扭矩简单地与速度的平方成比例，这一关系源于涡轮机的维度分析。Justino等人后来引入了一种系统，其中电扭矩通过功率调节设备进行调整，而Falc?o等人在后续研究中通过最大化功率输出同时考虑电气效率和功率约束进行了改进。研究发现，OWC植物中最佳PTO性能的关键在于协调选择涡轮机和额定电气设备，控制算法在不同海况下平衡功率最大化和安全限制。尽管仿真结果展示了增强能量输出和管理功率振荡的有效策略，但使用线性波理论和简化的涡轮机模型可能导致结果在高能海况下被解释为定性。

波浪能转换器（WECs）的长期障碍之一是由于轴承、共振和不平衡问题导致的PTO系统效率降低。这些降解问题，如轴承故障、共振和不平衡，通常会导致显著的振动增加，这会负面影响系统性能。轴承故障通常由润滑不足、污染或温度变化引起，导致摩擦引发的过热和组件膨胀，从而产生过度振动。共振发生在系统振荡力与自然频率对齐时，放大振动并可能造成结构损坏。不平衡通常由于腐蚀或材料积累引起的质量分布不均，导致旋转时产生离心力，增加轴承应力并进一步放大振动。如果不加以控制，这些降解问题可能会损害PTO系统的效率和使用寿命。

为了解决PTO系统中的降解问题，如轴承故障、共振和不平衡，需要结合预防措施和先进的监测技术。定期维护，包括适当的润滑和检查，可以防止由摩擦和过热引起的轴承问题。使用高质量的耐高温润滑剂可以缓解极端温度波动的影响。为了对抗共振，可以通过阻尼器或调整系统以避免自然频率，从而最小化过度振动。先进的条件监测系统，配备用于振动、温度和压力的传感器，可以检测早期的磨损或不平衡迹象，从而实现及时干预。此外，使用平衡技术如质量重新分布和抗腐蚀材料可以减少不平衡。实施这些解决方案可以提高PTO系统的可靠性、效率和使用寿命。然而，本文研究的重点是由于轴承、共振和不平衡问题引起的振动，并提出了合适的控制策略来减少这些振动。因此，利用Mutriku WPP的实际实验数据，分析了振动水平与其他变量如旋转速度、压力降、气流速度、功率等的关系，然后基于这些发现创建了一组选定的数据来训练人工神经网络（ANN）模型，用于控制策略。因此，本文提出了一个基于ANN的旋转速度控制策略，用于控制背靠背转换器并协助调整涡轮发电机轴的角速度以减少振动。

本文的其余部分安排如下：在第2节中介绍了OWC系统中的振动问题，并阐述了需要解决这些问题的合理性。第3节简要解释了所有OWC植物模型的子系统，并在数学上详细描述了这些模型。第4节描述了所提出的基于ANN的旋转速度控制方法。第5节展示了测试所提出的基于ANN的旋转速度控制方法的示范案例。最后，第6节以一些解释和结论结束本文。

OWC系统中振动问题的解决可以通过调整涡轮发电机的旋转速度来实现。因此，本文提出的控制方法旨在通过调整旋转速度来避免其达到临界值。旋转速度控制通过控制连接DFIG转子与电网的AC-DC-AC转换器实现。图10展示了所提出的控制策略的图示。通过使用VOC（电压导向控制），可以实现d轴与电网电压矢量对齐，从而得到v_dg = v_g和v_qg = 0，这导致电网的有功功率和无功功率表达式。此外，为了快速响应强烈的振动并调整旋转速度，研究开发了一种基于收集的振动数据生成最佳旋转速度参考的ANN模型。图12展示了所提出的RSC控制策略，其中包括ANN参考发电机。通过在RSC方案中应用定子磁通导向（SFO）矢量控制，d轴与定子磁通矢量对齐。假设磁通是稳定且恒定的，可以确定φ_ds = φ_s和φ_qs = 0。此外，如果考虑定子电阻可以忽略不计，定子电压可以表示为v_ds = 0和v_qs = v_s = ω_s φ_ds。通过将方程（14）和（15）代入（13），可以将转子电压表示为v_dr = R_r i_dr + σ L_r (di_dr/dt) - ω_r ψ_qr和v_qr = R_r i_qr + σ L_r (di_qr/dt) + ω_r ψ_dr。电磁扭矩的表达式（16）和无功功率的表达式（19）变为T_e = -3/2 p (L_m / L_s) ψ_s i_qr和Q_s = -3/2 v_s (ψ_s / L_s - L_m / L_s i_dr)。当将方程（33）代入方程（20）时，可以得到dω_r/dt = -p/J (3/2 p (L_m / L_s) ψ_s i_qr + T_t + f ω_r)。通过代入方程（31）和（32），可以使用i_dr和i_qr来控制旋转速度和无功功率。

在本研究中，选择了一种多层感知机（MLP）前馈网络，这是一种常用于模式识别和分类任务的结构。开发的MLP包括多个输入层神经元，表示旋转速度和压力降dp。输出包括最佳参考旋转速度ω_r*、最佳功率P_opt和最佳振动速度x_dot，以及多个隐藏层，如图13所示。输出层的神经元使用线性激活函数，而隐藏层的神经元使用双曲正切激活函数。为了训练开发的ANN，采用了Levenberg-Marquardt算法（LMA），该算法结合了梯度下降和高斯-牛顿技术。通过调整神经元之间的权重，可以提高结果。这可以通过以下更新表达式实现：w_ji(p+1) = w_ji(p) + Δw_ji(p)，其中w_ji(p+1)表示更新的权重，w_ji(p)表示当前权重，Δw_ji(p)表示从选定训练算法获得的权重调整。

LMA被用作训练网络的学习方法。该算法旨在通过更新ANN的权重来最小化函数，这些函数是多个非线性函数的平方和。LMA采用牛顿法，其目标是通过以下方法更新权重：ΔW = [?2F(W) + μI]?1 ?F(W)，其中W表示权重向量，F(.)、?F(.)和?2F(.)分别表示性能指标、梯度和Hessian矩阵。此外，μ表示学习率，I表示单位矩阵。性能指标的表达式为F(W) = ∑(E_i(W))2，其中E_i(W)表示网络输出与期望输出之间的误差。梯度可以通过以下方程计算：?F(W) = 2J(W)T(E(W))，其中J(W)表示雅可比矩阵。

在本研究中，选择了Mean Squared Error（MSE）作为性能指标。MSE是预测应用中常用的一种指标，并且在预测性维护中得到了广泛应用。MSE定义为MSE = (1/n) ∑(Y_i - Y_i^2)，其中Y_i表示目标输出，Y_i^2表示ANN预测的输出。通过使用真实实验数据，本文开发了一种基于ANN的旋转速度控制策略，用于减少OWC系统中的振动。在Mutriku波浪能发电站中收集的振动数据、压力降和功率数据用于训练ANN模型。通过分析这些数据，选择具有最低振动和最高功率的样本作为最佳操作数据，用于训练ANN参考发电机模型。该模型能够提供最佳的参考旋转速度，用于电网侧转换器和转子侧转换器的控制。

为了评估所提出的基于ANN的旋转速度控制策略，将训练好的ANN旋转速度参考生成器连接到设计的OWC模型，并使用具有10秒波周期和1米波幅的规则波输入进行测试，如图23所示。获得的旋转速度如图24所示，其中在控制情况下，旋转速度略有增加，与未控制情况相比。获得的压力降如图25所示，其中在控制情况下，压力降略有增加。由于获得的旋转速度和压力降，获得的OWC振动速度和生成功率如图26和图27所示。图26中，轴承问题的涡轮机振动从17.58 mm/s减少到3.95 mm/s，这得益于设计的基于旋转速度的ANN控制策略。生成的功率在控制情况下接近未控制情况，但在峰值处有更高的瞬时功率，使得平均功率从-4.03 kW增加到-6.68 kW。同样，共振问题的涡轮机振动从11.85 mm/s减少到5.58 mm/s，这得益于设计的基于旋转速度的ANN控制策略。生成的功率在控制情况下接近未控制情况，但在峰值处有更高的瞬时功率，使得平均功率从-4.11 kW增加到-6.64 kW。最后，不平衡问题的涡轮机振动从7.34 mm/s减少到4.69 mm/s，这得益于设计的基于旋转速度的ANN控制策略。生成的功率在控制情况下接近未控制情况，但在峰值处有更高的瞬时功率，使得平均功率从-3.91 kW增加到-4.96 kW。

为了评估系统的长期性能，可以扩展模型以估计年能量产量（AEP），通过结合全年的真实或合成波浪数据。这种方法可以捕捉季节性变化的影响，如冬季波浪能量增加和夏季活动减少，以及由潮汐周期和本地天气条件驱动的日变化。在性能分析中包括这些时间波动对于全面了解系统随时间的效率至关重要，并有助于进行更准确的技术经济评估，包括每兆瓦时的平准化能源成本（LCoE）。然而，本文的工作主要集中在振动缓解及其对瞬时功率生成的影响上。未来的大规模研究将收集和分析年度数据，以评估日变化和季节性波动如何影响AEP。

所提出的控制策略展示了其在再现性和泛化性方面的强大潜力，因为它使用了一种数据驱动的框架，依赖于植物的测量数据、基本系统动力学和普遍适用的控制原理。其模块化设计使其能够适应各种OWC配置和波浪条件，因此适用于不同的安装地点和操作场景。此外，该方法可以在其他类似的波浪能转换器研究中进行再现，只要等效的系统参数和训练数据可用，以确保不同波浪能转换器平台的一致性和可扩展性。