波浪能转换器的运行可靠性提升：基于人工智能的旋转速度控制技术，用于减轻振荡水柱中的振动问题

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Operational Reliability Enhancement in Wave Energy Converters: Artificial Intelligence-based Rotational Speed Control for Vibration Mitigation in Oscillating Water Columns

本研究提出了一种基于人工神经网络（ANN）的变转速控制策略，用于减少波浪能量转换器（WEC）的振动并提高发电效率。通过分析Mutriku波浪电厂的实际运行数据，训练ANN模型以优化涡轮转速，避免临界速度，从而降低轴承、共振和失衡问题引起的振动。实验表明，该方法在轴承、共振和失衡问题中分别降低了77.53%、52.91%和36.10%的振动，同时提高了65.75%、61.55%和26.85%的发电效率。研究为WEC的可靠性和经济性提升提供了新方法。

　　波浪能转换器（Wave Energy Converters, WECs）在向可持续能源转型的过程中扮演着至关重要的角色。然而，它们的效率和可靠性常常受到结构稳定性挑战的制约，这直接影响了能量提取的性能。尽管已有多种控制策略被提出用于WEC系统，但现有的方法往往无法充分解决实时适应性和在波动波况下的鲁棒性问题。此外，目前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，或者使用PTO（功率获取系统）的旋转速度作为主动结构控制的策略，这在WEC系统或振荡水柱（OWC）系统中尤为少见。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源生成和存储系统，为碳中和目标做出贡献。本文提出了一种基于人工神经网络（ANN）的旋转速度控制方法，以应对这些挑战。通过广泛模拟和验证，本文对控制和未控制的OWC进行了比较研究，结果表明，建议的基于ANN的旋转速度控制策略在减少结构振动和最大化能量生成方面表现出色。

在欧洲，波浪能技术的开发正处于一个关键阶段，受到其雄心勃勃的气候目标和可持续发展承诺的推动。欧洲联盟（EU）设定了显著减少温室气体（GHG）排放的目标，旨在实现2050年的气候中性，这需要向可再生能源的重大转变。关键的可再生能源来源包括风能、太阳能、水能和地热能。这些能源的利用对于减少对化石燃料的依赖、确保长期能源安全和应对气候变化至关重要。同时，这些技术也促进了能源领域的创新和绿色增长。波浪能作为一种潜在的能源来源，其全球潜力是潮汐能的30倍，因此在欧洲的海洋能源开发中具有巨大的应用前景。

在欧洲，多个国家正在积极推进波浪能技术的发展，包括英国、挪威、丹麦、西班牙、爱尔兰、瑞典、法国和芬兰等。这些国家在波浪能领域投入了大量资源，推动了相关技术的创新和实际应用。然而，波浪能技术仍处于早期发展阶段，不同国家之间的技术进展存在显著差异，尚未形成关于最佳配置、功率获取系统（PTO）或控制策略的共识。大多数目前部署在海上的大型波浪能原型系统采用的是基础的控制策略，导致能量提取效率较低。因此，未来的研究应更加关注于克服波浪能转换器（WEC）的技术挑战，并针对特定市场进行定制化应用。

提高波浪能转换器（WEC）的运行可靠性对于提升其效率、使用寿命和经济可行性至关重要。关键方法包括缓解机械应力，如腐蚀、疲劳和振动，这些因素通常会导致功率获取系统（PTO）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采集的状况监测，可以提前发现故障并进行主动维修，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）可以帮助优化旋转机械的性能，通过调整操作参数来避免共振频率并减少部件应力。结合抗盐暴露和抗疲劳的高性能材料，以及更先进的建模技术，进一步支持了可靠性。这些方法共同提高了设备的运行时间，降低了维护成本，并支持了可再生能源连续发电的必要性。

研究人员已经实施了多种技术来应对这些方面。例如，一些研究人员提出了基于系统可靠性模型和可靠性评估算法的方法，如M.J. Zuo等人在文献中提出的三种系统可靠性模型和相应的评估算法，利用了k-out-of-n:F、consecutive-k-out-of-n:F和Linear Connected-(r; s)-out-of-(m; n):F等系统结构。其他研究人员则寻求最优的维护策略，以最大化多组件系统的净收益，考虑了预测数据。例如，Rui He等人提出了基于条件的维护优化方法，考虑了预测信息和降效工作状态。这种方法克服了传统条件性维护（CBM）方法的局限性，这些方法通常假设所有组件都具有预测数据，并未能考虑系统降级对维护效益的经济影响。一些研究人员提出了数据驱动模型，但仅基于物理测量或数据的识别、估计和预测存在精度低和鲁棒性差的问题。因此，一些研究人员选择了更具创新性的解决方案，如Y. Ji等人提出的一种结合物理信息和数据驱动的负载识别策略，该策略整合了扩展卡尔曼滤波器（EKF）与数据驱动的校正模型，以缓解参数扰动的影响并提高识别精度。在可再生能源系统的预测与健康管理中，人工智能、机器学习和深度学习模型被广泛使用。

除了上述预防性维护策略外，研究人员还开发了多种振动控制策略。这些控制方法的目标是通过减少振动来最大化PTO的能量生成性能。文献中关于WEC振动控制策略的研究非常有限，但一般情况下，振动控制可以分为以下几类，如图1所示。第一类是结构控制，包括被动、主动和半主动控制。被动结构控制通过耗散能量或改变动态响应来增强系统的稳定性和性能，而无需外部电源或主动干预。被动控制的例子包括弹簧、阻尼器、调谐质量阻尼器（TMD）和基础隔离器，这些设备被动地吸收振动并减少结构负载。主动结构控制利用外部能量和实时反馈机制动态调整系统对负载或扰动的响应。例如，主动质量阻尼器（AMD）、主动调谐质量阻尼器（ATMD）和液压执行器等。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量。例如，磁流变阻尼器（MR）、可变刚度系统和半主动调谐质量阻尼器（TMD）等。

在西班牙的波浪能转换器（WEC）项目中，Mutriku的NEREIDA波浪发电厂（WPP）尤为突出，它是第一个用于技术发明者测试的振荡水柱（OWC）设施。该设施由巴斯克能源局（EVE）于2011年正式启用，是欧洲绿色转型的一部分。另一个值得注意的项目是MARMOK-A-5，这是第一个连接到电网的浮动OWC，由Oceantec在毕尔巴鄂（Bilbao）开发，并于2016年被IDOM获得。此外，WEPC由Wedge Global开发，经过五年在加那利群岛的PLOCAN设施进行测试。Life Demo Wave项目自2018年以来一直在加利西亚海岸测试一个25kW的原型系统。

振荡水柱（OWC）是最广泛使用的波浪能系统之一。因此，对OWC系统从波浪能捕获到电网接入的全面分析对于推进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、功率转换和电气控制连接起来，确保了整个能量转换链的准确表示。这些模型对于评估基于OWC的发电厂的效率、可靠性和经济可行性至关重要。OWC建模在本文提出的策略中起着关键作用，该策略基于这些设备中使用的涡轮发电机系统的详细分析模型。全面建模波浪能转换器，特别是针对特定的实际地点，仍然是该领域研究的中心，因为它直接影响设计的准确性与控制的有效性。在这一背景下，基于ANN的数据驱动振动缓解依赖于OWC系统的动力学、振动分析、实时传感器数据和智能控制策略的集成。这种集成框架确保了所提出的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在文献中提出了一个理论模型，用于模拟一个配备Wells空气涡轮机和空气流控制阀的OWC发电厂的能量转换过程。他们发现，等熵线性关系在模拟空气压缩性引起的弹簧效应时提供了满意的近似，但可能在非常恶劣的海况下存在例外。Amundarain等人在文献中提出了一个超越涡轮机轴的数学模型，包括生成的功率，发现简化的数学模型对于控制仿真设计来说足够准确。此外，Ciappi等人在文献中应用了OWC设备的分析波浪到电网模型，用于在地中海中等波浪气候下的小型安装的初步优化。他们的方法成功模拟了水动力学、功率获取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。已经发现，集成的波浪到电网建模是一个有价值的工具，用于分析离岸混合能源平台的性能，使系统层面的洞察更加深入。然而，该模型没有描述OWC发电到电网的功率。M’zoughi等人在文献中进一步开发了Amundarain的模型，提出了一个完整的波浪到电网模型，详细描述了电气功率方面，包括涡轮机功率、生成的功率、电网功率、转子侧转换器接收生成的功率以及电网侧转换器将OWC系统连接到电网。对开发的OWC建模的更全面回顾在文献中由Henriques等人详细描述，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经性能。研究结论强调，系统配置、控制策略和资源互补性显著影响整体效率和成本效益，提出的模型为系统优化和规划提供了有价值的工具。尽管已有关于W2W方法的研究，但仍需要进一步的改进，以实现实时适应性、控制优化和电网接入策略。

在过去十年中，研究人员提出了各种控制策略以增强OWC的性能。其中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空气动力学叶片失速，从而减少产生的功率。这可以通过串联的节流阀或并联的旁通阀来实现，如Falc?o等人在文献中提出的。他们发现，等熵线性关系在模拟空气压缩性引起的弹簧效应时提供了满意的近似，但可能在非常恶劣的海况下存在例外。多种控制方法被应用于这种策略，例如Amundarain等人提出的PID控制器，发现PID控制有效地调节了OWC系统生成的主动功率并馈送到电网，每种方法在不同的功率管理方面表现出优势。数值和实验结果表明，这两种方法可以相互补充，以增强电网接入性能。此外，Mishra等人提出的分数阶比例积分微分（FOPID）控制器，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，证明了FOPID控制器作为传统PID控制的有前途的替代方案。最近的发展包括使用ANN进行旋转速度控制以实现功率最大化，如Amundarain等人在文献中提出的。所提出的基于ANN的OWC-Wells涡轮机-DFIG模块的控制策略成功地调整了发电机滑差，以防止涡轮机失速并最大化功率输出，通过将旋转速度与波浪能条件对齐。数值模拟和实验测试确认了控制系统的显著优势，与未控制的系统相比，平均功率输送到电网的提高。

对于OWC系统中的降级问题，如轴承故障、共振和不平衡，解决方案涉及预防措施和先进的监测技术的结合。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。为了应对共振，系统可以设计为带有阻尼器或调整以避免自然频率，从而最小化过度振动。先进的状况监测系统，配备用于振动、温度和压力的传感器，可以检测早期磨损或不平衡的迹象，从而允许及时干预。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，本文研究了由轴承、共振和不平衡问题引起的振动，并提出了合适的控制策略以减少振动。因此，使用来自Mutriku WPP的实际实验数据，振动水平与旋转速度、压力降、空气流速、功率等其他变量进行了分析。然后，基于这些发现，创建了一组选定的数据用于训练人工神经网络（ANN）模型，以用于控制策略。因此，设计了一种新的基于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。因此，本文的研究工作提出了多个目标；（1）振动数据作为控制输入用于所提出的基于数据驱动的振动缓解控制策略，（2）使用PTO自身的旋转速度控制作为主动结构控制。

文章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，并阐明了需要解决这个问题的正当性。在第3节中，简要解释了所有OWC植物模型的子系统，并在数学上进行了详细说明。第4节描述了所提出的基于ANN的旋转速度控制策略。第5节呈现了一个示范性研究案例，以测试基于ANN的旋转速度控制策略的有效性。最后，第6节以一些解释和结论性陈述结束了文章。

在OWC系统中，振动是由于轴承、共振和不平衡等降级问题引起的。这些降级问题会导致显著的振动增加，从而对系统性能产生负面影响。轴承故障通常由润滑不足、污染或温度变化引起，导致摩擦引起的过热和组件膨胀，产生过量的振动。共振发生在系统振荡力与自然频率对齐时，放大振动并可能导致结构损坏。不平衡通常由腐蚀或材料堆积引起的质量分布不均造成，在旋转过程中产生离心力，增加轴承压力并进一步放大振动。如果这些降级问题得不到控制，可能会损害PTO系统的效率和寿命。

为了解决PTO系统中的降级问题，如轴承故障、共振和不平衡，涉及预防措施和先进监测技术的结合。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。为了应对共振，系统可以设计为带有阻尼器或调整以避免自然频率，从而最小化过度振动。先进的状况监测系统，配备用于振动、温度和压力的传感器，可以检测早期磨损或不平衡的迹象，从而允许及时干预。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，本文研究了由轴承、共振和不平衡问题引起的振动，并提出了合适的控制策略以减少振动。因此，使用来自Mutriku WPP的实际实验数据，振动水平与旋转速度、压力降、空气流速、功率等其他变量进行了分析。然后，基于这些发现，创建了一组选定的数据用于训练人工神经网络（ANN）模型，以用于控制策略。因此，设计了一种新的基于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。

为了评估所提出的控制策略的有效性，对未控制的OWC系统和使用基于ANN的旋转速度控制的系统进行了比较分析。结果表明，所提出的策略成功地通过动态调整轴的角速度来减少振动，使OWC系统能够更接近其最佳功率输出。具体来说，对于受轴承故障影响的涡轮机，振动减少了77.53%，功率增加了65.75%。对于受共振问题影响的涡轮机，振动减少了52.91%，功率增加了61.55%。在不平衡问题的情况下，系统实现了36.10%的振动减少，对应于26.85%的功率提高。这些发现突显了控制器在各种故障条件下的适应性和对性能的积极影响。

未来的工作将包括更多的仿真在环（SIL）测试，使用dSpace和MATLAB编程或cRIO和LabVIEW编程的处理器在环（PIL）测试，以及使用5米波浪水槽和OWC模拟台的硬件在环（HIL）测试。这些测试将有助于验证所提出的控制策略在实际环境中的性能，并进一步优化其参数以提高系统的整体效率和稳定性。