机器学习助力降低水电启动过程中的疲劳损伤：开启可持续能源新征程

在全球加速向可再生能源转型的背景下，水电系统需适应快速动态变化和非设计工况，由此引发的水轮机疲劳损伤问题凸显。研究人员开展了利用机器学习识别瞬态启动轨迹以最小化疲劳损伤的研究。结果表明，优化后的轨迹可显著降低启动损伤，对水电运营维护意义重大。

　　随着全球对可持续发展的关注度日益提高，向可再生能源转型成为世界各国的重要目标。水电作为可再生能源的重要组成部分，在全球能源生产中占比约 17%，凭借其有功和无功功率调节能力，在维持电力系统稳定方面发挥着关键作用。然而，随着间歇性可再生能源（如风能和太阳能）的广泛应用，对水电辅助服务的需求不断增加，水电系统不得不频繁应对快速动态变化和非设计工况。

在水轮机启动过程中，由于负载波动和机械应力变化，疲劳损伤问题尤为突出。疲劳损伤是指材料在循环或波动应力作用下，因裂纹的萌生和扩展导致结构性能恶化。传统水轮机设计主要针对稳态运行优化，对启动序列引起的疲劳损伤考虑较少。过去，弗朗西斯水轮机每年启动停止循环次数较少，但近年来，受间歇性能源影响，其每年启动次数可达 500 次，疲劳损伤问题愈发严重。此外，传统的疲劳损伤估算方法，如在水电站进行详细实验，不仅繁琐、成本高，还会影响电力生产，难以在已投产的水电站系统开展。因此，寻找一种高效、准确的方法来降低水轮机启动过程中的疲劳损伤迫在眉睫。

瑞士数据科学中心（Swiss Data Science Center）、洛桑联邦理工学院（école Polytechnique Fédérale de Lausanne，EPFL）等机构的研究人员开展了相关研究。他们利用机器学习技术，通过建立输入时间频率深度神经网络（input Time-Frequency deep neural network，iTF-DNN）模型，对水轮机启动过程中的应力数据进行分析，优化启动控制轨迹，以降低疲劳损伤。该研究成果发表在《Nature Communications》上，为水电行业的可持续发展提供了新的思路和方法。

研究人员主要运用了以下关键技术方法：一是基于实验数据训练 iTF-DNN 模型，该模型可将应力时间序列分解为趋势部分和振荡部分分别建模，以准确预测应力；二是采用 Dijkstra 算法进行轨迹优化，将优化问题转化为在加权图中寻找最小成本路径，通过离散化控制参数的相空间构建图结构，以疲劳损伤作为成本函数，搜索最优启动轨迹；三是进行缩比模型实验，在 EPFL 的水力机械平台（EPFL-PTMH）对优化后的轨迹进行实验验证，测量应力并计算疲劳损伤。

研究结果如下：

• 工作流程概述：研究的工作流程主要包括四个步骤。首先，利用第一次实验采集的四种启动轨迹的应力和控制输入数据训练 iTF-DNN 模型；其次，依靠 Dijkstra 算法，根据模型预测应力得出的疲劳损伤估计值，搜索最优启动轨迹；然后，在缩比模型中对优化轨迹进行测试；最后，验证第二次实验获得的应力数据的损伤情况，并与已知轨迹的损伤进行比较12。
• 基于应力模型的损伤预测：研究人员重点对水轮机中可直接测量的应力进行建模。iTF-DNN 应力模型由趋势模型和振荡模型组成，趋势模型基于当前控制参数预测应力趋势，振荡模型在时频域对残余振荡部分进行建模。训练和验证结果显示，该模型在训练集和验证集上的R2均大于 0.97，表明其能准确预测应力，构建可靠的损伤代理，用于后续优化34。
• 基于模型的启动优化：优化启动轨迹的目标是通过调整水轮机转速和导叶开度（Guide Vane Opening，GVO）来最小化损伤。研究人员运用 Dijkstra 算法，在满足边界条件、增量限制和相空间限制等约束条件下，搜索最优控制序列。结果显示，优化后的轨迹预测损伤比传统经典启动轨迹降低了 99% 以上56。
• 缩比模型实验验证：研究人员在 EPFL-PTMH 平台进行缩比模型实验，对优化后的启动轨迹性能进行评估。实验结果表明，与传统使用的轨迹相比，优化后的轨迹平均损伤降低了 99.5% 以上，与之前研究的依赖变速功率转换器的轨迹相比，损伤降低了 70% 以上。定性分析发现，单次经典启动轨迹造成的损伤相当于 111 天，而优化后的启动仅相当于 9.5 小时78。

研究结论与讨论部分指出，该研究提出了一种数据驱动的方法，可有效确定水轮机最有效的启动轨迹，通过 iTF-DNN 模型分析应力数据，并结合路径搜索算法优化启动控制轨迹。优化后的轨迹能显著降低疲劳损伤，且符合全尺寸机器的爬坡率约束，可在实际水电站中应用。虽然在缩比模型实验中，优化轨迹取得了显著效果，但缩比模型无法完全复制水电站的完整水力响应。不过，缩比模型测试获得的转轮叶片应力可较好地转换到全尺寸模型。通过最小化启动过程中的损伤，可延长关键部件的使用寿命，提高水电系统的效率和性能。该研究为基于缩比测量的数据驱动方法优化水轮机运行提供了实践依据，为未来在实际水电站中应用和验证该框架奠定了基础，有望推动水电行业朝着更高效、更可持续的方向发展。