基于长短期记忆网络的大型漂浮式风力发电机平台运动极短期预报方法

doi:10.16183/j.cnki.jsjtu.2023.S1.27

基于长短期记忆网络的大型漂浮式风力发电机平台运动极短期预报方法

卫慧¹, 陈鹏²^,³, 张芮菡², 程正顺^,²^,³

1.上海勘测设计研究院有限公司,上海 200335

2.上海交通大学海洋工程国家重点实验室, 上海 200240

3.上海交通大学三亚崖州湾深海科技研究院,海南三亚 570025

Ultra-Short-Term Platform Motion Prediction Method of Large Floating Wind Turbines Based on LSTM Network

WEI Hui¹, CHEN Peng²^,³, ZHANG Ruihan², CHENG Zhengshun^,²^,³

1. Shanghai Investigation, Design and Research Institute Co., Ltd., Shanghai 200335, China

2. State Key Laboratory of Ocean Engineering, Shanghai Jiao Tong University, Shanghai 200240, China

3. Sanya Yazhou Bay Institute of Deepsea Science and Technology, Shanghai Jiao Tong University, Sanya 570025, Hainan, China

通讯作者: 程正顺,副教授,博士生导师;E-mail:zhengshun.cheng@sjtu.edu.cn.

收稿日期: 2023-07-2 修回日期: 2023-07-23 接受日期: 2023-08-21

基金资助:

国家自然科学基金(42176210)
国家自然科学基金(52201330)

Received: 2023-07-2 Revised: 2023-07-23 Accepted: 2023-08-21

作者简介 About authors

卫慧,高级工程师,从事海上风电数字化研究.

摘要

大型漂浮式风力发电机平台运动响应的超前预报是实现主动调载系统控制和智慧运维监测的关键技术.然而,漂浮式风力发电机复杂的工作环境使得仅依靠物理模型和数值仿真方法的极短期预报具有非常大的挑战.因此,提出一种创新的基于长短期记忆神经网络的漂浮式风力发电机平台运动极短期预报方法,并利用实测数据开展了浮式平台纵荡运动的验证与不确定性分析.结果表明,该极短期预报方法可以获得较好的精度,超前60 s预报工作状态下纵荡运动的均方误差最大仅约为1%.该大型漂浮式风力发电机极短期运动响应预报能够为未来漂浮式风电场的智慧运维提供扎实的技术支撑.

关键词： 大型漂浮式风力发电机; 极短期预报; 长短期记忆网络; 不确定性

Abstract

The motion prediction of large floating wind turbine platforms is the key technology to realize the control of active ballast systems and intelligent operation and maintenance monitoring. However, the complex environment of floating wind turbines makes ultra-short-term predictions that only rely on physical models and numerical simulation methods very challenging. Therefore, this paper proposes an innovative ultra-short-term prediction method for floating wind turbine platform motion based on the long-short-term memory (LSTM) neural network. Measured data have been used to verify the feasibility and uncertainty of this method in terms of surge motion. The results show that the ultra-short-term prediction method proposed in this paper can obtain a better accuracy. For example, the maximum mean square error of surge motion prediction in the 60 s under working condition is only about 1%. The ultra-short-term motion prediction of large floating wind turbines proposed in this paper provides solid technical support for future intelligent operation and maintenance of floating wind farms.

Keywords： large floating wind turbines; ultra-short-term prediction; long-short-term memory (LSTM) network; uncertainty

PDF (3464KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

卫慧, 陈鹏, 张芮菡, 程正顺. 基于长短期记忆网络的大型漂浮式风力发电机平台运动极短期预报方法[J]. 上海交通大学学报, 2023, 57(S1): 37-45 doi:10.16183/j.cnki.jsjtu.2023.S1.27

WEI Hui, CHEN Peng, ZHANG Ruihan, CHENG Zhengshun. Ultra-Short-Term Platform Motion Prediction Method of Large Floating Wind Turbines Based on LSTM Network[J]. Journal of Shanghai Jiaotong University, 2023, 57(S1): 37-45 doi:10.16183/j.cnki.jsjtu.2023.S1.27

海上大型漂浮式风力发电机平台的极短期运动响应预报对其设计研发、运行维护等环节都具有重要意义.在漂浮式风力发电机运维监测阶段,浮式基础平台运动信号是其重要的监测指标,例如伺服和压载调载控制决策等都与平台运动规律息息相关^[1].虽然传统基于漂浮式风力发电机动力学机理的一体化建模^[2-3]或计算流体力学^[4-5]原理可以获得可解释的动力学响应预报结果,但是漂浮式风力发电机是一个强非线性刚柔耦合多体系统,由于受到风载荷作用明显,其承载形式与一般漂浮式海洋结构物不相同^[6].在缺少准确环境参数预测结果的情况下,仅通过动力学模型对漂浮式风力发电机的平台运动开展超前预报具有较大的困难和挑战.

随着人工智能技术的快速发展,通过机器学习算法建立代理模型^[7]具备强大的非线性拟合能力和泛化能力,非常适合用于模拟复杂物理系统^[8].海工结构物响应预报属于时间序列数据预测问题,响应前后之间存在紧密联系,循环神经网络(Recurrent Neural Network, RNN)非常适用于这一类问题.例如,郝立柱等^[9]利用RNN网络预报船舶回转和Z形操纵运动;Zeng等^[10]应用Elman神经网络对浮式结构物垂荡响应进行超前预测.然而,传统的RNN模型存在梯度爆炸或梯度消失问题,因而难以对长序列中距离较远的信息建立联系.研究者在基本RNN模型的基础上进行改进,提出了更加强大的长短期记忆(Long Short-Term Memory, LSTM)网络结构^[11-12].例如,刘飞飞^[13]利用LSTM、卷积神经网络等网络结构以波面升高和运动信号为输入预测船舶纵荡、纵摇、升沉运动响应;Qiao等^[14]利用LSTM以六自由度运动信号为输入预测浮式生产储油船(FPSO)系泊系统响应,在多工况下训练和测试中证明了LSTM具备一定的泛化能力;Gao等^[15]利用LSTM以速度、航向角、坐标序列为输入预测船舶短期轨迹,并通过与支持向量回归、卡尔曼滤波等方法的对比展示出LSTM方法的强大能力.Shi等^[16] 针对5 MW无支撑平台在不同环境条件下的漂浮式风力发电机进行数值模拟,选取平台运动响应、波浪高程、系泊力数据作为输入变量.然后对数据进行后处理后建立训练组和测试组,并建立单输入LSTM(SI-LSTM)模型和多输入LSTM(MI-LSTM)模型来学习输入数据.比较结果的整体精度后发现,附加系泊力和波浪高程对平台响应预测结果有积极影响.

因此,以漂浮式风力发电机为研究对象,基于LSTM神经网络模型实现对其平台运动响应的超前智能预报.首先,设计基于LSTM网络模型的风力发电机运动响应预报方法,对预报方法中面临的网络结构设计、数据归一化方法、网络训练方法、网络超参数调整、预报结果评价指标等问题进行研究和讨论,确定了预报方法的总体流程.其次,利用漂浮式风力发电机的实测数据对平台纵荡(Surge)运动开展验证工作.最后,针对网络结构、输入信号特征、信号时间长度等因素开展敏感性分析.主要创新点在于,首次采用了LSTM网络结构对漂浮式风力发电机实测运动响应数据进行超前预报,并量化了该方法的不确定影响.

1 基于LSTM编解码器的极短期预报方法

1.1 LSTM网络模型

LSTM网络是由Hochreiter等^[11]于1997年首次提出并由Gers等^[17]于2000年改进的一种基于门控的RNN.通过门控机制的引入,LSTM有效缓解了长程依赖问题,使得RNN真正发挥出学习序列信息的能力.LSTM网络的循环单元结构如图1所示.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 LSTM网络循环单元结构

Fig.1 Recurrent unit structure of LSTM network

LSTM对传统RNN的改进可概括为两个方面:一方面在隐含状态 $h_{t}$ 之外引入新的内部状态$c_{t}$,$c_{t}$和$h_{t}$共同作为网络的记忆内容在相邻时刻的循环单元间传递;另一方面引入了门控机制来有选择地向记忆内容中加入新的信息和遗忘旧的信息,从而控制了信息的积累速度.门控机制为3个控制信息传递的向量,即遗忘门 $f_{t}$ 、输入门 $i_{t}$ 和输出门 $o_{t},$ 门向量由某一时间步的外部输入向量 $x_{t}$ 和上一时刻的单元隐含向量 $h_{t - 1}$ 通过全连接层获得,全连接层的激活函数选为Logistic函数,也称Sigmoid函数,记为σ(·),其输出值为(0, 1).LSTM前向传播计算过程如下.

(1) 首先利用当前时刻的输入向量 $x_{t}$ 和上一时刻的隐含向量 $h_{t - 1}$ 计算3个门向量以及候选内部状态向量 ${\hat{c}}_{t},$ 计算公式为

(1)

\begin{matrix} {\hat{c}}_{t} = t a n h (W_{c} x_{t} + U_{c} h_{t - 1} + b_{c}) \end{matrix}

式中: $W_{c} 和 U_{c} 为权重参数; b_{c}$ 为偏置参数.

(2) 结合遗忘门、输入门和候选内部状态更新内部状态.先由遗忘门对上一时刻内部状态进行选取,再将由输入门选取后的候选内部状态加入到内部状态中:

(2)

\begin{matrix} c_{t} = f_{t} * c_{t - 1} + i_{t} * {\hat{c}}_{t} \end{matrix}

(3) 最后利用输出门根据tanh函数激活后的内部状态向量计算当前时刻输出的隐含向量:

(3)

\begin{matrix} h_{t} = o_{t} * t a n h (c_{t}) \end{matrix}

当前时刻的隐含向量 $h_{t} 和内部状态向量 c_{t}$ 将作为记忆内容传递到下一时刻,以此实现信息在序列上的传递.LSTM同样采用误差沿时间的反向传播算法以及梯度下降算法训练,主要步骤包括:①计算各个时间步网络的输出值与理想输出值之间的误差;②计算各时间步的误差对网络权重矩阵以及偏置项的梯度,即误差的反向传播;③将各时间步误差的梯度求和得到序列上的误差对可训练参数的总梯度;④利用总梯度对网络可训练参数进行调整.

1.2 预报方法

1.2.1 网络结构

在网络结构方面初步选取“多对多”和“编解码器”两种模式,两种网络结构如图2所示,RNN的类型选取为LSTM并在输出端设置了全连接层.对于“编解码器”结构,编码向量C为编码器最后一个时间步的隐含层向量h_T 以及单元格状态向量c_T 通过全连接层表示的结果,分别作为解码器起始时间步隐含层向量 $h'_{1}$ 和单元格状态向量 $c'_{1}$ 的初始化值.其中 $T_{i n}$ 和 $T_{o u t}$ 分别为输入与输出数据的时间长度.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 “多对多”(左)和“编解码器”(右)网络结构

Fig.2 Structures of many-to-many (left) and codec (right) network

采取将序列的时间尺度向序列的特征尺度折叠的方法来提高预报过程中输入的历史数据量,同时缩短网络在时间尺度上的深度,如图3所示.每一时间步的输入信号 $x_{t}$ 取为一段时期的信号值,该段时期对应的序列长度 $(S_{x})$ 定义为输入时间窗口长度 $(L_{x})$ ;同理,每个时间步输出的信号 $y_{t}$ 取为预报周期中一段时期的信号值, $y_{t}$ 的长度定义为输出时间窗口长度 $L_{y}$ .折叠后序列的时间步数降低为原来的 $1 / L_{x},$ 保留了原序列的全部数据.时间窗口长度的取值应考虑采样周期大小,不宜过大,应保证远小于运动发生显著变化的序列长度.

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 预报模型输入输出序列示意图

Fig.3 Schematic diagram of input and output sequence of prediction model

1.2.2 数据预处理

在一般的问题中,分别取训练集总体的最小和最大值开展数据的归一化处理,但是对于漂浮式风力发电机运动响应数据,采用统一的最小值和最大值无法使不同运行工况下的数据集均匀地分布在(0, 1)区间.漂浮式风力发电机运动响应数据值的分布区间可能会随运行环境的改变而发生显著的变化,若以统一的最值归一化全部数据集,则会导致归一化后各工况数据分布区间较窄,增大网络学习数据变化趋势的难度.因此,本文采取了对每个工况下的数据集单独归一化的方法.对于测试集,为反映预估的最值与真实最值之间的差异,归一化所用的最值由下式计算得到:

(4)

\begin{matrix} x'_{m a x} = x_{m a x} + C_{0} |x_{m e a n}| \end{matrix}

(5)

\begin{array}{l} x'_{m i n} = x_{m i n} - C_{0} |x_{m e a n}| \end{array}

式中:x_max和x_min为测试集上真实的最大、最小值;x_mean为测试集平均值;C₀为反映预估误差的裕度的系数.

1.2.3 评价指标

在神经网络训练中的损失函数选取均方误差函数(Mean Squared Error, MSE),用于反映序列预报值与真实值之间误差的期望.为了更好评估模型预报的精度,选取回归任务中常用的一些评价指标,如平均绝对百分比误差(Mean Absolute Percentage Error, MAPE),用于反映预报值与真实值之间相对误差的期望;拟合优度(R²),用于反映预测曲线对真实曲线的拟合程度.另外,为反映海工领域较为关心的极值预报精度,设计一种1/N最大值平均绝对百分比误差(One-Nth largest Error, ONE),该指标对一段时期内预报值与真实值序列中由大到小排序前1/N最大值的平均值计算平均绝对百分比误差.上述几种评价指标的计算公式如下所示:

(6)

e_{M S E} (y, \hat{y}) = \frac{1}{n} \overset{n}{\sum_{i = 1}} (y_{i} - {\hat{y}}_{i})^{2}

(7)

e_{M A P E} (y, \hat{y}) = \frac{1}{n} \overset{n}{\sum_{i = 1}} \frac{|y_{i} - {\hat{y}}_{i}|}{|y_{i}|}

(8)

R^{2} (y, \hat{y})= 1 - \frac{\overset{n}{\sum_{i = 1}} {(y}_{i} - {\hat{y}}_{i})^{2}}{\overset{n}{\sum_{i = 1}} (y_{i} {- \bar{y})}^{2}}

(9)

e_{O N E} (y, \hat{y}) = \frac{1}{n / τ} \overset{n / τ}{\sum_{j = 1}} \frac{|y_{1 / N j} - {\hat{y}}_{1 / N j}|}{|y_{1 / N j}|}

式中: n为序列长度;y为真实值; $\hat{y}$为预报值;为序列的平均值;为统计时的序列长度.本文中N取10,τ取1 000(对应时长约为100 s),MSE用归一化后的真实值和预报值计算,其余的评价指标用原尺度的真实值和预报值计算.

1.3 预报流程

基于RNN的漂浮式风力发电机运动响应超前预报流程如图4所示.首先将收集到的漂浮式风力发电机运动响应数据按约7∶1∶2的比例划分为独立的训练集、验证集和测试集.然后对各数据集进行归一化处理,并制作成由输入向量和理想输出向量组成的样本集.根据选取的网络模型搭建网络框架,利用训练集和验证集对网络进行训练和参数调整.最后利用训练好的网络对测试集进行预报,计算实际输出和理想输出间的评价指标,根据评价指标对网络的预报性能进行评价并提出改进措施.网络参数设置如表1所示.

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 基于循环神经网络的极短期运动响应预报流程

Fig.4 Flow chart of ultra-short-term motion response prediction based on recurrent neural network RNN network

表1 网络参数配置

Tab.1 Configuration of network parameter

参变量	取值	参变量	取值
窗口长度	20	批量大小	50
网络层数	2	网络节点数	64
最大训练轮数	1000	最小训练轮数	100
初始学习率	0.01	C₀	0.3

新窗口打开| 下载CSV

2 对比验证

将利用漂浮式风力发电机平台运动的海上实测数据对所提出的运动极短期预报方法开展可行性验证,并量化其不确定性.其中,实测数据的采集对象为6 WM单立柱式漂浮式风力发电机.所选取的工况环境如表2所示,其中工况1~8为训练集,工况9为测试集;H_s为有义波高;T_p为周期.关于实测目标风力发电机的相关主尺度、模型图、安装海域等信息可参见文献 [18].

表2 工况表

Tab.2 Test matrix

编号	时间周期	H_s/m	T_p/s	风速/(m·s^-1)	流速/(m·s^-1)	浪向/(°)	风向/(°)	流向/(°)
1	2018-01-06T08:00	4.4	10.9	13.7	0.21	17	11	19
2	2018-01-09T09:40	3.2	9.3	13.9	0.09	131	146	303
3	2018-01-14T15:40	4.2	8.7	20.4	0.32	165	174	24
4	2018-02-13T01:20	2.1	6.5	15.5	0.27	201	174	187
5	2018-03-26T23:30	2.2	10.6	8.5	0.24	14	172	16
6	2018-04-14T00:40	2.1	10.5	5.2	0.32	107	171	195
7	2018-05-02T04:00	2.3	6.5	15.6	0.12	185	175	233
8	2018-07-29T04:00	3.0	7.9	16.6	0.33	161	179	44
9	2018-02-24T04:50	2.5	7.3	14.1	0.17	164	161	150

新窗口打开| 下载CSV

2.1 不同网络结构对比

针对“多对多”和“编解码器”两种网络结构的预报精度进行比较,以预报时刻前30 s的历史纵荡运动时历为输入,持续预报未来30 s的纵荡运动时历,输入和输出序列的窗口长度为2 s,时间步数为15步.针对每个工况进行5次独立试验,预报结果的评价指标、时历曲线以及时历曲线对应的箱型图见图5.图中,M2M指代多对多结构,EnDe指代编解码器结构,True为真实的实测数据统计结果.

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 “多对多”与“编解码”纵荡预报对比结果

Fig.5 Comparison of “many-to-many” and “encoder-decoder” surge prediction

根据图5(c),编解码器结构的预报精度总体上优于多对多结构.一方面编解码器网络结构复杂程度高于多对多结构,因此能够在输入与输出之间建立更为复杂的映射关系;另一方面,编解码器结构在前向传播过程中,编码器部分首先遍历完整的输入序列,将其中的有效信息转化为编码向量并传递给解码器,因此解码器部分产生输出信号时,每个时刻都能够获得整个输入序列的信息,从而增加了预报时的已知信息量.相比之下,多对多结构采取遍历输入信号和预报同时进行的策略,在每个序列的起始部分RNN的记忆单元从输入信号中积累的信息较少,此时预报时所依赖的已知信息只来源于输入序列的一部分,因此预报效果略差于编解码器结构.除预报精度更高外,编解码器网络结构的另一个优点是输入和输出序列的时间步数不必相等,这为输入信息的选择提供了更高的灵活性.因此,在后续的分析中均采用编解码器网络结构.

2.2 不同输入特征对比

考虑漂浮式风力发电机的物理特性,在选取输入信号时,除了采用目标信号自身外,还尝试将可能与所预报自由度运动有较紧密关系的其他信号添加到输入信息中.例如,漂浮式风力发电机的纵荡运动和纵摇运动具有耦合关系,纵荡与纵荡运动时历之间可能存在较高的相关性;风载荷是风力发电机产生运动的重要外界激励,风速时历在一定程度上能够反映风载荷的变化情况,因此可能与风力发电机的运动信号之间有较为密切的关系.以预报纵荡运动为例,考虑4种输入信号组合方案,分别为纵荡、纵荡和纵摇、纵荡和风速、纵荡和纵摇以及风速,以预报时刻前30 s的历史信号为输入,预报未来30 s运动响应时历.每组参数进行5次独立试验,预报结果的评价指标、时历曲线和对应的箱型图如图6和图7所示.

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 四种输入信号下纵荡预报结果时历曲线

Fig.6 Comparison of surge prediction of four input signal plans

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 时历曲线箱形图

Fig.7 Box plot of four input signal plans

根据图7,相比仅以纵荡运动本身作为输入信号,以风速和纵荡运动时历同时作为输入信号时预报精度略微提升,尤其是在工作状态下预报时历曲线的拟合程度有一定提高;以纵摇运动和纵荡运动时历同时作为输入信号时预报结果的极值误差显著增大,在多次预报结果中发现了剧烈的幅值变化,对预报精度产生不利影响;以风速、纵摇运动和纵荡运动时历为同时作为输入信号时,预报精度有一定的下降,且极值误差较大,其原因一方面可能是输入信号太多,网络结构过于简单而无法建立起有效的映射关系,另一方面可能是纵摇运动信号的变化频率远大于纵荡运动,快速变化的输入信号对网络的训练过程产生了干扰.而在停机状态下,添加其他信息后的预报精度均有一定程度下降.因此,在预报纵荡运动时,以纵荡运动本身或风速和纵荡运动的时历作为输入信号是较好的选择.

2.3 不同时长对比

2.3.1 不同预报时长

为讨论预报时间长度对精度的影响,设置预报时长选取为10、30和60 s.其中,输入时长与预报时长相等,输入信号为纵荡运动时历;两种方法下LSTM编解码器均为2层64节点.每组参数进行5次独立试验,预报结果的评价指标如表3所示.其中,60 s工作状态下的均方差误差仅有1%左右.

表3 网络参数配置

Tab.3 Configuration of network parameter

预报时长/s	测试集	e_MSE×10²		e_MAPE×10²		R² ×10²		e_ONE×10²
10	工作	4.2±	0.0006	5.59±	0.0043	17.34±	0.1200	3.30±	0.0105
	停机	8.6±	0.0005	14.34±	0.0055	53.20±	0.0266	5.51±	0.0155
30	工作	5.7±	0.0007	6.67±	0.0044	-15.69±	0.1457	4.36±	0.0079
	停机	7.4±	0.0014	12.32±	0.0120	62.73±	0.0849	5.47±	0.0175
60	工作	10.9±	0.0022	9.25±	0.0099	-119.88±	0.4546	7.19±	0.0133
	停机	16.6±	0.0021	19.39±	0.0114	-0.846±	0.1514	10.18±	0.0120

新窗口打开| 下载CSV

2.3.2 不同输入时长对比

为讨论输入序列时间长度的影响,调整输入序列的时间长度 $T 为 T' / 3 、 T' 、 2 T' 、 4 T', 其中 T'$ 为预报时间长度,以2 s为输入步长预报未来10 s和30 s的纵荡运动时历.每组参数进行5次独立试验,由于输入序列的长度增加携带的有效信息量可能增大,为增强网络建立复杂映射关系的能力,将网络的节点数增大为128,层数仍为2层.由于数据量较大,以下仅展示预报结果的评价指标和时历曲线对应的箱型图,如图8所示.

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 不同预报时长和输入时长的统计值对比

Fig.8 Comparison of different prediction durations and input durations

根据图8,一方面随着预报时长 $T^{'}$ 的增加,未来运动响应的不确定因素增多,预报精度不可避免会降低;另一方面,延长输入序列的时间长度T到2倍和4倍的预报时长后,虽然工作状态下预报结果的误差略有下降,但总体而言影响并不显著;在停机状态下延长输入时间后误差则略有上升;当输入时长小于预报时长时,预报精度在10 s预报时长下略有提升,但在30 s预报时长下却略有下降,同时,缩短输入时长后评价指标的标准差更大,说明缩短输入时长会导致预报结果的不确定性更大.上述结果表明,在本文所选取的网络结构下,风力发电机运动响应序列的未来值很大程度上取决于与预报时刻紧邻的预报时间长度内的历史值,延长输入时间对预报精度的影响较小,缩短输入时长则可能会带来预报结果不确定性的增大,因此输入时长取预报时长是较为合适的值.

3 结论

提出一种创新的漂浮式风力发电机平台极短期运动的预报方法,详细阐述了预报方法的建立过程,包括网络结构选择、数据预处理、预报结果的评价指标等.并利用实测数据验证了该方法的准确性,对可能影响预报精度的3个不确定因素进行了敏感性分析,主要结论如下:

(1) 网络结构.“编解码器”结构相比“多对多”结构更适合进行多步超前预报.

(2) 输入特征.预报纵荡运动时以其本身或添加风速信号作为输入效果较好,添加纵摇运动信号可能会对极值预报精度造成不利的影响.

(3) 输入时长.就所选取的“编解码器”网络结构而言,取输入时长与预报时长相等较为合适,延长和缩短输入时长均不会带来有利的影响.

然而,本文的研究尚有很多不完善之处有待深入研究和改进,在未来的研究中可以设计一种更适合风力发电机运动时历的损失函数来更好地表征网络输出值和真实值之间的相似程度.同时,鉴于漂浮式风力发电机运动响应预报问题的复杂程度较高,未来需要对网络结构进行进一步优化.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

温斌荣, 田新亮, 李占伟, 等.

大型漂浮式风电装备耦合动力学研究: 历史、进展与挑战

[J]. 力学进展, 2022, 52(4): 731-808.

[本文引用: 1]

WEN

Binrong

, TIAN

Xinliang

, LI

Zhanwei

, et al.

Coupling dynamics of floating wind turbines: History, progress and challenges

[J]. Advances in Mechanics, 2022, 52(4): 731-808.

[本文引用: 1]

[2]

CHENG

Z S

, MADSEN

H A

, GAO

, et al.

A fully coupled method for numerical modeling and dynamic analysis of floating vertical axis wind turbines

[J]. Renewable Energy, 2017, 107: 604-619.

DOI:10.1016/j.renene.2017.02.028 URL [本文引用: 1]

[3]

HEGSETH

J M

, BACHYNSKI

E E

A semi-analytical frequency domain model for efficient design evaluation of spar floating wind turbines

[J]. Marine Structures, 2019, 64: 186-210.

DOI:10.1016/j.marstruc.2018.10.015 URL [本文引用: 1]

[4]

CHENG

, HUANG

, WAN

D C

A numerical model for fully coupled aero-hydrodynamic analysis of floating offshore wind turbine

[J]. Ocean Engineering, 2019, 173: 183-196.

DOI:10.1016/j.oceaneng.2018.12.021 URL [本文引用: 1]

[5]

陈曦.

海上浮式风机系统在波浪上的运动响应分析[D]. 上海: 上海交通大学, 2018.

[本文引用: 1]

CHEN

Motion response analysis of offshore floating fan system on waves[D]. Shanghai: Shanghai Jiao Tong University, 2018.

[本文引用: 1]

[6]

朱仁传, 缪国平, 范菊, 等.

海上浮式风力机及其动力学问题

[J]. 应用数学和力学, 2013, 34(10): 1110-1118.

[本文引用: 1]

ZHU

Renchuan

, MIAO

Guoping

, FAN

, et al.

Offshore floating wind turbines and related dynamic problems

[J]. Applied Mathematics and Mechanics, 2013, 34(10): 1110-1118.

[本文引用: 1]

[7]

盖晓娜, 杨建民, 田新亮.

基于小波-SVR模型的浮体极短期运动预报方法

[J]. 舰船科学技术, 2018, 40(11): 66-70.

[本文引用: 1]

GAI

Xiaona

, YANG

Jianmin

, TIAN

Xinliang

A method for very short-term motion prediction of floaters based on Wavelet-SVR model

[J]. Ship Science and Technology, 2018, 40(11): 66-70.

[本文引用: 1]

[8]

ZHANG

G Q

, EDDY

PATUWO B

, HU

M Y

Forecasting with artificial neural networks:

[J]. International Journal of Forecasting, 1998, 14(1): 35-62.

DOI:10.1016/S0169-2070(97)00044-7 URL [本文引用: 1]

[9]

郝立柱, 韩阳, 潘子英.

循环神经网络方法预报船舶操纵运动研究

[C]\\第三十一届全国水动力学研讨会论文集(下册). 上海: 海洋出版社, 2020: 1017-1029.

[本文引用: 1]

Hao

Lizhu

, Han

Yang

, Pan

Ziying

A study on predicting ship handling movements using recurrent neural network method

[C]\\Proceedings of the 31 st National Symposium on Hydrodynamics (Volume II). Shanghai, China: China Ocean Press, 2020: 1017-1029.

[本文引用: 1]

[10]

ZENG

Z G

, CHEN

G H

Multi-step predictions for generalized heave motion of wave compensating platform based on ELMAN neural network

[C]\\2009 Third International Symposium on Intelligent Information Technology Application Workshops. Nanchang, China: IEEE, 2009: 460-463.

[本文引用: 1]

[11]

HOCHREITER

, SCHMIDHUBER

Long short-term memory

[J]. Neural Computation, 1997, 9(8): 1735-1780.

DOI:10.1162/neco.1997.9.8.1735 PMID:9377276 [本文引用: 2]

Learning to store information over extended time intervals by recurrent backpropagation takes a very long time, mostly because of insufficient, decaying error backflow. We briefly review Hochreiter's (1991) analysis of this problem, then address it by introducing a novel, efficient, gradient-based method called long short-term memory (LSTM). Truncating the gradient where this does not do harm, LSTM can learn to bridge minimal time lags in excess of 1000 discrete-time steps by enforcing constant error flow through constant error carousels within special units. Multiplicative gate units learn to open and close access to the constant error flow. LSTM is local in space and time; its computational complexity per time step and weight is O(1). Our experiments with artificial data involve local, distributed, real-valued, and noisy pattern representations. In comparisons with real-time recurrent learning, back propagation through time, recurrent cascade correlation, Elman nets, and neural sequence chunking, LSTM leads to many more successful runs, and learns much faster. LSTM also solves complex, artificial long-time-lag tasks that have never been solved by previous recurrent network algorithms.

[12]

CHO

, VAN

MERRIENBOER B

, GULCEHRE

, et al.

Learning phrase representations using RNN encoder-decoder for statistical machine translation

[C]\\Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing. Stroudsburg, PA, USA: Association for Computational Linguistics, 2014: 1724-34.

[本文引用: 1]

[13]

刘飞飞.

浮式风机水动力响应与系泊系统疲劳损伤及深度学习短期运动预报研究[D]. 大连: 大连理工大学, 2022.

[本文引用: 1]

LIU

Feifei

Study on hydrodynamic response of floating fan and fatigue damage of mooring system and short-term motion prediction of deep learning[D]. Dalian: Dalian University of Technology, 2022.

[本文引用: 1]

[14]

QIAO

D S

, LI

, MA

, et al.

Realtime prediction of dynamic mooring lines responses with LSTM neural network model

[J]. Ocean Engineering, 2021, 219: 108368.

DOI:10.1016/j.oceaneng.2020.108368 URL [本文引用: 1]

[15]

GAO

D W

, ZHU

Y S

, ZHANG

J F

, et al.

A novel MP-LSTM method for ship trajectory prediction based on AIS data

[J]. Ocean Engineering, 2021, 228: 108956.

DOI:10.1016/j.oceaneng.2021.108956 URL [本文引用: 1]

[16]

SHI

, HU

L H

, LIN

Z B

, et al.

Short-term motion prediction of floating offshore wind turbine based on muti-input LSTM neural network

[J]. Ocean Engineering, 2023, 280: 114558.

DOI:10.1016/j.oceaneng.2023.114558 URL [本文引用: 1]

[17]

GERS

F A

, SCHMIDHUBER

, CUMMINS

Learning to forget: Continual prediction with LSTM

[J]. Neural Computation, 2000, 12(10): 2451-2471.

PMID:11032042 [本文引用: 1]

Long short-term memory (LSTM; Hochreiter & Schmidhuber, 1997) can solve numerous tasks not solvable by previous learning algorithms for recurrent neural networks (RNNs). We identify a weakness of LSTM networks processing continual input streams that are not a priori segmented into subsequences with explicitly marked ends at which the network's internal state could be reset. Without resets, the state may grow indefinitely and eventually cause the network to break down. Our remedy is a novel, adaptive "forget gate" that enables an LSTM cell to learn to reset itself at appropriate times, thus releasing internal resources. We review illustrative benchmark problems on which standard LSTM outperforms other RNN algorithms. All algorithms (including LSTM) fail to solve continual versions of these problems. LSTM with forget gates, however, easily solves them, and in an elegant way.

[18]

CHEN

, JIA

C J

, NG

, et al.

Application of SADA method on full-scale measurement data for dynamic responses prediction of Hywind floating wind turbines

[J]. Ocean Engineering, 2021, 239: 109814.

DOI:10.1016/j.oceaneng.2021.109814 URL [本文引用: 1]

大型漂浮式风电装备耦合动力学研究: 历史、进展与挑战

2022

... 海上大型漂浮式风力发电机平台的极短期运动响应预报对其设计研发、运行维护等环节都具有重要意义.在漂浮式风力发电机运维监测阶段,浮式基础平台运动信号是其重要的监测指标,例如伺服和压载调载控制决策等都与平台运动规律息息相关^[1].虽然传统基于漂浮式风力发电机动力学机理的一体化建模^[2-3]或计算流体力学^[4-5]原理可以获得可解释的动力学响应预报结果,但是漂浮式风力发电机是一个强非线性刚柔耦合多体系统,由于受到风载荷作用明显,其承载形式与一般漂浮式海洋结构物不相同^[6].在缺少准确环境参数预测结果的情况下,仅通过动力学模型对漂浮式风力发电机的平台运动开展超前预报具有较大的困难和挑战. ...

大型漂浮式风电装备耦合动力学研究: 历史、进展与挑战

2022

A fully coupled method for numerical modeling and dynamic analysis of floating vertical axis wind turbines

2017

A semi-analytical frequency domain model for efficient design evaluation of spar floating wind turbines

2019

A numerical model for fully coupled aero-hydrodynamic analysis of floating offshore wind turbine

2019

2018

海上浮式风力机及其动力学问题

2013

海上浮式风力机及其动力学问题

2013

基于小波-SVR模型的浮体极短期运动预报方法

2018

... 随着人工智能技术的快速发展,通过机器学习算法建立代理模型^[7]具备强大的非线性拟合能力和泛化能力,非常适合用于模拟复杂物理系统^[8].海工结构物响应预报属于时间序列数据预测问题,响应前后之间存在紧密联系,循环神经网络(Recurrent Neural Network, RNN)非常适用于这一类问题.例如,郝立柱等^[9]利用RNN网络预报船舶回转和Z形操纵运动;Zeng等^[10]应用Elman神经网络对浮式结构物垂荡响应进行超前预测.然而,传统的RNN模型存在梯度爆炸或梯度消失问题,因而难以对长序列中距离较远的信息建立联系.研究者在基本RNN模型的基础上进行改进,提出了更加强大的长短期记忆(Long Short-Term Memory, LSTM)网络结构^[11-12].例如,刘飞飞^[13]利用LSTM、卷积神经网络等网络结构以波面升高和运动信号为输入预测船舶纵荡、纵摇、升沉运动响应;Qiao等^[14]利用LSTM以六自由度运动信号为输入预测浮式生产储油船(FPSO)系泊系统响应,在多工况下训练和测试中证明了LSTM具备一定的泛化能力;Gao等^[15]利用LSTM以速度、航向角、坐标序列为输入预测船舶短期轨迹,并通过与支持向量回归、卡尔曼滤波等方法的对比展示出LSTM方法的强大能力.Shi等^[16] 针对5 MW无支撑平台在不同环境条件下的漂浮式风力发电机进行数值模拟,选取平台运动响应、波浪高程、系泊力数据作为输入变量.然后对数据进行后处理后建立训练组和测试组,并建立单输入LSTM(SI-LSTM)模型和多输入LSTM(MI-LSTM)模型来学习输入数据.比较结果的整体精度后发现,附加系泊力和波浪高程对平台响应预测结果有积极影响. ...

基于小波-SVR模型的浮体极短期运动预报方法

2018

Forecasting with artificial neural networks:

1998

循环神经网络方法预报船舶操纵运动研究

2020

循环神经网络方法预报船舶操纵运动研究

2020

Multi-step predictions for generalized heave motion of wave compensating platform based on ELMAN neural network

2009

Long short-term memory

1997

... LSTM网络是由Hochreiter等^[11]于1997年首次提出并由Gers等^[17]于2000年改进的一种基于门控的RNN.通过门控机制的引入,LSTM有效缓解了长程依赖问题,使得RNN真正发挥出学习序列信息的能力.LSTM网络的循环单元结构如图1所示. ...

Learning phrase representations using RNN encoder-decoder for statistical machine translation

2014

2022

Realtime prediction of dynamic mooring lines responses with LSTM neural network model

2021

A novel MP-LSTM method for ship trajectory prediction based on AIS data

2021

Short-term motion prediction of floating offshore wind turbine based on muti-input LSTM neural network

2023

Learning to forget: Continual prediction with LSTM

2000

Application of SADA method on full-scale measurement data for dynamic responses prediction of Hywind floating wind turbines

2021

... 将利用漂浮式风力发电机平台运动的海上实测数据对所提出的运动极短期预报方法开展可行性验证,并量化其不确定性.其中,实测数据的采集对象为6 WM单立柱式漂浮式风力发电机.所选取的工况环境如表2所示,其中工况1~8为训练集,工况9为测试集;H_s为有义波高;T_p为周期.关于实测目标风力发电机的相关主尺度、模型图、安装海域等信息可参见文献 [18]. ...

〈

〉