基于重分解和深度学习的系泊张力预测方法研究

来源：动力工程学报杂志2025年第9期北京时间：

作者：范士杰, 张伟业, 缪维跑, 闻麒, 李春, 岳敏楠,

摘要：海上漂浮式风力机平台依靠系泊系统的回复力减小平台运动并进行定位,而系泊的结构完整性可通过其力学特性反映,故准确预测系泊系统的张力有助于建立高效、健康的监测系统。基于深度学习方法对系泊张力进行健康监测,为解决数据驱动方法在预测时间序列时丢失物理信息的问题,利用自适应白噪声平均总体经验模态分解(CEEMDAN)与样本熵进行一次模态分解重构,并利用变分模态分解(VMD)与盒维数进行二次分解重构,构建出有效的特征样本集。通过引入注意力机制,并将其与卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)相结合,构建深度学习预测模型AM-CNN-BiLSTM。结果表明:该模型应用于有效特征样本集时,重分解重构方法能有效提取特征,提升模型预测精度;在各种海况和系泊系统设计方案下,所提模型均能实现精确预测,且预测结果的决定系数R2均不小于0.879,充分证明该方法具有良好的泛化能力。

关键词：海上漂浮式风力机,系泊张力,模态分解,深度学习,