Auto-optimization of Energy Generation for Wave Energy Converters with Active Learning
作者: Siyang Tang, Wen-Hua Chen, Cunjia Liu
分类: eess.SY
发布日期: 2025-07-02 (更新: 2025-07-07)
💡 一句话要点
提出基于主动学习的波浪能转换器能量生成自动优化控制框架
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 波浪能转换器 主动学习 双重控制 能量优化 海洋能源
📋 核心要点
- 现有波浪能转换器难以在未知和变化的海洋条件下实现能量生成的最优控制。
- 论文提出基于双重控制的主动学习框架，通过主动探测海洋环境来优化能量生成。
- 仿真结果表明，该方法在未知波浪条件下优于传统控制方法，具有有效性和鲁棒性。
📝 摘要（中文）
本文提出了一种波浪能转换器（WEC）的自动优化控制框架，旨在最大化未知和变化海洋条件下的能量生成。该控制框架由两个层级组成：高层控制器以较长时间尺度运行，旨在最大化几个波浪周期内的平均能量生成，并生成功率输出（PTO）曲线，作为底层物理系统跟踪的参考。新的自动优化过程利用了WEC中非平稳运行条件的参数化，建立了平均能量生成与PTO力的关键设计参数之间的关系，同时考虑了未知的波浪参数。高层控制器基于探索与利用的双重控制（DCEE）概念设计，通过主动探测海洋条件快速学习未知的波浪参数，同时生成最优的PTO曲线。在此过程中，估计波浪条件的不确定性被量化并嵌入到优化成本函数中，以实现主动学习。在未知规则和不规则波浪下的仿真结果表明，这种新型的基于主动学习的自动优化WEC系统的有效性和鲁棒性，优于模型预测控制、极值搜索和经典Bang-Bang控制方法。
🔬 方法详解
问题定义：波浪能转换器（WEC）需要在未知和变化的海洋条件下最大化能量生成。传统控制方法，如模型预测控制、极值搜索和Bang-Bang控制，难以适应海洋环境的非平稳性和不确定性，导致能量转换效率低下。
核心思路：论文的核心思路是利用主动学习来在线估计未知的波浪参数，并基于估计的参数优化功率输出（PTO）力，从而最大化能量生成。通过主动探测海洋环境，量化估计的不确定性，并将其嵌入到优化目标中，实现探索与利用的平衡。
技术框架：该控制框架包含两个层级：高层控制器和低层物理系统。高层控制器基于双重控制（DCEE）策略，负责估计波浪参数并生成最优的PTO力曲线。低层物理系统负责跟踪高层控制器生成的PTO力曲线。整个框架通过迭代优化，不断学习和适应海洋环境的变化。
关键创新：该方法最重要的创新点在于将主动学习引入到波浪能转换器的控制中。通过量化波浪参数估计的不确定性，并将其用于优化控制策略，实现了在未知环境下的高效能量转换。与传统的被动学习方法相比，主动学习能够更快地收敛到最优解。
关键设计：高层控制器采用双重控制（DCEE）策略，包含探索和利用两个阶段。探索阶段通过主动探测海洋环境，获取更多的波浪信息，降低参数估计的不确定性。利用阶段则基于当前的参数估计，优化PTO力曲线，最大化能量生成。优化目标函数中包含了能量生成项和不确定性惩罚项，用于平衡探索和利用。
🖼️ 关键图片
📊 实验亮点
仿真结果表明，该方法在未知规则和不规则波浪条件下均表现出良好的性能。与模型预测控制、极值搜索和经典Bang-Bang控制方法相比，该方法能够显著提高能量生成效率，并具有更强的鲁棒性。具体性能数据未知，但摘要明确指出优于其他三种基线方法。
🎯 应用场景
该研究成果可应用于实际的波浪能发电站，提高波浪能转换效率，降低发电成本。通过自适应地调整控制策略，该方法能够适应不同海域和不同季节的波浪条件，实现稳定可靠的能量供应。此外，该方法还可以推广到其他海洋能源转换设备，如潮流能转换器等。
📄 摘要（原文）
This paper presents an auto-optimization control framework for wave energy converters (WECs) to maximize energy generation under unknown and changing ocean conditions. The proposed control framework consists of two levels. The high-level controller operating at a longer time scale aims to maximize the average energy generation over several wave periods. The generated Power Take-Off (PTO) profile as the reference for the low-level physical system to follow. The new auto-optimization process leverages the parameterization of the non-stationary operation condition in WECs, establishing the relationship between the average energy generation and the key design parameters of the PTO force subject to the unknown wave parameters. The high-level controller is designed based on the concept of Dual Control for Exploration and Exploitation (DCEE) to quickly learn the unknown wave parameters by actively probing the ocean condition, while generating the optimal PTO profile. During this process, the uncertainty of the estimated wave condition is quantified and embedded in the optimization cost function to enable active learning. Simulation results under unknown regular and irregular waves demonstrate the effectiveness and robustness of this novel auto-optimization WEC systems with active learning, outperforming model predictive control, extremum seeking and classic Bang-Bang control approaches.