在全球能源转型进程中，海上风电场的发展备受关注。上游风机引发的尾流效应，会对下游风机发电量和设备疲劳损耗产生显著影响。偏航控制作为一种风电场级协调策略，为缓解尾流效应提供了可行方案。然而，偏航角设置不当可能反而增加风机疲劳载荷，进而影响发电效率与设备寿命。为解决这一关键矛盾，本文提出一种基于机器学习的新型双目标优化策略，可同时实现发电量最大化与疲劳损伤最小化。本研究构建了人工神经网络（ANN）模型，用于精准预测不同偏航角下风机的输出功率与损伤等效载荷（DEL）。具体而言，通过非支配排序遗传算法II（NSGA-II）求解偏航角的帕累托最优解集，并通过综合全生命周期经济评估模型筛选出经济最优解。核心创新点在于，基于盈利能力将发电与疲劳这两个看似冲突的目标，转化为统一的经济优化问题。该策略有效平衡了发电量最大化与载荷缓解之间的内在矛盾，为提升风电场的财务可行性和运行可持续性提供了新路径。通过年利用3000小时的双风机系统验证，与传统单目标优化（仅追求发电量最大化）的对比分析表明，所提双目标方法的性能更优，该方法使年均利润率提升14.39%。
 

风机；偏航控制；机器学习；双目标优化；NSGA-II算法