摘要：本論文基于前期大量實(shí)驗(yàn)獲得的數(shù)據(jù)，對(duì)于現(xiàn)有較少的數(shù)據(jù)根據(jù)溫度不同進(jìn)行擬合，隨后通過(guò)得到的擬合模型對(duì)于不同工質(zhì)流量進(jìn)行數(shù)據(jù)生成，得出2200組數(shù)據(jù)，滿足了使用神經(jīng)網(wǎng)絡(luò)模型等深度學(xué)習(xí)方法的前提。隨后使用神經(jīng)網(wǎng)絡(luò)模型以及集成學(xué)習(xí)等方法構(gòu)建了ORC海洋發(fā)電系統(tǒng)的仿真模型，其可以實(shí)現(xiàn)使用者輸入相應(yīng)的溫度，模型自動(dòng)返回所需要的變化的工質(zhì)流量以及具體需要變大還是變小，我們也基于單片機(jī)實(shí)現(xiàn)了同樣的功能。

關(guān)鍵詞：多元線性回歸;集成學(xué)習(xí) ;神經(jīng)網(wǎng)絡(luò) ;單片機(jī)

1基于機(jī)器學(xué)習(xí)的海洋溫差能發(fā)電系統(tǒng)的優(yōu)化

1.1不同溫度下的最佳工質(zhì)流量

最初，我們首先測(cè)量了ORC實(shí)驗(yàn)儀器的在不同溫度下對(duì)應(yīng)不同工質(zhì)流量所產(chǎn)生的發(fā)電功率，發(fā)現(xiàn)ORC實(shí)驗(yàn)裝置在某一固定溫度下隨著冷媒質(zhì)量流量增大，發(fā)電功率先增大后減小。

但同時(shí)，我們發(fā)現(xiàn)收集的數(shù)據(jù)數(shù)量較少，同時(shí)因?yàn)閮x器不能靈活控制每次實(shí)驗(yàn)下的冷媒質(zhì)量流量，所以我們使用sklearn中預(yù)處理庫(kù)中的多項(xiàng)式擬合，將不同溫度下的數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)，方便我們使用神經(jīng)網(wǎng)絡(luò)等模型來(lái)進(jìn)行模型擬合隨后進(jìn)行仿真系統(tǒng)優(yōu)化。

1.2不同溫度下的sklearn多項(xiàng)式擬合與數(shù)據(jù)增強(qiáng)

1.2.1多項(xiàng)式擬合概念

首先假設(shè)訓(xùn)練集由的次觀測(cè)得到，為，均勻分布于區(qū)間[0，1]。對(duì)應(yīng)的觀測(cè)集為? ，假設(shè)實(shí)際的目標(biāo)函數(shù)為。其中訓(xùn)練集是已知的，我們的目的是通過(guò)訓(xùn)練集和觀測(cè)集擬合出預(yù)測(cè)函數(shù)，讓它盡可能的接近目標(biāo)函數(shù)，所以生成觀測(cè)集的方式是通過(guò)訓(xùn)練集加上隨機(jī)噪聲輸入到目標(biāo)函數(shù)得到。接下來(lái)我們使用多項(xiàng)式函數(shù)來(lái)擬合我們的數(shù)據(jù)，多項(xiàng)式定義為：

其中是多項(xiàng)式的階數(shù)，是多項(xiàng)式的系數(shù)，記做，可以看到雖然多項(xiàng)式函數(shù) 是關(guān)于的非線性函數(shù)，但是卻是關(guān)于多項(xiàng)式系數(shù) 的線性函數(shù)。有了多項(xiàng)式以后我們還需要一個(gè)誤差函數(shù)來(lái)對(duì)我們擬合出的多項(xiàng)式進(jìn)行評(píng)估，這里我們使用均方誤差，公式如下：

接下來(lái)就可以對(duì)數(shù)據(jù)進(jìn)行擬合。

1.2.2 本實(shí)驗(yàn)多項(xiàng)式擬合

對(duì)于本實(shí)驗(yàn)中的數(shù)據(jù)，我們首先分析冷媒工質(zhì)流量，溫度與發(fā)電功率的相關(guān)性，可以發(fā)現(xiàn)冷媒工質(zhì)流量的大小對(duì)于發(fā)電功率影響較大。我們將冷媒質(zhì)量流量與溫度共同作為自變量，發(fā)電功率作為因變量構(gòu)建多項(xiàng)式仿真模型。經(jīng)過(guò)實(shí)驗(yàn)和比較，我們選擇九階多項(xiàng)式進(jìn)行擬合，其在不同溫度下的擬合效果均較好，score可以達(dá)到0.99。

同時(shí)，經(jīng)過(guò)多項(xiàng)式擬合以后，我們可以進(jìn)行數(shù)據(jù)增強(qiáng)，我們將通過(guò)多項(xiàng)式擬合后的模型得到不同溫度下不同工質(zhì)流量所對(duì)應(yīng)的發(fā)電功率，這樣我們的數(shù)據(jù)量就從原本的95組擴(kuò)充到了2200組，方便我們接下來(lái)使用神經(jīng)網(wǎng)絡(luò)模型等對(duì)于不同溫度下的發(fā)電功率進(jìn)行預(yù)測(cè)。

1.3 基于AdaBoostRegressor與神經(jīng)網(wǎng)絡(luò)的ORC仿真系統(tǒng)的實(shí)驗(yàn)流程介紹

我們首先將之前得到的2200組數(shù)據(jù)劃分訓(xùn)練集，驗(yàn)證集與測(cè)試集，首先對(duì)于數(shù)據(jù)進(jìn)行shuffle處理，將其中80%的數(shù)據(jù)作為訓(xùn)練集，10%的數(shù)據(jù)作為驗(yàn)證集，10%的數(shù)據(jù)作為測(cè)試集，運(yùn)行200個(gè)epochs。我們發(fā)現(xiàn)模型在訓(xùn)練集以及驗(yàn)證集上表現(xiàn)良好。

同時(shí)，我們嘗試了基于AdaBoostRegressor算法的仿真模型構(gòu)建的仿真模型，測(cè)試了其在不同子模型，不同學(xué)習(xí)率以及不同loss函數(shù)下的表現(xiàn)，最后確定其為100個(gè)子模型，學(xué)習(xí)率為0.01，使用square的loss函數(shù)，經(jīng)過(guò)測(cè)試，其可以達(dá)到0.94的score。

1.4仿真系統(tǒng)的優(yōu)化

經(jīng)過(guò)之前仿真模型的構(gòu)建，我們可以實(shí)現(xiàn)最后的優(yōu)化模型構(gòu)建，當(dāng)使用者輸入溫度時(shí)，模型可以通過(guò)輸入的溫度，自動(dòng)生成工質(zhì)流量從98到440的所有對(duì)應(yīng)的發(fā)電功率，找出其中的最大值，并且返回最大值對(duì)應(yīng)的工質(zhì)流量，同時(shí)可以返回需要變大變小的工質(zhì)流量大小。

2.基于單片機(jī)的海洋溫差能發(fā)電系統(tǒng)的優(yōu)化

單片機(jī)系統(tǒng)優(yōu)化控制邏輯為每給定一個(gè)工質(zhì)溫度，我們通過(guò)單片機(jī)控制工質(zhì)流量閥門(mén)開(kāi)度，將其調(diào)節(jié)到最小值為98 kg/h，在每一工質(zhì)流量下，通過(guò)功率傳感器讀取對(duì)應(yīng)工質(zhì)流量的發(fā)電功率，并將該值保留。之后工質(zhì)流量以步長(zhǎng)為1 kg/h增加，每得到一個(gè)發(fā)電功率都將其與前一個(gè)數(shù)值進(jìn)行比較，若當(dāng)前發(fā)電功率大于前一發(fā)電功率，則將其保留，否則將其舍棄。當(dāng)程序迭代計(jì)算至511 kg/h時(shí)，系統(tǒng)的最終輸出即為給定工質(zhì)溫度下最大發(fā)電功率對(duì)應(yīng)的工質(zhì)流量。同理，每給定一個(gè)工質(zhì)流量，單片機(jī)調(diào)節(jié)工質(zhì)溫度到最小值為80℃，在每一工質(zhì)溫度下，通過(guò)功率傳感器讀取對(duì)應(yīng)工質(zhì)溫度的發(fā)電功率，并將該值保留。之后工質(zhì)溫度以步長(zhǎng)為1℃增加，每得到一個(gè)發(fā)電功率都將其與前一個(gè)數(shù)值進(jìn)行比較，若當(dāng)前發(fā)電功率大于前一發(fā)電功率，則將其保留，否則將其舍棄，當(dāng)程序迭代計(jì)算至105℃時(shí)，系統(tǒng)的最終輸出即為給定工質(zhì)流量下最大發(fā)電功率對(duì)應(yīng)的工質(zhì)溫度。單片機(jī)系統(tǒng)優(yōu)化控制邏輯在圖2.1中得到展現(xiàn)。

3.總結(jié)

本論文首先對(duì)于不同溫度下不同工質(zhì)流量對(duì)應(yīng)的發(fā)電功率進(jìn)行了大量實(shí)驗(yàn)收集。在此基礎(chǔ)上，基于機(jī)器學(xué)習(xí)對(duì)于現(xiàn)有較少的數(shù)據(jù)根據(jù)溫度不同使用九階多項(xiàng)式進(jìn)行擬合，隨后通過(guò)得到的擬合模型對(duì)于不同溫度不同工質(zhì)流量進(jìn)行數(shù)據(jù)生成，得出2200組數(shù)據(jù)，滿足了使用神經(jīng)網(wǎng)絡(luò)模型等深度學(xué)習(xí)方法的前提。隨后我們使用神經(jīng)網(wǎng)絡(luò)模型以及集成學(xué)習(xí)等方法構(gòu)建了整個(gè)ORC海洋發(fā)電系統(tǒng)的仿真模型，其可以實(shí)現(xiàn)使用者輸入相應(yīng)的溫度，模型自動(dòng)返回所需要的變化的工質(zhì)流量以及具體需要變大還是變小。

同時(shí)，我們基于單片機(jī)實(shí)現(xiàn)了同樣的功能。 每給定一個(gè)工質(zhì)溫度，我們通過(guò)單片機(jī)控制工質(zhì)流量閥門(mén)開(kāi)度，將其調(diào)節(jié)到最小值為98 kg/h，通過(guò)功率傳感器讀取對(duì)應(yīng)工質(zhì)流量的發(fā)電功率，并將該值保留。之后工質(zhì)流量以步長(zhǎng)為1 kg/h增加，每得到一個(gè)發(fā)電功率都將其與前一個(gè)數(shù)值進(jìn)行比較，若當(dāng)前發(fā)電功率大于前一發(fā)電功率，則將其保留，否則將其舍棄。當(dāng)程序迭代計(jì)算至511 kg/h時(shí)，系統(tǒng)的最終輸出即為給定工質(zhì)溫度下最大發(fā)電功率對(duì)應(yīng)的工質(zhì)流量。

參考文獻(xiàn)

[1]彭景平，陳鳳云，劉偉民，劉鶴儀.海洋溫差發(fā)電技術(shù)的現(xiàn)狀及其商業(yè)化可行性探討[J].綠色科技，2012（11）：241-243.

[2]張繼生，唐子豪，錢(qián)方舒.海洋溫差能發(fā)展現(xiàn)狀與關(guān)鍵科技問(wèn)題研究綜述[J].河海大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，47（01）：55-64.

[3]徐瑩.一種高效海洋溫差發(fā)電系統(tǒng)的設(shè)計(jì)與性能仿真研究[D].集美大學(xué)，2016.

[4]安寧.海底熱液溫差能發(fā)電微型汽輪機(jī)技術(shù)研究[D].浙江大學(xué)，2016.

[5]李大樹(shù).海洋溫差能開(kāi)發(fā)利用高效熱交換技術(shù)[J].工業(yè)加熱，2019，48（03）：1-3.

基金項(xiàng)目：

大連理工大學(xué)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃（2020101419806010969）

作者簡(jiǎn)介：

王澤镕（2000-），女，漢族，山西陽(yáng)泉人，大連理工大學(xué)本科在讀，專業(yè)：應(yīng)用化學(xué)