海洋溫差能發電系統最優化控制

摘要：本論文基于前期大量實驗獲得的數據，對于現有較少的數據根據溫度不同進行擬合，隨后通過得到的擬合模型對于不同工質流量進行數據生成，得出2200組數據，滿足了使用神經網絡模型等深度學習方法的前提。隨后使用神經網絡模型以及集成學習等方法構建了ORC海洋發電系統的仿真模型，其可以實現使用者輸入相應的溫度，模型自動返回所需要的變化的工質流量以及具體需要變大還是變小，我們也基于單片機實現了同樣的功能。

關鍵詞：多元線性回歸;集成學習 ;神經網絡 ;單片機

1基于機器學習的海洋溫差能發電系統的優化

1.1不同溫度下的最佳工質流量

最初，我們首先測量了ORC實驗儀器的在不同溫度下對應不同工質流量所產生的發電功率，發現ORC實驗裝置在某一固定溫度下隨著冷媒質量流量增大，發電功率先增大后減小。

但同時，我們發現收集的數據數量較少，同時因為儀器不能靈活控制每次實驗下的冷媒質量流量，所以我們使用sklearn中預處理庫中的多項式擬合，將不同溫度下的數據進行數據增強，方便我們使用神經網絡等模型來進行模型擬合隨后進行仿真系統優化。

1.2不同溫度下的sklearn多項式擬合與數據增強

1.2.1多項式擬合概念

首先假設訓練集由的次觀測得到，為，均勻分布于區間[0，1]。對應的觀測集為? ，假設實際的目標函數為。其中訓練集是已知的，我們的目的是通過訓練集和觀測集擬合出預測函數，讓它盡可能的接近目標函數，所以生成觀測集的方式是通過訓練集加上隨機噪聲輸入到目標函數得到。接下來我們使用多項式函數來擬合我們的數據，多項式定義為：

其中是多項式的階數，是多項式的系數，記做，可以看到雖然多項式函數 是關于的非線性函數，但是卻是關于多項式系數 的線性函數。有了多項式以后我們還需要一個誤差函數來對我們擬合出的多項式進行評估，這里我們使用均方誤差，公式如下：

接下來就可以對數據進行擬合。

1.2.2 本實驗多項式擬合

對于本實驗中的數據，我們首先分析冷媒工質流量，溫度與發電功率的相關性，可以發現冷媒工質流量的大小對于發電功率影響較大。我們將冷媒質量流量與溫度共同作為自變量，發電功率作為因變量構建多項式仿真模型。經過實驗和比較，我們選擇九階多項式進行擬合，其在不同溫度下的擬合效果均較好，score可以達到0.99。

同時，經過多項式擬合以后，我們可以進行數據增強，我們將通過多項式擬合后的模型得到不同溫度下不同工質流量所對應的發電功率，這樣我們的數據量就從原本的95組擴充到了2200組，方便我們接下來使用神經網絡模型等對于不同溫度下的發電功率進行預測。

1.3 基于AdaBoostRegressor與神經網絡的ORC仿真系統的實驗流程介紹

我們首先將之前得到的2200組數據劃分訓練集，驗證集與測試集，首先對于數據進行shuffle處理，將其中80%的數據作為訓練集，10%的數據作為驗證集，10%的數據作為測試集，運行200個epochs。我們發現模型在訓練集以及驗證集上表現良好。

同時，我們嘗試了基于AdaBoostRegressor算法的仿真模型構建的仿真模型，測試了其在不同子模型，不同學習率以及不同loss函數下的表現，最后確定其為100個子模型，學習率為0.01，使用square的loss函數，經過測試，其可以達到0.94的score。

1.4仿真系統的優化

經過之前仿真模型的構建，我們可以實現最后的優化模型構建，當使用者輸入溫度時，模型可以通過輸入的溫度，自動生成工質流量從98到440的所有對應的發電功率，找出其中的最大值，并且返回最大值對應的工質流量，同時可以返回需要變大變小的工質流量大小。

2.基于單片機的海洋溫差能發電系統的優化

單片機系統優化控制邏輯為每給定一個工質溫度，我們通過單片機控制工質流量閥門開度，將其調節到最小值為98 kg/h，在每一工質流量下，通過功率傳感器讀取對應工質流量的發電功率，并將該值保留。之后工質流量以步長為1 kg/h增加，每得到一個發電功率都將其與前一個數值進行比較，若當前發電功率大于前一發電功率，則將其保留，否則將其舍棄。當程序迭代計算至511 kg/h時，系統的最終輸出即為給定工質溫度下最大發電功率對應的工質流量。同理，每給定一個工質流量，單片機調節工質溫度到最小值為80℃，在每一工質溫度下，通過功率傳感器讀取對應工質溫度的發電功率，并將該值保留。之后工質溫度以步長為1℃增加，每得到一個發電功率都將其與前一個數值進行比較，若當前發電功率大于前一發電功率，則將其保留，否則將其舍棄，當程序迭代計算至105℃時，系統的最終輸出即為給定工質流量下最大發電功率對應的工質溫度。單片機系統優化控制邏輯在圖2.1中得到展現。

3.總結

本論文首先對于不同溫度下不同工質流量對應的發電功率進行了大量實驗收集。在此基礎上，基于機器學習對于現有較少的數據根據溫度不同使用九階多項式進行擬合，隨后通過得到的擬合模型對于不同溫度不同工質流量進行數據生成，得出2200組數據，滿足了使用神經網絡模型等深度學習方法的前提。隨后我們使用神經網絡模型以及集成學習等方法構建了整個ORC海洋發電系統的仿真模型，其可以實現使用者輸入相應的溫度，模型自動返回所需要的變化的工質流量以及具體需要變大還是變小。

同時，我們基于單片機實現了同樣的功能。 每給定一個工質溫度，我們通過單片機控制工質流量閥門開度，將其調節到最小值為98 kg/h，通過功率傳感器讀取對應工質流量的發電功率，并將該值保留。之后工質流量以步長為1 kg/h增加，每得到一個發電功率都將其與前一個數值進行比較，若當前發電功率大于前一發電功率，則將其保留，否則將其舍棄。當程序迭代計算至511 kg/h時，系統的最終輸出即為給定工質溫度下最大發電功率對應的工質流量。

參考文獻

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

[2]張繼生，唐子豪，錢方舒.海洋溫差能發展現狀與關鍵科技問題研究綜述[J].河海大學學報（自然科學版），2019，47（01）：55-64.

[3]徐瑩.一種高效海洋溫差發電系統的設計與性能仿真研究[D].集美大學，2016.

[4]安寧.海底熱液溫差能發電微型汽輪機技術研究[D].浙江大學，2016.

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

基金項目：

大連理工大學大學生創新創業訓練計劃（2020101419806010969）

作者簡介：

王澤镕（2000-），女，漢族，山西陽泉人，大連理工大學本科在讀，專業：應用化學