论文部分内容阅读
摘要：本论文基于前期大量实验获得的数据，对于现有较少的数据根据温度不同进行拟合，随后通过得到的拟合模型对于不同工质流量进行数据生成，得出2200组数据，满足了使用神经网络模型等深度学习方法的前提。随后使用神经网络模型以及集成学习等方法构建了ORC海洋发电系统的仿真模型，其可以实现使用者输入相应的温度，模型自动返回所需要的变化的工质流量以及具体需要变大还是变小，我们也基于单片机实现了同样的功能。
关键词：多元线性回归;集成学习 ;神经网络 ;单片机
1基于机器学习的海洋温差能发电系统的优化
1.1不同温度下的最佳工质流量
最初，我们首先测量了ORC实验仪器的在不同温度下对应不同工质流量所产生的发电功率，发现ORC实验装置在某一固定温度下随着冷媒质量流量增大，发电功率先增大后减小。
但同时，我们发现收集的数据数量较少，同时因为仪器不能灵活控制每次实验下的冷媒质量流量，所以我们使用sklearn中预处理库中的多项式拟合，将不同温度下的数据进行数据增强，方便我们使用神经网络等模型来进行模型拟合随后进行仿真系统优化。
1.2不同温度下的sklearn多项式拟合与数据增强
1.2.1多项式拟合概念
首先假设训练集由的次观测得到，为，均匀分布于区间[0，1]。对应的观测集为 ，假设实际的目标函数为。其中训练集是已知的，我们的目的是通过训练集和观测集拟合出预测函数，让它尽可能的接近目标函数，所以生成观测集的方式是通过训练集加上随机噪声输入到目标函数得到。接下来我们使用多项式函数来拟合我们的数据，多项式定义为：
其中是多项式的阶数，是多项式的系数，记做，可以看到虽然多项式函数 是关于的非线性函数，但是却是关于多项式系数 的线性函数。有了多项式以后我们还需要一个误差函数来对我们拟合出的多项式进行评估，这里我们使用均方误差，公式如下：
接下来就可以对数据进行拟合。
1.2.2 本实验多项式拟合
对于本实验中的数据，我们首先分析冷媒工质流量，温度与发电功率的相关性，可以发现冷媒工质流量的大小对于发电功率影响较大。我们将冷媒质量流量与温度共同作为自变量，发电功率作为因变量构建多项式仿真模型。经过实验和比较，我们选择九阶多项式进行拟合，其在不同温度下的拟合效果均较好，score可以达到0.99。
同时，经过多项式拟合以后，我们可以进行数据增强，我们将通过多项式拟合后的模型得到不同温度下不同工质流量所对应的发电功率，这样我们的数据量就从原本的95组扩充到了2200组，方便我们接下来使用神经网络模型等对于不同温度下的发电功率进行预测。
1.3 基于AdaBoostRegressor与神经网络的ORC仿真系统的实验流程介绍
我们首先将之前得到的2200组数据划分训练集，验证集与测试集，首先对于数据进行shuffle处理，将其中80%的数据作为训练集，10%的数据作为验证集，10%的数据作为测试集，运行200个epochs。我们发现模型在训练集以及验证集上表现良好。
同时，我们尝试了基于AdaBoostRegressor算法的仿真模型构建的仿真模型，测试了其在不同子模型，不同学习率以及不同loss函数下的表现，最后确定其为100个子模型，学习率为0.01，使用square的loss函数，经过测试，其可以达到0.94的score。
1.4仿真系统的优化
经过之前仿真模型的构建，我们可以实现最后的优化模型构建，当使用者输入温度时，模型可以通过输入的温度，自动生成工质流量从98到440的所有對应的发电功率，找出其中的最大值，并且返回最大值对应的工质流量，同时可以返回需要变大变小的工质流量大小。
2.基于单片机的海洋温差能发电系统的优化
单片机系统优化控制逻辑为每给定一个工质温度，我们通过单片机控制工质流量阀门开度，将其调节到最小值为98 kg/h，在每一工质流量下，通过功率传感器读取对应工质流量的发电功率，并将该值保留。之后工质流量以步长为1 kg/h增加，每得到一个发电功率都将其与前一个数值进行比较，若当前发电功率大于前一发电功率，则将其保留，否则将其舍弃。当程序迭代计算至511 kg/h时，系统的最终输出即为给定工质温度下最大发电功率对应的工质流量。同理，每给定一个工质流量，单片机调节工质温度到最小值为80℃，在每一工质温度下，通过功率传感器读取对应工质温度的发电功率，并将该值保留。之后工质温度以步长为1℃增加，每得到一个发电功率都将其与前一个数值进行比较，若当前发电功率大于前一发电功率，则将其保留，否则将其舍弃，当程序迭代计算至105℃时，系统的最终输出即为给定工质流量下最大发电功率对应的工质温度。单片机系统优化控制逻辑在图2.1中得到展现。
3.总结
本论文首先对于不同温度下不同工质流量对应的发电功率进行了大量实验收集。在此基础上，基于机器学习对于现有较少的数据根据温度不同使用九阶多项式进行拟合，随后通过得到的拟合模型对于不同温度不同工质流量进行数据生成，得出2200组数据，满足了使用神经网络模型等深度学习方法的前提。随后我们使用神经网络模型以及集成学习等方法构建了整个ORC海洋发电系统的仿真模型，其可以实现使用者输入相应的温度，模型自动返回所需要的变化的工质流量以及具体需要变大还是变小。
同时，我们基于单片机实现了同样的功能。 每给定一个工质温度，我们通过单片机控制工质流量阀门开度，将其调节到最小值为98 kg/h，通过功率传感器读取对应工质流量的发电功率，并将该值保留。之后工质流量以步长为1 kg/h增加，每得到一个发电功率都将其与前一个数值进行比较，若当前发电功率大于前一发电功率，则将其保留，否则将其舍弃。当程序迭代计算至511 kg/h时，系统的最终输出即为给定工质温度下最大发电功率对应的工质流量。
参考文献
[1]彭景平，陈凤云，刘伟民，刘鹤仪.海洋温差发电技术的现状及其商业化可行性探讨[J].绿色科技，2012（11）：241-243.
[2]张继生，唐子豪，钱方舒.海洋温差能发展现状与关键科技问题研究综述[J].河海大学学报（自然科学版），2019，47（01）：55-64.
[3]徐莹.一种高效海洋温差发电系统的设计与性能仿真研究[D].集美大学，2016.
[4]安宁.海底热液温差能发电微型汽轮机技术研究[D].浙江大学，2016.
[5]李大树.海洋温差能开发利用高效热交换技术[J].工业加热，2019，48（03）：1-3.
基金项目：
大连理工大学大学生创新创业训练计划（2020101419806010969）
作者简介：
王泽镕（2000-），女，汉族，山西阳泉人，大连理工大学本科在读，专业：应用化学
关键词：多元线性回归;集成学习 ;神经网络 ;单片机
1基于机器学习的海洋温差能发电系统的优化
1.1不同温度下的最佳工质流量
最初，我们首先测量了ORC实验仪器的在不同温度下对应不同工质流量所产生的发电功率，发现ORC实验装置在某一固定温度下随着冷媒质量流量增大，发电功率先增大后减小。
但同时，我们发现收集的数据数量较少，同时因为仪器不能灵活控制每次实验下的冷媒质量流量，所以我们使用sklearn中预处理库中的多项式拟合，将不同温度下的数据进行数据增强，方便我们使用神经网络等模型来进行模型拟合随后进行仿真系统优化。
1.2不同温度下的sklearn多项式拟合与数据增强
1.2.1多项式拟合概念
首先假设训练集由的次观测得到，为，均匀分布于区间[0，1]。对应的观测集为 ，假设实际的目标函数为。其中训练集是已知的，我们的目的是通过训练集和观测集拟合出预测函数，让它尽可能的接近目标函数，所以生成观测集的方式是通过训练集加上随机噪声输入到目标函数得到。接下来我们使用多项式函数来拟合我们的数据，多项式定义为：
其中是多项式的阶数，是多项式的系数，记做，可以看到虽然多项式函数 是关于的非线性函数，但是却是关于多项式系数 的线性函数。有了多项式以后我们还需要一个误差函数来对我们拟合出的多项式进行评估，这里我们使用均方误差，公式如下：
接下来就可以对数据进行拟合。
1.2.2 本实验多项式拟合
对于本实验中的数据，我们首先分析冷媒工质流量，温度与发电功率的相关性，可以发现冷媒工质流量的大小对于发电功率影响较大。我们将冷媒质量流量与温度共同作为自变量，发电功率作为因变量构建多项式仿真模型。经过实验和比较，我们选择九阶多项式进行拟合，其在不同温度下的拟合效果均较好，score可以达到0.99。
同时，经过多项式拟合以后，我们可以进行数据增强，我们将通过多项式拟合后的模型得到不同温度下不同工质流量所对应的发电功率，这样我们的数据量就从原本的95组扩充到了2200组，方便我们接下来使用神经网络模型等对于不同温度下的发电功率进行预测。
1.3 基于AdaBoostRegressor与神经网络的ORC仿真系统的实验流程介绍
我们首先将之前得到的2200组数据划分训练集，验证集与测试集，首先对于数据进行shuffle处理，将其中80%的数据作为训练集，10%的数据作为验证集，10%的数据作为测试集，运行200个epochs。我们发现模型在训练集以及验证集上表现良好。
同时，我们尝试了基于AdaBoostRegressor算法的仿真模型构建的仿真模型，测试了其在不同子模型，不同学习率以及不同loss函数下的表现，最后确定其为100个子模型，学习率为0.01，使用square的loss函数，经过测试，其可以达到0.94的score。
1.4仿真系统的优化
经过之前仿真模型的构建，我们可以实现最后的优化模型构建，当使用者输入温度时，模型可以通过输入的温度，自动生成工质流量从98到440的所有對应的发电功率，找出其中的最大值，并且返回最大值对应的工质流量，同时可以返回需要变大变小的工质流量大小。
2.基于单片机的海洋温差能发电系统的优化
单片机系统优化控制逻辑为每给定一个工质温度，我们通过单片机控制工质流量阀门开度，将其调节到最小值为98 kg/h，在每一工质流量下，通过功率传感器读取对应工质流量的发电功率，并将该值保留。之后工质流量以步长为1 kg/h增加，每得到一个发电功率都将其与前一个数值进行比较，若当前发电功率大于前一发电功率，则将其保留，否则将其舍弃。当程序迭代计算至511 kg/h时，系统的最终输出即为给定工质温度下最大发电功率对应的工质流量。同理，每给定一个工质流量，单片机调节工质温度到最小值为80℃，在每一工质温度下，通过功率传感器读取对应工质温度的发电功率，并将该值保留。之后工质温度以步长为1℃增加，每得到一个发电功率都将其与前一个数值进行比较，若当前发电功率大于前一发电功率，则将其保留，否则将其舍弃，当程序迭代计算至105℃时，系统的最终输出即为给定工质流量下最大发电功率对应的工质温度。单片机系统优化控制逻辑在图2.1中得到展现。
3.总结
本论文首先对于不同温度下不同工质流量对应的发电功率进行了大量实验收集。在此基础上，基于机器学习对于现有较少的数据根据温度不同使用九阶多项式进行拟合，随后通过得到的拟合模型对于不同温度不同工质流量进行数据生成，得出2200组数据，满足了使用神经网络模型等深度学习方法的前提。随后我们使用神经网络模型以及集成学习等方法构建了整个ORC海洋发电系统的仿真模型，其可以实现使用者输入相应的温度，模型自动返回所需要的变化的工质流量以及具体需要变大还是变小。
同时，我们基于单片机实现了同样的功能。 每给定一个工质温度，我们通过单片机控制工质流量阀门开度，将其调节到最小值为98 kg/h，通过功率传感器读取对应工质流量的发电功率，并将该值保留。之后工质流量以步长为1 kg/h增加，每得到一个发电功率都将其与前一个数值进行比较，若当前发电功率大于前一发电功率，则将其保留，否则将其舍弃。当程序迭代计算至511 kg/h时，系统的最终输出即为给定工质温度下最大发电功率对应的工质流量。
参考文献
[1]彭景平，陈凤云，刘伟民，刘鹤仪.海洋温差发电技术的现状及其商业化可行性探讨[J].绿色科技，2012（11）：241-243.
[2]张继生，唐子豪，钱方舒.海洋温差能发展现状与关键科技问题研究综述[J].河海大学学报（自然科学版），2019，47（01）：55-64.
[3]徐莹.一种高效海洋温差发电系统的设计与性能仿真研究[D].集美大学，2016.
[4]安宁.海底热液温差能发电微型汽轮机技术研究[D].浙江大学，2016.
[5]李大树.海洋温差能开发利用高效热交换技术[J].工业加热，2019，48（03）：1-3.
基金项目：
大连理工大学大学生创新创业训练计划（2020101419806010969）
作者简介：
王泽镕（2000-），女，汉族，山西阳泉人，大连理工大学本科在读，专业：应用化学