高丽大学ACS AMI: 基于机器学习预测混合能量收集设备的性能

近年来，太阳能技术的发展导致了由光伏电池（PVC）和热电发电机（TEG）组成的混合能量设备（HEG）的出现。尽管 HED 已被广泛研究以提高其性能，但尚未分析影响其性能的参数，因为参数与性能之间的潜在关系难以阐明。

在此，韩国高丽大学Sangsig Kim, Kyoungah Cho等人使用机器学习（ML）分析参数并预测HED 输出功率。其中，界面材料的热导率、吸收率、光热转换系数及实验环境的周围温度（T_Surr）和辐照度作为ML的五个输入变量。此外，PVC 的上（T1）和下（T2）侧的温度和由TEG产生的温差电压（V_S）被定义为ML的三个输出变量。

为了分析HED的参数与性能之间的潜在关系，选择输出变量作为PVC（T1, T2）和TEG（V_S）性能的参数。输出变量的后续过程提供了HED 的输出功率：PVC的输出功率可以从其作为温度函数的数据中获得，TEG 的输出功率可以使用V_S及其内阻计算，HED的输出功率是PVC和TEG输出功率之和。

图1. 实验装置及机器学习的数据采集

作者基于PVC和TEG之间存在不同界面材料的5种 HED（由PVC和TEG 组成）的110个实验数据评估了8种不同的ML模型，包括线性回归（LR）、k最近邻（KNN）、随机森林（RF）、三链式回归模型（LR、KNN和RF）、支持向量回归（SVR）和人工神经网络（ANN）。

结果显示，ANN模型是最合适的模型，它展示了P_{Max_HED}（P_{Max_TEG}+P_{Max_PVC}）与界面材料特性的相关性。较高的归一化吸收率和光热转换系数导致P_{Max_TEG}增加，而较高的热导率不仅导致P_{Max_TEG}增加，还导致P_{Max_PVC}减少。在界面材料特性中，归一化吸收率和光热转换系数比导热系数对提高HED的功率更重要。这项研究提供了一种有用的方法，即通过预测HED的功率和界面材料性能之间的相关性来提高输出功率。

图2. 真实结果和预测结果之间的线性相关性

Performance Prediction of Hybrid Energy Harvesting Devices Using Machine Learning, ACS Applied Materials & Interfaces 2022. DOI: 10.1021/acsami.1c21856

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/11/62685b44ca/

高丽大学ACS AMI: 基于机器学习预测混合能量收集设备的性能

相关推荐

发表回复