利用超级学习器集成模型对集成式太阳能池塘-集热系统中的多层储热温度进行稳健预测

《Journal of Energy Storage》：Robust prediction of multi-layer heat storage temperatures in an integrated solar pond–collector system using a Super Learner ensemble model

集成太阳能系统温度分布预测研究提出基于Super Learner的十模型融合方法，通过13点热电偶监测数据实现HSZ五层温度（T9-T13）高精度预测（RMSE最低0.4584℃），对比传统模型在R2（最高0.9985）等七项指标均占优，并验证其在实时监测场景的低延迟特性。

　　太阳能池是一种通过深度增加密度而形成分层结构的系统，其中太阳能以热能的形式储存在高密度盐水溶液中。近年来，随着对可再生能源需求的增长，研究人员开始探索将太阳能收集系统与太阳能池结合的集成方案，以提高热能存储和利用的效率。本文提出了一种高精度的集成学习方法，用于预测集成太阳能池-收集系统中热能存储区（Heat Storage Zone, HSZ）的温度分布，通过结合多种回归模型构建了一个“超级学习者”（Super Learner, SL）模型，以提升预测的准确性和稳定性。

研究团队使用了一个垂直分层的热监测结构，配备了13个热电偶，用于采集不同区域的温度数据。输入变量包括非对流区（Non-Convective Zone, NCZ）的温度（T1-T4）、上对流区（Upper Convective Zone, UCZ）的温度（T5）、热交换器的进水和出水温度（T6-T7）以及环境温度（T8）。通过这些输入变量，模型能够预测HSZ中五个关键温度点（T9-T13）的值。为了确保模型的准确性和泛化能力，研究团队采用10折交叉验证的方式对模型进行了训练和评估，并使用了包括均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R2）、平均绝对百分比误差（MAPE）、对称平均绝对百分比误差（SMAPE）、误差变异系数（EVS）和最大误差在内的七种统计指标进行模型性能分析。

实验结果显示，超级学习者模型在所有层面上都优于单个模型。特别是在最深的HSZ-T13层，该模型表现出卓越的预测性能，RMSE为0.4584°C，MAE为0.2936°C，R2达到0.9985，MAPE仅为0.76%。这些数值表明，模型能够准确捕捉非线性热损失模式和垂直热梯度，从而为太阳能池的温度预测提供可靠依据。此外，研究还展示了超级学习者模型在时间分析上的优势，其提取延迟较低，训练成本合理，非常适合实时监控和能源管理场景的应用。

在实际应用中，太阳能池的温度预测对于优化能源利用和提高系统效率至关重要。通过实时温度预测，可以更好地调整热交换器的工作状态，合理分配能量储存和释放，从而减少能源浪费并提高系统的整体性能。同时，该模型的高稳定性意味着它可以在不同环境条件下保持一致的预测效果，这在实际工程应用中具有重要意义。

为了验证模型的性能，研究团队对不同回归模型进行了比较，包括支持向量回归（SVR）、最近邻（KNN）、决策树（DT）、随机森林（RF）、梯度提升机（GBM）、XGBoost（XGB）、人工神经网络（ANN）、岭回归（Ridge）、高斯过程回归（GPR）和LASSO等。这些模型在各自的领域中都具有较高的预测能力，但单一模型在处理复杂、非线性的温度分布问题时存在局限性。相比之下，超级学习者模型通过集成多个模型的优势，实现了更全面的预测效果。此外，研究还对模型的泛化能力进行了评估，包括使用10折交叉验证、时间对齐分析和基于分布的相似性分析（如核密度估计，KDE）等方法，进一步证明了该模型的优越性。

研究团队还强调了该方法在实际工程中的应用潜力。由于超级学习者模型具有较低的推理延迟和较高的预测准确性，它能够满足实时监控和能源管理的需求，从而为智能热管理系统的设计提供支持。这种模型不仅可以提高太阳能池系统的运行效率，还能为其他类似的热能储存系统提供参考。例如，在工业或建筑领域的热能储存和管理中，类似的集成学习方法可以用于优化能量利用，提高系统响应速度，降低运营成本。

为了确保研究的科学性和可靠性，团队还对太阳能池的结构和数据采集过程进行了详细描述。太阳能池由三个基本区域组成：上对流区（UCZ）、非对流区（NCZ）和热能存储区（HSZ）。实验装置基于Bozkurt和Karakilcik [3] 提出的实验设置，使用了一个半径为0.80米、深度为2米的圆柱形储水罐，并配备了四个尺寸为1.90米×0.90米的平板太阳能收集器。这些收集器被安装在太阳能池的顶部，用于吸收太阳能并将其转化为热能，进而通过热能存储区进行储存。

数据采集过程中，热电偶被布置在不同的深度位置，以确保能够准确捕捉太阳能池内部的温度变化。通过长期的实验监测，团队收集了大量实际运行数据，为模型的训练和验证提供了坚实的基础。这些数据不仅包括温度信息，还涵盖了环境条件、太阳能收集效率等关键参数，有助于模型更好地理解温度变化的驱动因素，并提高预测的准确性。

此外，研究还对太阳能池的温度分布模式进行了分析。在非对流区，由于盐度梯度的存在，形成了稳定的热层结构，从而有效抑制了对流热损失。这种结构使得热能能够更有效地存储在下层的热能存储区中。而在上对流区，温度梯度随着深度的增加而减小，表明该区域的热能传递更加活跃，容易受到外部环境的影响。因此，在预测过程中，需要综合考虑这些区域的温度变化趋势，以提高模型的整体性能。

研究团队在方法论上也进行了深入探讨，提出了基于超级学习者模型的多层预测框架。该框架不仅能够处理复杂的温度分布问题，还能适应不同规模和结构的太阳能池系统。通过将多种回归模型集成在一起，超级学习者模型能够自动选择最合适的子模型，以优化预测结果。这种自适应能力使得模型在面对不同环境条件和数据特征时，依然能够保持较高的预测精度。

在实验验证过程中，研究团队采用了严格的评估标准，确保模型的预测结果能够反映真实情况。通过对不同温度目标的比较，模型在所有层面上都表现出色，特别是在最深的HSZ-T13层，其预测误差非常低，说明该模型能够有效捕捉深层温度的变化规律。同时，研究团队还分析了模型在不同时间段内的表现，发现其预测能力具有良好的时间一致性，这进一步验证了模型的稳定性和可靠性。

从经济和环境角度来看，太阳能池作为一种可再生能源储存技术，具有重要的应用前景。随着全球对可持续能源的需求不断增长，太阳能池能够为电网提供稳定的热能供应，减少对化石燃料的依赖，并降低碳排放。然而，要实现这一目标，必须确保太阳能池系统的高效运行和可靠管理。超级学习者模型的引入为这一目标提供了新的解决方案，使得温度预测更加精确，从而优化能量储存和释放过程。

综上所述，本文的研究成果表明，超级学习者模型在预测集成太阳能池-收集系统中热能存储区的温度分布方面具有显著优势。该模型不仅在准确性上优于其他单一回归方法，还具备良好的稳定性和实时应用能力，为太阳能池的智能化管理和优化提供了有力支持。未来，随着人工智能技术的不断发展，类似的集成学习方法有望在更多可再生能源系统中得到应用，从而推动清洁能源技术的进步和普及。