利用机器学习模型对混合蒸汽压缩-热电制冷系统的性能进行评估

《ENERGY CONVERSION AND MANAGEMENT》：Performance assessment of a hybrid vapor compression-thermoelectric refrigeration system using machine learning models

本研究开发了一种混合制冷系统，结合热电冷却（TEC）模块与常规蒸气压缩（VCR）循环，通过实验测试不同TEC电压（5.5-7.5V）和气流速度（0-1.2m/s）下的性能。结果表明，TEC电压为7.5V且气流1.2m/s时，冷冻室温度降至-30.5°C，同时COP最高达0.96，验证了混合系统的效能及AI模型（ANN表现最佳，R2>0.98）的预测可靠性。

　　这项研究探讨了一种结合传统蒸汽压缩制冷（VCR）系统与热电冷却（TEC）模块的混合制冷配置，旨在实现冰箱内腔的更低温度。研究团队通过实验测试，分析了不同条件下的系统表现，特别是通过调整TEC的电压和空气流动速度来优化冷却性能。实验结果显示，当TEC电压为7.5伏且空气流动速度为1.2米每秒时，冰箱内部温度可以降至-30.5摄氏度，而当电压为5.5伏时，冷侧温度则从-37.5摄氏度上升至-34摄氏度，表明温度控制的灵活性和系统性能的可调性。同时，研究还发现，在较低电压（5.5伏）下，系统的最大能效比（COP）达到0.96，但随着电压的增加，COP有所下降，这反映出冷却功率与效率之间的权衡关系。

在技术层面，热电冷却模块利用珀尔帖效应，能够实现无声运行、低维护成本以及精确的温度控制，无需使用传统制冷剂。然而，其制冷能力有限，且对输入条件和环境因素较为敏感。因此，研究团队将热电冷却模块与蒸汽压缩制冷系统结合，形成一种混合制冷系统，以提高整体效率和适应性。这种混合系统在某些方面提升了冷却效果，同时在小型空间中改善了冷凝条件，从而为各种应用场景提供了更高效的解决方案。

研究还强调了人工智能（AI）在制冷系统优化和性能预测中的重要性。机器学习（ML）方法在传统分析或经验方法不足的情况下，展现出强大的建模能力。通过从实验数据中学习，AI模型可以预测系统的热力学输出，如制冷能力、能效比和内部温度，从而支持实时或设计阶段的最优操作调整。近年来，越来越多的研究将机器学习应用于混合系统，例如通过卷积神经网络、支持向量回归和集成方法来模拟热力学行为、瞬态响应和组件动态。尽管这些方法在某些系统中取得了良好的效果，但它们在实验配置中，特别是涉及多输出预测的混合VCR-TEC系统中的应用仍较为有限。

研究团队指出，当前文献中存在一个关键的知识空白：尚未有研究全面评估多种机器学习模型在预测混合VCR-TEC系统中关键性能指标（如总能效比、制冷能力和内部温度）方面的表现。为此，本研究结合实验数据与监督式机器学习模型，对多种算法的预测准确性、泛化能力和物理可解释性进行了比较分析。所采用的五种监督式机器学习模型包括人工神经网络（ANN）、随机森林（RF）、极端梯度提升（XGBoost）、K近邻（KNN）和AdaBoost回归器（AB）。这些模型在处理非线性关系、多维参数以及复杂系统行为方面表现出良好的适应性。

实验部分采用了标准的蒸汽压缩制冷循环、热电冷却系统以及两者的混合系统。为了评估系统的冷却性能，研究团队应用了能量平衡原理，分别分析了蒸汽压缩和热电组件的表现。其中，冰箱内腔的热量移除量通过特定公式计算，该公式涉及整体传热系数、墙体表面积、内部温度和外部空气温度等参数。研究团队通过实验获取了全面的数据集，涵盖了不同电压和空气流动速度下的系统运行行为，为后续的机器学习建模提供了坚实的基础。

在机器学习方法的应用方面，研究团队采用了监督式学习模型，这些模型能够处理复杂的非线性关系和多维输入参数。通过训练和验证这些模型，研究团队预测了混合系统的多个关键性能指标，并利用统计指标如R2和均方根误差（RMSE）来评估模型的预测准确性。此外，研究还分析了残差分布、变量重要性以及变量间的相关趋势，从而深入理解模型行为及其对系统热力学性能的影响。这些分析不仅揭示了不同模型的优缺点，还提供了对系统运行机制的物理解释，帮助研究人员识别关键影响因素。

研究结果表明，人工神经网络模型在所有变量预测中表现出最高的准确性，其R2值超过了0.98，且均方根误差（RMSE）最低。相比之下，其他模型如随机森林、XGBoost、KNN和AdaBoost在预测性能上稍逊一筹，但仍然能够提供可靠的预测结果。通过对实验数据和模型预测结果的对比分析，研究团队发现，在不同的电压和空气流动速度条件下，系统的表现存在显著差异。例如，当电压增加时，虽然制冷能力有所提升，但能效比下降，表明需要在冷却功率和系统效率之间找到最佳平衡点。

此外，研究还探讨了混合制冷系统在实际应用中的潜力。这种系统不仅能够实现超低温冷却，还能在维持可控热量排放的同时，提高能源利用效率。其固态结构、环保特性和紧凑设计，使其特别适合于便携式、太阳能供电和离网应用。混合系统还能够支持适应性冷却策略，并通过智能集成到控制系统中，进一步降低能耗并延长系统寿命。这些优势凸显了对混合VCR-TEC系统进行深入研究的重要性，尤其是在结合智能预测工具方面。

在实验数据的获取过程中，研究团队系统地调整了TEC的输入电压和空气流动速度，以分析它们对冷却能力、内部温度和能耗的影响。同时，研究团队利用铝制热交换器将热电模块的热侧热量传递给制冷剂，冷侧则通过冷凝器和风扇进行热量排放。这种热交换和冷凝设计确保了系统的稳定运行，并能够有效调节热量分布，从而提高整体冷却效率。

研究团队还分析了不同机器学习模型的预测能力，发现人工神经网络在预测所有变量时表现最为出色，而其他模型如随机森林、XGBoost、KNN和AdaBoost在预测性能上各有优劣。通过对残差分布、变量重要性以及相关趋势的分析，研究团队不仅能够评估模型的准确性，还能识别系统运行中的关键物理变量，从而为系统优化提供理论依据。

此外，研究还探讨了混合制冷系统在不同应用场景中的潜力。例如，在住宅和建筑供暖领域，已有研究将热电模块与蒸汽压缩制冷系统结合，以提高供暖能力。然而，这些研究主要集中在实验和数值模拟方面，而未能充分利用人工智能方法进行实时预测和优化。因此，本研究通过引入机器学习模型，填补了这一空白，并为混合系统的设计和运行提供了新的思路。

研究团队还分析了不同文献中对混合制冷系统的研究进展。例如，一些研究探讨了热电冷却模块与相变材料（PCM）的结合，以提高制冷能力并减少能耗。其他研究则关注了热电模块在太阳能制冷系统中的应用，表明其在提高能源效率和适应不同环境条件方面具有巨大潜力。然而，这些研究大多集中在单一系统或材料，而未能全面评估混合系统中的多个性能指标。

综上所述，这项研究通过结合实验数据与监督式机器学习模型，为混合VCR-TEC制冷系统提供了新的分析工具和优化策略。研究团队不仅验证了不同模型的预测准确性，还深入探讨了系统运行中的关键物理变量，从而为实际应用提供了理论支持。此外，研究还指出，混合制冷系统在提高能源效率、适应不同环境条件以及实现智能控制方面具有重要潜力，未来的研究应进一步探索其在不同应用场景中的表现，并结合更先进的预测工具进行系统优化。