基于物理信息的集成学习方法，用于精确预测特征不明的平板太阳能集热器的性能

《Heat Transfer》：Physics-Informed Ensemble Learning for Accurate Performance Prediction of Uncharacterized Flat-Plate Solar Collectors

　　

摘要

在数据稀缺的环境中，特别是那些技术文档、流量测量和可靠的传感基础设施有限或不可用的发展中国家，准确监控太阳能热系统仍然具有挑战性。在多年的使用过程中，许多设备还会丢失关键的制造商信息，这使得传统的基于模型的方法变得不切实际。经典的热模型依赖于特定于集热器的参数，如 η₀、a₁ 和 Ac，同时假设运行条件是稳定的，而这种稳定性在现实中的室外环境中很少能维持。为了解决这些限制，本研究引入了一个不依赖于制造商参数的预测框架，该框架基于物理知识的集成学习方法。研究使用了从毛里塔尼亚努瓦克肖特的一个太阳能热平台收集的 13,948 条实验观测数据，在动态变化的运行条件下训练和评估了六种集成学习算法。所提出的模型可以预测三个关键性能指标：出口温度、温度提升和标准化热效率。特征空间仅包含了现场可获取的测量数据——太阳辐照度、环境温度和入口温度——以及从 EN 12975 减温公式中得到的具有热力学意义的变量，包括 reduced temperature T*。在所有评估的方法中，梯度提升回归器（Gradient Boosting Regressor，简称 GBR）在出口温度预测方面取得了最佳的整体性能，五折交叉验证的结果为 R²?=?0.9635、MAE?=?0.61°C 和 RMSE?=?0.83°C。温度提升的预测准确率也相当高（R²?=?0.91、MAE?=?0.61°C），而标准化效率的预测精度几乎达到完美（R²?=?0.997、MAE?=?0.001）。与仅使用原始传感器数据相比，基于物理的特征增强显著提高了预测能力。基于 SHAP 的可解释性分析进一步表明，太阳辐照度和 reduced temperature 是主要的解释变量，说明模型隐含地捕捉了关键的热力学和热惯性行为。时间自相关分析进一步证实，T* 具有显著的短期热记忆效应，其特征持续时间为大约 85 分钟，并且这种记忆效应会体现在与出口温度的持续正相关性中。这些结果表明，基于物理知识的集成学习可以在不需要特定制造商参数或大量仪器设备的情况下，对平板太阳能集热器进行准确、可靠且可解释的监控。因此，所提出的框架为在现实世界条件下运行的太阳能热系统提供了通向虚拟传感、故障监测和数字孪生开发的可扩展路径。

利益冲突

作者声明没有利益冲突。

数据可用性声明

支持本研究结果的数据可向通讯作者索取。由于隐私或伦理限制，这些数据不对外公开。