一种微波强化太阳能热化学制氢系统的产氢量预测方法

本发明属于太阳能转化，具体涉及一种微波强化太阳能热化学制氢系统的产氢量预测方法。

背景技术：

1、太阳能热化学水解是一种使用太阳能作为热源来分解水（）产生氢气（）和氧气（）的过程。该技术利用太阳能驱动金属氧化物二氧化铈（）热化学循环分解水制氢。这种方法可以将太阳能直接转换为化学能，是一种高效且环境友好的氢气生产方式。微波加热是一种利用微波能量直接加热物质的技术。与传统的加热方法相比，微波加热具有加热速度快、能量转换效率高和加热更均匀的特点。在太阳能热化学水解制氢过程中，微波加热可以用来提供额外的或更均一的热能，以增强热化学反应的速率和完整性。

2、随着人工智能技术的发展，机器学习尤其是极限学习机（elm）算法被广泛应用于各种预测和优化任务中。在能源系统中，机器学习可用于预测能源产量、优化系统运行和提高能源转换效率。极限学习机因其高效的学习速度和较好的泛化能力，在处理复杂数据和快速响应系统调整方面具有强大优势。

3、然而，传统的极限学习机往往依赖于随机生成的隐藏层参数，可能导致训练模型在不同的数据集上表现不稳定，特别是在数据特征复杂或相关性较高时，其泛化能力受限。同时，传统的极限学习机模型缺乏稀疏性，不包括正则化机制，特别是在特征维度高于样本数量的情况下，可能导致过拟合。

技术实现思路

1、为解决上述技术问题，本发明提供一种微波强化太阳能热化学制氢系统的产氢量预测方法，通过整合微波加热和太阳能热化学反应技术，提高氢气的产量、制氢速率和能源转化效率，收集系统运行的相关数据（如反应温度、吸收功率、电导率、太阳辐射强度、氢气产量等），提出改进的机器学习方法利用正则法施加输出权的稀疏性约束，对数据进行快速有效的学习和处理，增强了模型的泛化能力和鲁棒性。通过训练模型，可以实时预测不同操作条件下的氢气产量，为系统的优化运行和能源管理提供科学依据。本发明适用于需要高效率和高精度氢气产量预测的太阳能热化学制氢领域，具有重要的理论意义和实际应用价值。

2、为达到上述目的，本发明采用的技术方案如下：

3、一种微波强化太阳能热化学制氢系统的产氢量预测方法，包括以下步骤：

4、步骤1：收集微波强化太阳能热化学制氢系统运行过程中的关键运行数据，所述关键运行数据包括系统输入变量和输出变量，所述系统输入变量包括反应腔温度、吸收功率、电导率和太阳辐射强度，所述输出变量包括氢气产量；

5、步骤2：对收集的关键运行数据进行清洗和标准化处理，确保输入到训练模型中的数据质量和一致性；

6、步骤3：提出利用正则化技术施加输出权重的稀疏性约束改进极限学习机模型，增强训练模型的泛化能力和抑制过拟合；

7、步骤4：使用步骤1收集的关键运行数据对步骤3中的稀疏性约束改进极限学习机模型进行训练，得到训练模型；所述步骤1收集的关键运行数据被分为训练集和验证集，所述训练集用于对稀疏性约束改进极限学习机模型进行训练，所述验证集用于评估训练模型；

8、步骤5：根据步骤4中获得的训练模型实时预测在不同操作条件下的氢气产量，获得预测结果；

9、步骤6：利用步骤5的预测结果支持微波强化太阳能热化学制氢系统的优化运行和能源管理。

10、进一步地，所述步骤1中，通过安装在微波强化太阳能热化学制氢系统中的一系列传感器完成关键运行数据的收集。

11、进一步地，所述步骤2中对收集的关键运行数据进行清洗和标准化处理，包括去除异常值、填补缺失值、特征缩放。

12、进一步地，所述步骤3包括：

13、给定一个数据集，其中，为第个输入样本，为第个输出样本，为采样个数；系统输入变量为微波强化太阳能热化学制氢系统的反应温度、电导率、太阳辐射强度和吸收功率，输出变量是氢气产量，利用正则化技术施加输出权重的稀疏性约束改进极限学习机模型通过以下方式建立：

14、（1）

15、其中，表示模型矩阵；表示输出权向量；表示输出值；

16、利用正则化技术施加输出权重的稀疏性约束，得出如下的优化模型：

17、 （2）

18、式中，min表示最小值；表示l1范数；是数据保真项，确保估计的稳健性；代表l1-2范数，用于施加输出权稀疏性的先验假设；为正则化参数；

19、利用半二次方分裂算法求解方程（2），因此，通过引入两个辅助变量，将方程（2）松弛为如下的问题：

20、 （3）

21、式中，和为辅助变量；l为中间函数，定义如下：

22、（4）

23、式中，和为罚参数；表示l2范数的平方；

24、交替地求解方程（4），得出如下的三个子问题：

25、 （5）

26、（6）

27、（7）

28、式中，为迭代步数；

29、根据方程（4），方程（5）-方程（7）重写为：

30、 （8）

31、 （9）

32、（10）

33、方程（8）和方程（9）的解通过软阈算子表示；方程（10）是可微的，能够被有效的求解。

34、进一步地，所述步骤4中，使用收集的关键运行数据对训练模型进行交叉验证，优化模型参数，确保训练模型具有良好的泛化能力。

35、进一步地，所述步骤5中，预测结果用来指导实际操作，包括调整微波功率或太阳能辐射强度，以优化氢气的产出。

36、进一步地，所述步骤6包括：将训练模型集成到微波强化太阳能热化学制氢系统的控制单元中，实现自动化控制和优化，并且持续监控训练模型的性能，并根据需要进行训练模型的再训练或调整，以适应微波强化太阳能热化学制氢系统动态变化或外部环境变化。

37、与现有技术相比，本发明具有以下有益效果：

38、本发明整合微波加热技术和太阳能热化学反应技术，能够在较低的环境温度或太阳辐射不足的条件下，通过微波加热补充所需热量，从而保证氢气的持续和高效生产。这在传统太阳能热化学制氢系统中往往是一个限制因素。本发明利用改进的极限学习机模型，能够快速有效地处理复杂数据集，如反应温度、电导率、太阳辐射强度和微波功率等，从而实现高精度的氢气产量预测。这种快速的数据处理和高精度预测对于优化制氢过程尤为重要，能够实时反馈并调整操作参数。通过引入正则化技术施加输出权重的稀疏性约束，本发明的算法增强了预测模型的泛化能力，使其在面对数据波动或不完整数据时仍能保持稳定的预测性能。这种鲁棒性是传统极限学习机算法所缺乏的。由于其高效率和高精度的特点，本发明不仅适用于太阳能热化学制氢领域，还可以扩展到其他需要精确能量管理和制品产量预测的能源生产系统，如生物质能、风能等。本发明利用改进极限学习机算法对微波强化太阳能热化学制氢系统中的氢气产量进行预测，极大减少了计算和实验时间以及成本，能够处理复杂数据，同时快速响应系统的运行调控机制。

39、为了改善传统极限学习机模型的泛化性能和鲁棒性，本发明将利用正则法施加输出权的稀疏性约束改进极限学习机模型，促使模型在训练过程中自动选择最有影响的特征，从而减少不必要的模型复杂度，增强模型的泛化能力。稀疏性约束帮助机器学习模型仅依赖于少数关键特征进行预测，这样的模型通常更容易解释，有利于实际应用中对模型行为的理解和验证。尤其在处理大规模数据集时，通过稀疏性约束，可以减少模型中有效参数的数量，从而在实际运行时减少计算量和存储需求。由于本发明提出的新的极限学习机模型包含了非光滑项，使得数值求解困难。为了化解求解难度，本发明利用半二次方分裂算法，将原始优化问题分解为几个较简单的子问题，每个子问题可以更高效地单独解决，提高求解效率。并且，本发明设计的半二次方分裂算法的求解确保了在适当的条件下，可以稳定地收敛到全局最优或近似最优解。实际应用中，需要结合上述技术，通过对制氢系统中的氢气产量进行预测，提高制氢效率，并降低计算和实验成本。这种方法可以更好地管理和调整制氢过程，实现高效和可持续的氢气制备。

40、综上所述，本发明提高了制氢系统的操作效率和经济性，同时也为可持续能源技术的发展和应用提供了重要支持，具有广阔的应用前景。