提升太阳能光电热电组件性能：代理机器学习模型的最优预测策略

本文主要探讨了在工程科学与技术领域，特别是在国际期刊上发表的一篇关于太阳能光电热电组件最佳代理机器学习方法的预测模型研究。研究的背景是现有的数值模拟方法在评估太阳能光电热电组件性能方面效率较低，因此研究人员寻求采用更先进的机器学习技术来提升预测准确性和效率。 研究者重点考察了多种代理机器学习模型，包括常规机器学习、时间延迟模型和定期人工神经网络（ANN），这些模型在处理由昂贵的有限元方法生成的数据时，能够有效地捕捉到系统运行参数变化的影响。这些参数包括聚光比、冷却系数、风速、空气温度、玻璃发射率、半导体尺寸、外部负载电阻和热电流。尽管数据生成过程繁琐且成本高，但总共收集了714个数据点用于模型训练，目标是提高性能预测的精确度并优化组件设计。 研究结果显示，经过训练，一个具有两个隐藏层，每层五个神经元的ANN结构被证实为预测太阳能光伏-热电（PV-TE）性能的最优模型。在实际应用中，当将这种模型应用于25太阳光照条件下，氮化锂氧化物PV-TE组件表现出相对于传统碲化铋PV-TE组件高达65%的性能提升。相较于传统的数值模拟方法，代理人工神经网络在同等计算资源下表现出令人瞩目的10,000倍的效率提升。 最后，论文强调了在未来的应用中，利用代理机器学习方法对于实时、高效地预测太阳能光电热电组件的性能具有显著优势，特别是在动态环境和不断变化的条件下。这为太阳能技术的发展提供了新的可能，有助于推动能源领域的创新和可持续性。通过这个研究，作者们揭示了一种新的性能预测框架，对提高太阳能转换效率和降低研发成本具有重要的实践意义。