张 超,孙 涛,刘志斌,蒋 爽,范 伟

深度学习和集成学习在预测盐差能逆电渗析（RSE）发电系统的最大功率密度方面具有显著优势。RSE技术通过利用淡水与海水之间的盐度梯度来发电，其效能高度依赖于对系统最大功率密度的精确预测。本研究集中于应用和比较多种集成学习模型,包括AdaBoost、XGBoost和神经网络模型RNN、CNN以提高预测的准确性和稳定性。本文探讨了将XGBoost模型和CNN模型进行融合来进一步提高模型的预测性能。研究结果显示，融合模型相较于传统的单一模型，在处理复杂的数据结构和捕捉操作变量之间复杂关系方面展现了更优的性能。通过综合分析，本研究不仅提升了模型的预测能力，也为盐差能发电技术的实际应用和优化提供了重要参考。

盐差能逆电渗析；深度学习；集成学习；CNN-XGBoost模型

[1] Tufa R A,Pawlowski S,Veerman J,et al.Progress and prospects in reverse electrodialysis for salinity gradient energy conversion and storage[J].Applied Energy,2018,225(5):290–331. [2] HELFER F,LEMCKERT C.The power of salinity gradients:An Australian example.Renewable and Sustainable Energy Reviews,2015,50:1-16. [3] YIP N Y,BROGIOLI D,HAMELERS H V,et al.Salinity gradients for sustainable energy:Primer,progress,and prospects[J].Environmental Science&Technology,2016,50(22):12072-12094. [4] Asselman A,Khaldi M,Aammou S.Enhancing the prediction of student performance based on the machine learning XGBoost algorithm[J].Interactive Learning Environments,2023,31(6):3360–3379. [5] LeCun Y,Bengio Y,Hinton G.Deep learning[J].nature,2015,521(7553):436-444.

点击下载PDF