南極內(nèi)陸科研觀測艙體內(nèi)部保障與控制系統(tǒng)的應(yīng)用與研究

李聰克 李丙瑞 王燾 陳燕 竇銀科 姚旭 王煜塵

(1 太原理工大學(xué)電氣與動(dòng)力工程學(xué)院,山西 太原 030024;2 中國極地研究中心,上海 200136)

0 引言

南極大陸位于地球的最南端,大陸95%以上的面積被巨厚的冰川所覆蓋。這里是地球上最好的天然實(shí)驗(yàn)室,南極冰蓋隱藏著氣候與環(huán)境變化信息,是研究全球氣候與環(huán)境變化的重要區(qū)域;南極大陸上空的磁場近乎垂直進(jìn)出,磁場強(qiáng)度最大,是電離層地磁和高空大氣物理的最佳觀測場所。然而在南極內(nèi)陸地區(qū),氣候環(huán)境惡劣地理位置偏遠(yuǎn)運(yùn)輸極其不便基礎(chǔ)設(shè)施匱乏常年低溫并伴有極晝極夜現(xiàn)象,這些都給科考研究帶來了很大困難。因此通過在南極大陸建設(shè)無人值守的科研觀測艙以獲取冰川學(xué)氣象學(xué)電離層高空大氣物理等觀測數(shù)據(jù)是較為準(zhǔn)確可靠的技術(shù)手段[1]。目前很多無人值守科考設(shè)備仍使用單一蓄電池供電,而極地的低溫環(huán)境使得電池的放電速率加快放電效率降低,嚴(yán)重影響了南極地區(qū)科研觀測設(shè)備的使用壽命,致使很多科考觀測數(shù)據(jù)匱乏[2]。而要想在南極大陸進(jìn)一步開展包括冰川學(xué)氣象學(xué)天文學(xué)等學(xué)科的觀測研究,長時(shí)序的高質(zhì)量數(shù)據(jù)就顯得尤為重要,這需要更多更好的測量方法和控制技術(shù)。

2008年初,中國南極天文中心和澳大利亞新南威爾士大學(xué)合作,成功完成了Dome A 天文觀測支撐平臺(tái)PLATO 的部署。PLATO 是一個(gè)遠(yuǎn)程手動(dòng)的控制系統(tǒng),由于Dome A 站點(diǎn)在冬季無人值守,所以PLATO 的發(fā)電和控制系統(tǒng)的設(shè)計(jì)需要滿足為平臺(tái)提供連續(xù)的功率和熱量,并為儀器提供高可靠性的命令和通訊平臺(tái)[3]。然而PLATO 平臺(tái)的核心技術(shù)不屬于我國,為了使我國南極科考不再受制于人,研制擁有自主知識(shí)產(chǎn)權(quán)的南極科考支撐平臺(tái)變得十分重要。為突破南極科考支撐平臺(tái)的限制,2009年4月,我國開始研制首個(gè)南極科考支撐平臺(tái)。該平臺(tái)主要由現(xiàn)場主控系統(tǒng)數(shù)據(jù)存儲(chǔ)系統(tǒng)科學(xué)觀測系統(tǒng)通信系統(tǒng)電源系統(tǒng)溫控系統(tǒng)以及國內(nèi)監(jiān)控系統(tǒng)組成。該平臺(tái)的溫度控制系統(tǒng)采用3 層結(jié)構(gòu)的保溫箱結(jié)構(gòu),箱內(nèi)采用兩路175 W 加熱器以升高箱內(nèi)溫度,通過在不同位置安裝循環(huán)風(fēng)扇和渦流風(fēng)扇,促使箱內(nèi)氣體流動(dòng),實(shí)現(xiàn)保溫箱內(nèi)的均溫[4]。

本研究借鑒了PLATO 和我國南極科考支撐平臺(tái)中優(yōu)秀的現(xiàn)場方案,在此基礎(chǔ)之上基于人工智能神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法的前沿理論,對(duì)南極高空自動(dòng)化監(jiān)測系統(tǒng)地表觀測艙的低能耗持續(xù)觀測的控制策略進(jìn)行研究,并引入可再生能源為自動(dòng)化監(jiān)測系統(tǒng)供電。本文設(shè)計(jì)了一個(gè)可保障南極內(nèi)陸科研觀測艙體內(nèi)部環(huán)境穩(wěn)定的系統(tǒng),并提出了一套滿足控制系統(tǒng)低功耗持續(xù)運(yùn)行的控制策略以盡可能地將能源消耗降到最低水平,為南極高緯度地區(qū)提供了一種以柴油發(fā)電為主要能源,以風(fēng)能太陽能等可再生能源進(jìn)行輔助供電的無人值守野外觀測艙[5-6],從而保障南極地區(qū)高空觀測的實(shí)施和開展。該觀測計(jì)劃是基于我國南極高空物理研究計(jì)劃的需求而特別設(shè)計(jì),且已應(yīng)用于伊麗莎白公主地區(qū)泰山站營地(73°51′S,76°58′E)的高空物理觀測。

1 系統(tǒng)組成

南極內(nèi)陸科研觀測艙體自動(dòng)化監(jiān)測系統(tǒng)主要由地表新能源發(fā)電部分地表觀測艙和地下能源艙三部分組成。地表新能源發(fā)電部分主要由太陽能電池板風(fēng)力發(fā)電機(jī)以及相應(yīng)的光伏發(fā)電控制器風(fēng)力發(fā)電機(jī)控制器組成;地表觀測艙主要由觀測系統(tǒng)數(shù)據(jù)存儲(chǔ)系統(tǒng)遠(yuǎn)程交互系統(tǒng)以及環(huán)境控制與保障系統(tǒng)組成;地下能源艙主要由包含柴油發(fā)電機(jī)和高能鋰電池組在內(nèi)的能源供應(yīng)系統(tǒng)組成。系統(tǒng)結(jié)構(gòu)圖如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)圖Fig.1.System structure

由圖1 可以看出該自動(dòng)化監(jiān)測系統(tǒng)的能源系統(tǒng)主要包含4 部分,分別為太陽能光伏發(fā)電板風(fēng)力發(fā)電機(jī)柴油發(fā)電機(jī)以及高能鋰電池組。高能鋰電池組為整個(gè)系統(tǒng)的正常運(yùn)行提供所需要的電能,存儲(chǔ)在高能鋰電池組中的電能經(jīng)過電源管理控制器完成DC-DC 轉(zhuǎn)換后,通過輸電線向地表觀測艙中的用電設(shè)備提供電能。高能鋰電池組中的電能通過柴油發(fā)電機(jī)和新能源(太陽能與風(fēng)能)發(fā)電兩部分供應(yīng)獲取,其中柴油發(fā)電機(jī)是主要的能源供應(yīng)。柴油發(fā)電機(jī)產(chǎn)生的電能經(jīng)過逆變器將交流電逆變成直流電后,通過電源管理控制器的DC-DC 轉(zhuǎn)換將電能存儲(chǔ)在高能鋰電池組中。太陽能的能源供給,通過太陽能電池板采集電能,經(jīng)過DC-DC 轉(zhuǎn)換后,給高能鋰電池組進(jìn)行充電;通過風(fēng)力發(fā)電機(jī)獲取的電能依次經(jīng)過AC-DCDC-DC 轉(zhuǎn)換后,給高能鋰電池組進(jìn)行充電。在越冬期間,小功率的柴油發(fā)電機(jī)作為主要的能源供應(yīng)方式,配合新能源發(fā)電部分輔助供電就可以滿足全功率5 kW 的全系統(tǒng)設(shè)備用電。但夏季有人員活動(dòng)時(shí)該自動(dòng)化監(jiān)測系統(tǒng)的運(yùn)行功率達(dá)到80 kW,這時(shí)就需要切換成大功率的柴油發(fā)電機(jī)供電并配合新能源發(fā)電部分輔助供電以滿足整套系統(tǒng)的用電需求。

2 地表觀測艙模型的搭建及控制算法研究

2.1 地表觀測艙艙體的布置情況

南極內(nèi)陸科研觀測艙體自動(dòng)化監(jiān)測系統(tǒng)部署在伊麗莎白公主地區(qū)泰山站附近(73°51′S,76°58′E),用于南極內(nèi)陸地區(qū)的高空物理觀測,地表觀測艙的艙體布置情況如圖2所示。

圖2 地表觀測艙布置情況圖Fig.2.Layout of the surface observation cabin

由圖2 可以看出地表觀測艙的艙體內(nèi)部以及觀測設(shè)備全天空成像儀的具體情況。在搭建地表觀測艙模型前,我們需要對(duì)地表觀測艙艙體布放地區(qū)的地表氣象數(shù)據(jù)進(jìn)行分析研究。為此我們選擇對(duì)太原理工大學(xué)和中國極地研究中心2015年在伊麗莎白公主地區(qū)泰山營地裝設(shè)的自動(dòng)氣象站的數(shù)據(jù)進(jìn)行研究分析。通過分析該地區(qū)全年的氣象數(shù)據(jù),了解其氣候特點(diǎn),結(jié)合氣象數(shù)據(jù)分析南極伊麗莎白公主地區(qū)泰山營地設(shè)備工作的影響因素,為地表觀測設(shè)備的模型的搭建以及控制算法的研究提供參考和分析基礎(chǔ)。

2.2 南極伊麗莎白公主地區(qū)泰山營地的地表氣象分析

2015年太原理工大學(xué)和中國極地研究中心在伊麗莎白公主地區(qū)泰山營地(76°56′54.17″E,73°52′21″S)裝設(shè)了一個(gè)自動(dòng)氣象站。該氣象站包含有溫度鏈傳感器風(fēng)速和風(fēng)向探測傳感器超聲測距傳感器光輻照度傳感器以及GPS 模塊。其中溫度鏈傳感器由41 個(gè)傳感單元按間距0.5 m進(jìn)行溫度點(diǎn)的采集,傳感單元EA00 所能檢測到的溫度精度為0.5℃,在此溫度精度下足以對(duì)地下能源艙體的布置提供可用的溫度梯度數(shù)據(jù)[7]。該自動(dòng)氣象站的現(xiàn)場安裝情況如圖3所示。

圖3 自動(dòng)氣象站的現(xiàn)場安裝Fig.3.Site installation of automatic weather station

通過分析2016年該氣象站所采集數(shù)據(jù),繪制了供電電源電壓電池箱表面溫度以及太陽輻射這三項(xiàng)參數(shù)在當(dāng)年的變化情況(圖4)。

圖4 電源電壓電池箱表面溫度及太陽輻射的2016年變化圖Fig.4.The variation of power supply voltage,surface temperature of the battery cell and solar radiation in 2016

由圖4 可以看出,電源電壓最高時(shí)達(dá)到16 V左右,在極夜期間電源電壓持續(xù)下降,最低時(shí)為6.3 V。在經(jīng)過兩次風(fēng)力發(fā)電的電力補(bǔ)充后電源電壓回升。進(jìn)入極晝后,電壓回升至14.4V 左右。電池箱表面年平均溫度在-35℃左右,年最高溫度在-11℃左右,而年最低則達(dá)到了-56℃。通過分析這三項(xiàng)參數(shù)的當(dāng)年變化可以看出在極晝期間,電源電壓電池箱表面溫度以及光輻照度變化幅度以及頻率均比極夜時(shí)大,可能與太陽輻射強(qiáng)度的日變化有關(guān),每一類數(shù)據(jù)由上升變?yōu)橄陆档霓D(zhuǎn)折點(diǎn)代表著一天中輻照最強(qiáng)的時(shí)刻,而極夜期間光輻照度為零。

通過綜合分析伊麗莎白公主地區(qū)的氣象數(shù)據(jù),我們認(rèn)為影響當(dāng)?shù)卦O(shè)備正常工作的主要因素是極夜期間的低溫環(huán)境使得卷繞式鉛酸蓄電池的電壓持續(xù)降低,過低的電壓使得銥星模塊無法正常工作,導(dǎo)致采集的數(shù)據(jù)無法實(shí)時(shí)傳輸?shù)絿鴥?nèi)。因此我們針對(duì)這一關(guān)鍵問題,對(duì)影響設(shè)備正常工作的最大因素氣溫及能源消耗做具體的分析及方法研究。

2.3 地表觀測艙集總參數(shù)模型的構(gòu)建及神經(jīng)網(wǎng)絡(luò)預(yù)測模型的訓(xùn)練

實(shí)現(xiàn)地表觀測艙內(nèi)部環(huán)境的溫度控制是保證觀測系統(tǒng)正常工作的首要條件,地表觀測艙內(nèi)部環(huán)境溫度會(huì)影響全天空成像儀的球罩。在艙內(nèi)溫度高于5℃時(shí),會(huì)導(dǎo)致水汽上升凝結(jié)在觀測罩內(nèi)部,影響全天空成像儀的正常工作。此外地表觀測艙環(huán)境溫度與外界環(huán)境溫差越大,帶給系統(tǒng)的熱量損失就越大,增加了系統(tǒng)的能耗需求。若設(shè)置室內(nèi)帶有閾值的自加熱器,例如設(shè)置溫度閾值在0℃到-15℃,則溫度會(huì)維持在0℃至-15℃,如果極夜時(shí)外界出現(xiàn)溫度陡降或者突然的大風(fēng)情況,會(huì)導(dǎo)致艙內(nèi)熱量流失過快,加之空氣換流傳熱慢,最終會(huì)使帶電運(yùn)行的設(shè)備因溫度過低而關(guān)機(jī)無法重啟。實(shí)時(shí)的經(jīng)典控制算法(例如PID)在該環(huán)境下調(diào)參過程較為繁瑣,一方面空氣中的傳熱除了輻射熱難計(jì)算,另一方面對(duì)流傳熱的時(shí)間難以確定,所以我們建立了一個(gè)溫度的預(yù)測模型,并通過此模型的算法,預(yù)測該區(qū)域未來一天的溫度變化,從而保障地表觀測艙內(nèi)部的溫度穩(wěn)定。再通過建立地表觀測艙集總參數(shù)模型研究現(xiàn)場加熱策略,結(jié)合模型各參數(shù)關(guān)系以及現(xiàn)場實(shí)驗(yàn)數(shù)據(jù),確定溫差與加熱功率的關(guān)系。

2.3.1 集總參數(shù)模型和數(shù)學(xué)關(guān)系的建立

我們首先建立符合地表觀測艙的集總參數(shù)模型,現(xiàn)場照片與加熱模型如圖5所示。

圖5 現(xiàn)場照片與加熱模型。a)地表觀測艙布置現(xiàn)場;b)艙內(nèi)熱節(jié)點(diǎn)分布Fig.5.Field photos and heating model.a) photo of observation cabin installation;b) thermal nodes distribution in the observation cabin

觀測艙的溫度是受多方因素影響的,在不考慮雪面反射與太陽輻射(保證系統(tǒng)溫度的下限)的前提下,由于艙室封閉,可以認(rèn)為內(nèi)部的均流風(fēng)機(jī)可以保證室內(nèi)空氣溫度的均勻分布[8-10]。

圖6 地表觀測艙傳熱集總參數(shù)方程Fig.6.Lumped parameter equation for heat transfer in surface observation cabin

內(nèi)部空氣的節(jié)點(diǎn)溫度控制方程為:

式中,Tin為內(nèi)部空氣節(jié)點(diǎn)溫度,為內(nèi)墻節(jié)點(diǎn)溫度,min為內(nèi)部空氣總質(zhì)量,cin為內(nèi)部空氣比熱容,為內(nèi)墻熱阻,Qin表示由地表觀測艙輸入的總熱量。

類似地,可以得到內(nèi)墻節(jié)點(diǎn)u1控制方程:

夾層節(jié)點(diǎn)u2的控制方程:

夾層節(jié)點(diǎn)u3的控制方程:

外墻節(jié)點(diǎn)u4的控制方程:

式中,qf的含義是溫度為Ta的物體與溫度為Tb的物體兩表面間的輻射換熱通量,σ 為黑體輻射常數(shù),ε為發(fā)射率,A為表面積,Xa,b為表面a 到b 的輻射角系數(shù),Ea,b為黑體在溫度T下的發(fā)射功率,Ra,b為表面a 和b 之間的輻射傳熱阻力。

假設(shè)切斷所有熱源,即式(1)中的Qin為0,經(jīng)歷dt時(shí)間,室內(nèi)溫度相應(yīng)變化了dT。我們要研究的是Tin與Tout換熱的時(shí)間關(guān)系以及換熱量,從而在這段時(shí)間內(nèi)補(bǔ)充這個(gè)熱量。

從式(1)～(6)中,可以看出表面積輻射角等參數(shù)均不受溫度影響,0℃以下材料發(fā)射率為常量。我們新引入一個(gè)叫過余溫度的概念,即兩個(gè)相鄰節(jié)點(diǎn)在t時(shí)刻的溫度差可表示為θ,例如Tin在t0時(shí)刻與的過余溫度為。由此我們可以得到下面的等式:

由式(7)可得等式:

從而得到第一次將要迭代的公式:

由式(9)建立了時(shí)間室內(nèi)空氣與內(nèi)層表面溫差以及輸入熱量的數(shù)學(xué)關(guān)系。由于我們采用神經(jīng)網(wǎng)絡(luò)對(duì)外界氣溫進(jìn)行24 小時(shí)的預(yù)測,故未來1 小時(shí)的平均氣溫已知,我們假設(shè)未來1 小時(shí)平均氣溫保持不變,有如下公式:

由換熱公式(6),可得室內(nèi)溫度Tin,時(shí)間t與輸入熱量Q的關(guān)系式如下:

在現(xiàn)場加熱實(shí)驗(yàn)過程中,選取一組恒溫差加熱的數(shù)據(jù)(室內(nèi)數(shù)采頻率為15 min/次,室外為1 h/次)。此時(shí)加熱功率為600 W,達(dá)到熱平衡,所以。當(dāng)我們經(jīng)過兩次迭代后,同樣也達(dá)到熱平衡,可以確定等式(12)。此時(shí)設(shè)過余溫度為。

其中,Qin和Qout代表整個(gè)系統(tǒng)的輸入和輸出能量,Rin,out代表內(nèi)部空氣與外界空氣間的等效熱阻,mc為等效熱阻本身的質(zhì)量和比熱乘積。

從而可得:

等式中的mc是經(jīng)過迭代計(jì)算出來的,由于材料的物理特性數(shù)值不確定,所以我們采取了確定數(shù)學(xué)關(guān)系,進(jìn)行現(xiàn)場試驗(yàn)的方式。通過現(xiàn)場試驗(yàn)數(shù)據(jù)可以發(fā)現(xiàn)在加熱功率為600 W 的條件下,室內(nèi)外溫差為20℃時(shí)達(dá)到熱平衡。由式(10)可以看出單位時(shí)間內(nèi)的熱量交換是由初始時(shí)刻內(nèi)外界溫差決定的。因此當(dāng)加熱時(shí)間一定且材料傳熱特征變化忽略不計(jì)的情況下,加熱功率與初始時(shí)刻溫差呈線性關(guān)系。據(jù)此可以確定在不同溫度差下的加熱功率(表1),此時(shí)加熱時(shí)間均在1 小時(shí)之內(nèi),艙內(nèi)空氣的溫度維持在-5℃左右,表中加熱功率的含義為維持該環(huán)境溫度的加熱功率。

表1 不同溫差下的加熱功率Table 1.Heating power at different temperature differences

2.3.2 神經(jīng)網(wǎng)絡(luò)算法的比較與訓(xùn)練模型的建立

為了獲取未來24 小時(shí)內(nèi)溫度的預(yù)測值,對(duì)未來1 小時(shí)或者幾個(gè)小時(shí)的外界溫度進(jìn)行預(yù)測。機(jī)器學(xué)習(xí)模型可以利用參數(shù)之間的相關(guān)性,在經(jīng)過訓(xùn)練后,快速自動(dòng)地識(shí)別變化和故障[11]。所以我們選用時(shí)間和溫度構(gòu)成單輸入的時(shí)間序列數(shù)據(jù),通過機(jī)器學(xué)習(xí)并預(yù)測產(chǎn)生單輸出的時(shí)間序列數(shù)據(jù)。

前期我們分別進(jìn)行了ELM 神經(jīng)網(wǎng)絡(luò)BP 神經(jīng)網(wǎng)絡(luò)SAE 特征壓縮結(jié)合的LSTM 神經(jīng)網(wǎng)絡(luò)以及Bi LSTM 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測。我們參照利用生物信號(hào)特征壓縮的短時(shí)記憶識(shí)別負(fù)性情緒中的研究方法,在相關(guān)算法的對(duì)比上參考基于時(shí)間序列的SAE 特征壓縮的研究方法。采用長短期記憶進(jìn)行算法研究的方法有很多種,在本研究中我們使用了其中最具代表性的兩種Bi LSTM 神經(jīng)網(wǎng)絡(luò)和SAE 特征壓縮結(jié)合的LSTM 神經(jīng)網(wǎng)絡(luò),同時(shí)也使用了最基本的BP 神經(jīng)網(wǎng)絡(luò)及ELM 神經(jīng)網(wǎng)絡(luò)[12-16]。數(shù)據(jù)樣本一共8106 組數(shù)據(jù),即時(shí)間跨度為8106 小時(shí)(2012年12月24日11:05—2013年12月27日7:45),其中訓(xùn)練集的樣本占總樣本量80%,共6485 個(gè)數(shù)據(jù);測試集為樣本總量的20%,共1621 個(gè)數(shù)據(jù)。我們主要測試的各模型性能參數(shù)包含U1(一個(gè)綜合參數(shù),以均方根誤差RMSE為分子,預(yù)測值均方根與實(shí)數(shù)均方根之和為分母)U2(一個(gè)綜合參數(shù),以RMSE為分子,實(shí)際值的均方根為分母)。四種神經(jīng)網(wǎng)絡(luò)訓(xùn)練集和測試集實(shí)驗(yàn)的結(jié)果分別如表2 和表3所示,其中RMSE為均方根誤差,MAE為平均絕對(duì)誤差。

表2 訓(xùn)練集各項(xiàng)性能參數(shù)Table 2.Performance parameters of the training set

表3 測試集各項(xiàng)性能參數(shù)Table 3.Performance parameters of the test set

四種神經(jīng)網(wǎng)絡(luò)訓(xùn)練集與測試集四項(xiàng)性能參數(shù)的對(duì)比如圖7所示。

圖7 神經(jīng)網(wǎng)絡(luò)訓(xùn)練集與測試集四項(xiàng)性能參數(shù)的對(duì)比。a) 四種神經(jīng)網(wǎng)絡(luò)訓(xùn)練集U1 及U2 對(duì)比;b) 四種神經(jīng)網(wǎng)絡(luò)訓(xùn)練集RMSE 及MAE 對(duì)比;c) 四種神經(jīng)網(wǎng)絡(luò)測試集U1 及U2 對(duì)比;d) 四種神經(jīng)網(wǎng)絡(luò)測試集RMSE 及MAE 對(duì)比Fig.7.Comparison of four performance parameters of neural network training set and test set.a) comparison of four neural network training sets U1 and U2;b) comparison of RMSE and MAE of four neural network training sets;c) comparison of four neural network test sets U1 and U2;d) comparison of RMSE and MAE of four neural network test sets

在四項(xiàng)性能參數(shù)中,我們將測試集中的RMSE和MAE作為模型算法優(yōu)化的評(píng)判標(biāo)準(zhǔn),將U1和U2作為輔助判斷條件,對(duì)四個(gè)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行評(píng)估。其中Bi LSTM 與其他算法相比,RMSE與MAE均最小,分別為0.08638 和0.26352,說明使用該算法的模型,在訓(xùn)練后的測試中所獲得的預(yù)測值與實(shí)際觀測值更為接近。通過多次的訓(xùn)練比較,確認(rèn)前后向反饋的Bi LSTM 算法訓(xùn)練出的預(yù)測模型最符合該地區(qū)的溫度氣象因素的預(yù)測,故我們選擇Bi LSTM 作為預(yù)測未來24 小時(shí)溫度數(shù)據(jù)的方法。經(jīng)過多次不同樣本不同數(shù)據(jù)量的實(shí)驗(yàn)后,我們發(fā)現(xiàn)歷史數(shù)據(jù)越多時(shí)間序列數(shù)據(jù)越完整,所獲得的預(yù)測值越準(zhǔn)確。獲得地表觀測艙內(nèi)加熱功率操作票的流程大致分為以下三大部分。

(1) 輸入樣本數(shù)據(jù)。獲取樣本數(shù)據(jù)后,首先進(jìn)行數(shù)據(jù)的預(yù)處理,設(shè)定閾值剔除無效數(shù)據(jù)。

(2) 預(yù)測方法的確定。將數(shù)據(jù)量按80%20%分開,分別作為訓(xùn)練集和測試集,然后進(jìn)行BPELMBi LSTM 以及SAELSTM 四種神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試,橫向?qū)Ρ菴riteria 的數(shù)值,此過程循環(huán)3 次,選擇3 次結(jié)果中最小的一次Criteria 對(duì)應(yīng)的算法。

(3) 加熱操作票的產(chǎn)生。在溫度預(yù)測基礎(chǔ)上,根據(jù)現(xiàn)在的溫度與之后2 小時(shí)的溫度,使用其中偏低的溫度作為預(yù)測溫度,代表之后1 小時(shí)的平均溫度。將該預(yù)測溫度與Bi LSTM 模型相對(duì)比,選擇溫度更低的一個(gè)結(jié)果作為溫差產(chǎn)生的參數(shù)。加熱操作票產(chǎn)生后,通過衛(wèi)星可以實(shí)現(xiàn)在國內(nèi)對(duì)現(xiàn)場進(jìn)行遠(yuǎn)程操作和控制。

獲得地表觀測艙內(nèi)加熱功率操作票的流程圖如圖8所示。

圖8 加熱功率操作票流程圖Fig.8.Flow chart of the heating power operation ticket

3 地下能源艙布置條件的分析以及伊麗莎白公主地現(xiàn)場應(yīng)用情況

3.1 伊麗莎白公主地區(qū)泰山營地雪下艙體布置條件分析

測量溫度剖面的鏈?zhǔn)絺鞲衅饔商砉ご髮W(xué)制作,考慮到南極地區(qū)常年高寒冰雪的環(huán)境特性,傳感器的線纜以及探頭均為耐低溫防潮防水設(shè)計(jì)[7]。我們選取伊麗莎白公主地2020年2月至5月的數(shù)據(jù)繪制地下溫度(地表以下溫度)隨深度和時(shí)間的變化圖(圖9)。

圖9 2020年2—5月10 m 深溫度廓線信息Fig.9.10-meter deep temperature profile information from February to May in 2020

由圖9 可以看出溫度隨時(shí)間的變化主要集中在地下2.5 m 附近,因此我們選擇將地下艙室布置在地下2.5～5.5 m 之間。為了可以更具體地了解地下艙體所在空間隨時(shí)間變化的溫度的空間分布,對(duì)4 個(gè)月的溫度數(shù)據(jù)做了時(shí)空的繪制,如圖10所示。

圖10 中的兩個(gè)平面(紅色框的平面為雪下艙體底部平面,藍(lán)色框的平面為雪下艙體頂部所在平面)之間區(qū)域?yàn)榈叵屡擉w所在空間。由圖10 可以看出,2020年5月,地表氣溫下降到-57℃左右,而地下艙體頂部(即地下2.5 m 以下)溫度基本不變,維持在-39℃左右,故在地下5.5～2.5 m 間適宜布置需要穩(wěn)態(tài)環(huán)境的設(shè)備儀器。由于地下能源艙所處環(huán)境不會(huì)發(fā)生變化,所以不用對(duì)其進(jìn)行實(shí)時(shí)控制,只需要設(shè)置溫度上限并進(jìn)行抽冷風(fēng)操作即可。這就為需要在穩(wěn)態(tài)環(huán)境下運(yùn)行的設(shè)備提供了合適的安裝環(huán)境[17]。另外在伊麗莎白公主地開展的地學(xué)研究表明大型個(gè)體累積事件通常與強(qiáng)風(fēng)發(fā)作有關(guān)[18-19]。因此為了避免局部的雪積累量,將大體積的艙體放置在雪下是有必要的。

3.2 南極伊麗莎白公主地現(xiàn)場應(yīng)用情況

評(píng)價(jià)該系統(tǒng)最重要的因素是艙體的溫度和傳感器運(yùn)行情況[20]。在每天的溫度監(jiān)控中,我們發(fā)現(xiàn)地表觀測艙傳感器工作的環(huán)境溫度維持在-10℃至0℃,且全天空成像儀在極夜的運(yùn)行狀態(tài)良好,監(jiān)控所拍攝到的全天空成像儀球罩僅有少量結(jié)霜,不影響極光觀測。該系統(tǒng)的現(xiàn)場應(yīng)用情況如圖11所示。由圖11 可以看出在無人值守狀態(tài)下,地表觀測艙內(nèi)部環(huán)境溫度維持在 0℃至-10℃。在2020年4月進(jìn)入極夜后,觀測艙內(nèi)部監(jiān)測圖像表明觀測艙罩結(jié)霜較少,不影響極光觀測,文件存儲(chǔ)和文件信息狀體顯示所有傳感器均正常工作。

4 結(jié)論

本文提出了一種可保障南極內(nèi)陸地區(qū)科研觀測艙體內(nèi)部環(huán)境穩(wěn)定和控制系統(tǒng)低功耗持續(xù)運(yùn)行的控制策略,通過搭建熱網(wǎng)絡(luò)模型,直觀地表示外界環(huán)境溫度內(nèi)部環(huán)境溫度材料特性以及加熱功率的數(shù)學(xué)函數(shù)關(guān)系。通過現(xiàn)場的600 W 加熱實(shí)驗(yàn)數(shù)據(jù)計(jì)算并推算出了室內(nèi)外溫差與輸入加熱功率的關(guān)系,得出了一套不同溫差對(duì)應(yīng)不同加熱功率的策略。本文將極端環(huán)境下穩(wěn)態(tài)環(huán)境的維持方法,轉(zhuǎn)化成熱力學(xué)傳熱模型并結(jié)合機(jī)器學(xué)習(xí)智能算法確定最優(yōu)解的數(shù)學(xué)問題。在對(duì)長短期記憶的相關(guān)神經(jīng)網(wǎng)絡(luò)與普通神經(jīng)網(wǎng)絡(luò)對(duì)比過程中,選擇了最適合現(xiàn)場未來一天環(huán)境溫度預(yù)測的一種算法模型。封艙后的實(shí)際應(yīng)用表明,在地表觀測艙內(nèi)外溫差達(dá)30℃時(shí),艙內(nèi)溫度仍維持在-10℃至0℃,極光觀測罩無結(jié)霜現(xiàn)象,這充分驗(yàn)證了我們這套加熱策略的可行性。不過該加熱策略仍存在些許不足之處,在選擇神經(jīng)網(wǎng)絡(luò)時(shí)只采用影響艙體溫度作為最主要因素,外界氣溫作為單輸入來選擇輸出時(shí)的加熱功率。如果考慮艙體內(nèi)部全年溫度變化和外界氣溫作為神經(jīng)網(wǎng)絡(luò)多輸入,進(jìn)行算法的改進(jìn),可使得預(yù)測的環(huán)境維持手段更加有效。