南極內陸科研觀測艙體內部保障與控制系統的應用與研究

李聰克 李丙瑞 王燾 陳燕 竇銀科 姚旭 王煜塵

(1 太原理工大學電氣與動力工程學院,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驗室,南極冰蓋隱藏著氣候與環境變化信息,是研究全球氣候與環境變化的重要區域;南極大陸上空的磁場近乎垂直進出,磁場強度最大,是電離層地磁和高空大氣物理的最佳觀測場所。然而在南極內陸地區,氣候環境惡劣地理位置偏遠運輸極其不便基礎設施匱乏常年低溫并伴有極晝極夜現象,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無人值守的科研觀測艙以獲取冰川學氣象學電離層高空大氣物理等觀測數據是較為準確可靠的技術手段[1]。目前很多無人值守科考設備仍使用單一蓄電池供電,而極地的低溫環境使得電池的放電速率加快放電效率降低,嚴重影響了南極地區科研觀測設備的使用壽命,致使很多科考觀測數據匱乏[2]。而要想在南極大陸進一步開展包括冰川學氣象學天文學等學科的觀測研究,長時序的高質量數據就顯得尤為重要,這需要更多更好的測量方法和控制技術。

2008年初,中國南極天文中心和澳大利亞新南威爾士大學合作,成功完成了Dome A 天文觀測支撐平臺PLATO 的部署。PLATO 是一個遠程手動的控制系統,由于Dome A 站點在冬季無人值守,所以PLATO 的發電和控制系統的設計需要滿足為平臺提供連續的功率和熱量,并為儀器提供高可靠性的命令和通訊平臺[3]。然而PLATO 平臺的核心技術不屬于我國,為了使我國南極科考不再受制于人,研制擁有自主知識產權的南極科考支撐平臺變得十分重要。為突破南極科考支撐平臺的限制,2009年4月,我國開始研制首個南極科考支撐平臺。該平臺主要由現場主控系統數據存儲系統科學觀測系統通信系統電源系統溫控系統以及國內監控系統組成。該平臺的溫度控制系統采用3 層結構的保溫箱結構,箱內采用兩路175 W 加熱器以升高箱內溫度,通過在不同位置安裝循環風扇和渦流風扇,促使箱內氣體流動,實現保溫箱內的均溫[4]。

本研究借鑒了PLATO 和我國南極科考支撐平臺中優秀的現場方案,在此基礎之上基于人工智能神經網絡深度學習算法的前沿理論,對南極高空自動化監測系統地表觀測艙的低能耗持續觀測的控制策略進行研究,并引入可再生能源為自動化監測系統供電。本文設計了一個可保障南極內陸科研觀測艙體內部環境穩定的系統,并提出了一套滿足控制系統低功耗持續運行的控制策略以盡可能地將能源消耗降到最低水平,為南極高緯度地區提供了一種以柴油發電為主要能源,以風能太陽能等可再生能源進行輔助供電的無人值守野外觀測艙[5-6],從而保障南極地區高空觀測的實施和開展。該觀測計劃是基于我國南極高空物理研究計劃的需求而特別設計,且已應用于伊麗莎白公主地區泰山站營地(73°51′S,76°58′E)的高空物理觀測。

1 系統組成

南極內陸科研觀測艙體自動化監測系統主要由地表新能源發電部分地表觀測艙和地下能源艙三部分組成。地表新能源發電部分主要由太陽能電池板風力發電機以及相應的光伏發電控制器風力發電機控制器組成;地表觀測艙主要由觀測系統數據存儲系統遠程交互系統以及環境控制與保障系統組成;地下能源艙主要由包含柴油發電機和高能鋰電池組在內的能源供應系統組成。系統結構圖如圖1所示。

圖1 系統結構圖Fig.1.System structure

由圖1 可以看出該自動化監測系統的能源系統主要包含4 部分,分別為太陽能光伏發電板風力發電機柴油發電機以及高能鋰電池組。高能鋰電池組為整個系統的正常運行提供所需要的電能,存儲在高能鋰電池組中的電能經過電源管理控制器完成DC-DC 轉換后,通過輸電線向地表觀測艙中的用電設備提供電能。高能鋰電池組中的電能通過柴油發電機和新能源(太陽能與風能)發電兩部分供應獲取,其中柴油發電機是主要的能源供應。柴油發電機產生的電能經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 轉換將電能存儲在高能鋰電池組中。太陽能的能源供給,通過太陽能電池板采集電能,經過DC-DC 轉換后,給高能鋰電池組進行充電;通過風力發電機獲取的電能依次經過AC-DCDC-DC 轉換后,給高能鋰電池組進行充電。在越冬期間,小功率的柴油發電機作為主要的能源供應方式,配合新能源發電部分輔助供電就可以滿足全功率5 kW 的全系統設備用電。但夏季有人員活動時該自動化監測系統的運行功率達到80 kW,這時就需要切換成大功率的柴油發電機供電并配合新能源發電部分輔助供電以滿足整套系統的用電需求。

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

南極內陸科研觀測艙體自動化監測系統部署在伊麗莎白公主地區泰山站附近(73°51′S,76°58′E),用于南極內陸地區的高空物理觀測,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部以及觀測設備全天空成像儀的具體情況。在搭建地表觀測艙模型前,我們需要對地表觀測艙艙體布放地區的地表氣象數據進行分析研究。為此我們選擇對太原理工大學和中國極地研究中心2015年在伊麗莎白公主地區泰山營地裝設的自動氣象站的數據進行研究分析。通過分析該地區全年的氣象數據,了解其氣候特點,結合氣象數據分析南極伊麗莎白公主地區泰山營地設備工作的影響因素,為地表觀測設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。

2.2 南極伊麗莎白公主地區泰山營地的地表氣象分析

2015年太原理工大學和中國極地研究中心在伊麗莎白公主地區泰山營地(76°56′54.17″E,73°52′21″S)裝設了一個自動氣象站。該氣象站包含有溫度鏈傳感器風速和風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 個傳感單元按間距0.5 m進行溫度點的采集,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地下能源艙體的布置提供可用的溫度梯度數據[7]。該自動氣象站的現場安裝情況如圖3所示。

圖3 自動氣象站的現場安裝Fig.3.Site installation of automatic weather station

通過分析2016年該氣象站所采集數據,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參數在當年的變化情況(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,電源電壓最高時達到16 V左右,在極夜期間電源電壓持續下降,最低時為6.3 V。在經過兩次風力發電的電力補充后電源電壓回升。進入極晝后,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,而年最低則達到了-56℃。通過分析這三項參數的當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大,可能與太陽輻射強度的日變化有關,每一類數據由上升變為下降的轉折點代表著一天中輻照最強的時刻,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的氣象數據,我們認為影響當地設備正常工作的主要因素是極夜期間的低溫環境使得卷繞式鉛酸蓄電池的電壓持續降低,過低的電壓使得銥星模塊無法正常工作,導致采集的數據無法實時傳輸到國內。因此我們針對這一關鍵問題,對影響設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模型的構建及神經網絡預測模型的訓練

實現地表觀測艙內部環境的溫度控制是保證觀測系統正常工作的首要條件,地表觀測艙內部環境溫度會影響全天空成像儀的球罩。在艙內溫度高于5℃時,會導致水汽上升凝結在觀測罩內部,影響全天空成像儀的正常工作。此外地表觀測艙環境溫度與外界環境溫差越大,帶給系統的熱量損失就越大,增加了系統的能耗需求。若設置室內帶有閾值的自加熱器,例如設置溫度閾值在0℃到-15℃,則溫度會維持在0℃至-15℃,如果極夜時外界出現溫度陡降或者突然的大風情況,會導致艙內熱量流失過快,加之空氣換流傳熱慢,最終會使帶電運行的設備因溫度過低而關機無法重啟。實時的經典控制算法(例如PID)在該環境下調參過程較為繁瑣,一方面空氣中的傳熱除了輻射熱難計算,另一方面對流傳熱的時間難以確定,所以我們建立了一個溫度的預測模型,并通過此模型的算法,預測該區域未來一天的溫度變化,從而保障地表觀測艙內部的溫度穩定。再通過建立地表觀測艙集總參數模型研究現場加熱策略,結合模型各參數關系以及現場實驗數據,確定溫差與加熱功率的關系。

2.3.1 集總參數模型和數學關系的建立

我們首先建立符合地表觀測艙的集總參數模型,現場照片與加熱模型如圖5所示。

圖5 現場照片與加熱模型。a)地表觀測艙布置現場;b)艙內熱節點分布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(保證系統溫度的下限)的前提下,由于艙室封閉,可以認為內部的均流風機可以保證室內空氣溫度的均勻分布[8-10]。

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

內部空氣的節點溫度控制方程為:

式中,Tin為內部空氣節點溫度,為內墻節點溫度,min為內部空氣總質量,cin為內部空氣比熱容,為內墻熱阻,Qin表示由地表觀測艙輸入的總熱量。

類似地,可以得到內墻節點u1控制方程:

夾層節點u2的控制方程:

夾層節點u3的控制方程:

外墻節點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,ε為發射率,A為表面積,Xa,b為表面a 到b 的輻射角系數,Ea,b為黑體在溫度T下的發射功率,Ra,b為表面a 和b 之間的輻射傳熱阻力。

假設切斷所有熱源,即式(1)中的Qin為0,經歷dt時間,室內溫度相應變化了dT。我們要研究的是Tin與Tout換熱的時間關系以及換熱量,從而在這段時間內補充這個熱量。

從式(1)～(6)中,可以看出表面積輻射角等參數均不受溫度影響,0℃以下材料發射率為常量。我們新引入一個叫過余溫度的概念,即兩個相鄰節點在t時刻的溫度差可表示為θ,例如Tin在t0時刻與的過余溫度為。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)建立了時間室內空氣與內層表面溫差以及輸入熱量的數學關系。由于我們采用神經網絡對外界氣溫進行24 小時的預測,故未來1 小時的平均氣溫已知,我們假設未來1 小時平均氣溫保持不變,有如下公式:

由換熱公式(6),可得室內溫度Tin,時間t與輸入熱量Q的關系式如下:

在現場加熱實驗過程中,選取一組恒溫差加熱的數據(室內數采頻率為15 min/次,室外為1 h/次)。此時加熱功率為600 W,達到熱平衡,所以。當我們經過兩次迭代后,同樣也達到熱平衡,可以確定等式(12)。此時設過余溫度為。

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

從而可得:

等式中的mc是經過迭代計算出來的,由于材料的物理特性數值不確定,所以我們采取了確定數學關系,進行現場試驗的方式。通過現場試驗數據可以發現在加熱功率為600 W 的條件下,室內外溫差為20℃時達到熱平衡。由式(10)可以看出單位時間內的熱量交換是由初始時刻內外界溫差決定的。因此當加熱時間一定且材料傳熱特征變化忽略不計的情況下,加熱功率與初始時刻溫差呈線性關系。據此可以確定在不同溫度差下的加熱功率(表1),此時加熱時間均在1 小時之內,艙內空氣的溫度維持在-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 神經網絡算法的比較與訓練模型的建立

為了獲取未來24 小時內溫度的預測值,對未來1 小時或者幾個小時的外界溫度進行預測。機器學習模型可以利用參數之間的相關性,在經過訓練后,快速自動地識別變化和故障[11]。所以我們選用時間和溫度構成單輸入的時間序列數據,通過機器學習并預測產生單輸出的時間序列數據。

前期我們分別進行了ELM 神經網絡BP 神經網絡SAE 特征壓縮結合的LSTM 神經網絡以及Bi LSTM 神經網絡的訓練和預測。我們參照利用生物信號特征壓縮的短時記憶識別負性情緒中的研究方法,在相關算法的對比上參考基于時間序列的SAE 特征壓縮的研究方法。采用長短期記憶進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 神經網絡和SAE 特征壓縮結合的LSTM 神經網絡,同時也使用了最基本的BP 神經網絡及ELM 神經網絡[12-16]。數據樣本一共8106 組數據,即時間跨度為8106 小時(2012年12月24日11:05—2013年12月27日7:45),其中訓練集的樣本占總樣本量80%,共6485 個數據;測試集為樣本總量的20%,共1621 個數據。我們主要測試的各模型性能參數包含U1(一個綜合參數,以均方根誤差RMSE為分子,預測值均方根與實數均方根之和為分母)U2(一個綜合參數,以RMSE為分子,實際值的均方根為分母)。四種神經網絡訓練集和測試集實驗的結果分別如表2 和表3所示,其中RMSE為均方根誤差,MAE為平均絕對誤差。

表2 訓練集各項性能參數Table 2.Performance parameters of the training set

表3 測試集各項性能參數Table 3.Performance parameters of the test set

四種神經網絡訓練集與測試集四項性能參數的對比如圖7所示。

圖7 神經網絡訓練集與測試集四項性能參數的對比。a) 四種神經網絡訓練集U1 及U2 對比;b) 四種神經網絡訓練集RMSE 及MAE 對比;c) 四種神經網絡測試集U1 及U2 對比;d) 四種神經網絡測試集RMSE 及MAE 對比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

在四項性能參數中,我們將測試集中的RMSE和MAE作為模型算法優化的評判標準,將U1和U2作為輔助判斷條件,對四個神經網絡模型進行評估。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,在訓練后的測試中所獲得的預測值與實際觀測值更為接近。通過多次的訓練比較,確認前后向反饋的Bi LSTM 算法訓練出的預測模型最符合該地區的溫度氣象因素的預測,故我們選擇Bi LSTM 作為預測未來24 小時溫度數據的方法。經過多次不同樣本不同數據量的實驗后,我們發現歷史數據越多時間序列數據越完整,所獲得的預測值越準確。獲得地表觀測艙內加熱功率操作票的流程大致分為以下三大部分。

(1) 輸入樣本數據。獲取樣本數據后,首先進行數據的預處理,設定閾值剔除無效數據。

(2) 預測方法的確定。將數據量按80%20%分開,分別作為訓練集和測試集,然后進行BPELMBi LSTM 以及SAELSTM 四種神經網絡的訓練和測試,橫向對比Criteria 的數值,此過程循環3 次,選擇3 次結果中最小的一次Criteria 對應的算法。

(3) 加熱操作票的產生。在溫度預測基礎上,根據現在的溫度與之后2 小時的溫度,使用其中偏低的溫度作為預測溫度,代表之后1 小時的平均溫度。將該預測溫度與Bi LSTM 模型相對比,選擇溫度更低的一個結果作為溫差產生的參數。加熱操作票產生后,通過衛星可以實現在國內對現場進行遠程操作和控制。

獲得地表觀測艙內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場應用情況

3.1 伊麗莎白公主地區泰山營地雪下艙體布置條件分析

測量溫度剖面的鏈式傳感器由太原理工大學制作,考慮到南極地區常年高寒冰雪的環境特性,傳感器的線纜以及探頭均為耐低溫防潮防水設計[7]。我們選取伊麗莎白公主地2020年2月至5月的數據繪制地下溫度(地表以下溫度)隨深度和時間的變化圖(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間變化的溫度的空間分布,對4 個月的溫度數據做了時空的繪制,如圖10所示。

圖10 中的兩個平面(紅色框的平面為雪下艙體底部平面,藍色框的平面為雪下艙體頂部所在平面)之間區域為地下艙體所在空間。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 間適宜布置需要穩態環境的設備儀器。由于地下能源艙所處環境不會發生變化,所以不用對其進行實時控制,只需要設置溫度上限并進行抽冷風操作即可。這就為需要在穩態環境下運行的設備提供了合適的安裝環境[17]。另外在伊麗莎白公主地開展的地學研究表明大型個體累積事件通常與強風發作有關[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場應用情況

評價該系統最重要的因素是艙體的溫度和傳感器運行情況[20]。在每天的溫度監控中,我們發現地表觀測艙傳感器工作的環境溫度維持在-10℃至0℃,且全天空成像儀在極夜的運行狀態良好,監控所拍攝到的全天空成像儀球罩僅有少量結霜,不影響極光觀測。該系統的現場應用情況如圖11所示。由圖11 可以看出在無人值守狀態下,地表觀測艙內部環境溫度維持在 0℃至-10℃。在2020年4月進入極夜后,觀測艙內部監測圖像表明觀測艙罩結霜較少,不影響極光觀測,文件存儲和文件信息狀體顯示所有傳感器均正常工作。

4 結論

本文提出了一種可保障南極內陸地區科研觀測艙體內部環境穩定和控制系統低功耗持續運行的控制策略,通過搭建熱網絡模型,直觀地表示外界環境溫度內部環境溫度材料特性以及加熱功率的數學函數關系。通過現場的600 W 加熱實驗數據計算并推算出了室內外溫差與輸入加熱功率的關系,得出了一套不同溫差對應不同加熱功率的策略。本文將極端環境下穩態環境的維持方法,轉化成熱力學傳熱模型并結合機器學習智能算法確定最優解的數學問題。在對長短期記憶的相關神經網絡與普通神經網絡對比過程中,選擇了最適合現場未來一天環境溫度預測的一種算法模型。封艙后的實際應用表明,在地表觀測艙內外溫差達30℃時,艙內溫度仍維持在-10℃至0℃,極光觀測罩無結霜現象,這充分驗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,在選擇神經網絡時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的加熱功率。如果考慮艙體內部全年溫度變化和外界氣溫作為神經網絡多輸入,進行算法的改進,可使得預測的環境維持手段更加有效。