摘要：本论文基于前期大量实验获得的数据，对于现有较少的数据根据温度不同进行拟合，随后通过得到的拟合模型对于不同工质流量进行数据生成，得出2200组数据，满足了使用神经网络模型等深度学习方法的前提。随后使用神经网络模型以及集成学习等方法构建了ORC海洋发电系统的仿真模型，其可以实现使用者输入相应的温度，模型自动返回所需要的变化的工质流量以及具体需要变大还是变小，我们也基于单片机实现了同样的功能。

关键词：多元线性回归;集成学习 ;神经网络 ;单片机

1基于机器学习的海洋温差能发电系统的优化

1.1不同温度下的最佳工质流量

最初，我们首先测量了ORC实验仪器的在不同温度下对应不同工质流量所产生的发电功率，发现ORC实验装置在某一固定温度下随着冷媒质量流量增大，发电功率先增大后减小。

但同时，我们发现收集的数据数量较少，同时因为仪器不能灵活控制每次实验下的冷媒质量流量，所以我们使用sklearn中预处理库中的多项式拟合，将不同温度下的数据进行数据增强，方便我们使用神经网络等模型来进行模型拟合随后进行仿真系统优化。

1.2不同温度下的sklearn多项式拟合与数据增强

1.2.1多项式拟合概念

首先假设训练集由的次观测得到，为，均匀分布于区间[0，1]。对应的观测集为  ，假设实际的目标函数为。其中训练集是已知的，我们的目的是通过训练集和观测集拟合出预测函数，让它尽可能的接近目标函数，所以生成观测集的方式是通过训练集加上随机噪声输入到目标函数得到。……