综述：《人工智能/机器学习驱动的优化、预测控制及创新太阳能技术的全面综述》 阿里·阿尔哈兹米（Ali Alhazmi）

《Energies》：A Comprehensive Survey of AI/ML-Driven Optimization, Predictive Control, and Innovative Solar Technologies Ali Alhazmi

　　摘要：到2024年，全球光伏（PV）装机容量已超过2000吉瓦，自2010年以来平准化成本下降了约90%。人工智能（AI）和机器学习（ML）为太阳能系统的设计和实施提供了新的方法。本调查详细评估了在太阳能价值链中使用的AI/ML方法，重点关注太阳辐射预测、最大功率点跟踪（MPPT）、故障识别以及系统材料的快速发现。整个报告中明确区分了作为更广泛范式的AI和作为其数据驱动子集的ML。主要结果显示，通过深度学习架构（LSTM、CNN、Transformer）进行的预测比传统方法提高了10-40%的准确性，而混合数值天气预测和深度学习模型则将平均绝对误差降低了15-25%。基于强化学习的MPPT在部分遮挡条件下的跟踪效率超过99%，基于CNN的故障分类准确率超过95%，基于ML的材料筛选将钙钛矿优化的速度提高了5-10倍。本文还评估了可解释AI、联邦学习、数字孪生和物理信息神经网络等有前景的范式，并考虑了技术、经济和监管方面的限制。本调查为推动AI驱动的太阳能技术的发展提供了综合参考和实用路线图。

1. 引言
全球气候变化的加速以及能源行业对化石燃料的依赖给全球能源系统带来了重大挑战[1]。2015年的《巴黎协定》设定了全球平均温度上升幅度不超过工业化前水平2°C的目标，并特别强调将温度上升控制在1.5°C以内[2]。为实现这一目标，各国需要采取重大措施，采用几乎不产生或完全不产生碳排放的能源，因此迅速采用太阳能对于实现全球脱碳目标至关重要[3]。此外，将人工智能（AI）和机器学习（ML）整合到能源系统中，为提高太阳能系统的效率、可靠性和成本效益提供了有希望的途径[4,5]。有必要对相关术语进行解释。AI（人工智能）是一个多学科领域，涵盖了自动化需要人类认知功能的流程的协议和技术的发展，包括专家系统、模糊算法和进化算法以及学习系统等。ML（机器学习）作为AI的一个子集，涉及在没有明确程序的情况下从数据中学习的过程，通常分为（1）监督学习（例如回归、分类）、（2）无监督学习（例如聚类）或（3）强化学习[6,7]。DL（深度学习）是ML的另一个子集，它使用多层神经网络。为了准确描述应用于不同太阳能分支的方法，本报告中始终使用这些术语。本调查重点关注AI/ML与太阳能系统的交叉领域，包括优化、预测控制和先进的太阳能电池技术。

1.1 太阳能概述
在过去二十年里，太阳能的发展改变了这一资源。地球表面接收到的总太阳辐射量约为1.74 ×10^17瓦，使其成为最丰富的可再生能源[8]。到2024年底，全球累计安装的太阳能光伏系统容量超过了2000吉瓦，几乎是2022年底1185吉瓦的两倍[9,10]。2024年标志着光伏容量年度新增量的记录，达到了约451吉瓦，这是任何发电技术中最大的年度增幅[10]。2024年，太阳能光伏的发电容量超过2130太瓦时，占全球总发电量的6.9%[10]。2023年，公用事业规模太阳能光伏的全球加权平均LCOE为0.043美元/千瓦时，比2010年的0.417美元/千瓦时下降了约90%[11]，使其成为大多数地区最具竞争力的新电力来源。这种成本下降和太阳能快速增长的主要原因是AI/ML在预测、系统设计优化、预测性维护和材料发现方面的进步，这些是本调查的核心内容。表1列出了安装太阳能光伏容量最大的国家，图1展示了其指数级增长轨迹。图1显示了2010年至2024年全球累计安装的太阳能光伏容量（吉瓦）。数据来源：IEA [9]、IRENA [12]、Ember [10]。图1表明了从2010年到2024年全球光伏容量的增长情况。图2展示了LCOE的下降趋势，说明了在AI/ML驱动的优化下，通过提高预测准确性、减少运维支出和增强能源产量可以进一步降低成本的经济环境[11,13]。图2显示了2010年至2023年太阳能光伏和陆上风能的LCOE下降情况，并与化石燃料成本进行了比较。数据来源：IRENA [11]。太阳能电池技术的迅速进步，特别是在PERC、TOPCon和HJT架构上，其商业效率已超过25%，以及钙钛矿-硅串联结构的效率达到了34.85%[14,15]，使得AI/ML技术在系统设计、制造和运行性能方面变得必不可少。表2总结了当前最佳研究电池的效率。机器学习辅助的材料筛选有助于开发出改进的钙钛矿组成，将实验迭代次数减少了5-10倍[16,17]。2023年，全球太阳能相关就业人数达到了720万[18]，进一步凸显了AI/ML驱动的自动化和优化所能产生的重大影响。

1.2 AI/ML在太阳能中的作用
尽管在太阳能系统的部署方面取得了显著进展，但仍有一些固有的挑战限制了其潜力。太阳辐射的随机性和间歇性，受到云层动态、气溶胶变化和昼夜循环的影响，给发电带来了相当大的不确定性[20]。将可变的太阳能发电整合到电网中需要复杂的能源管理[5]，而在多种条件下优化光伏系统设计则面临高维、非线性问题，这些问题不适合用传统的分析方法解决[21]。人工智能和机器学习已成为应对这些挑战的有效方法。数据驱动的方法能够从历史观测中学习复杂模式并适应变化的条件[6,7]。太阳能领域中AI/ML的应用迅速增长，同行评审的出版物数量从2010年的每年约200篇增加到2024年的超过18,000篇[4,22]。主要应用领域包括太阳辐射预测、最大功率点跟踪（MPPT）、故障检测与诊断、电网集成优化以及加速材料发现，这些内容将在后续章节中详细讨论。在这个快速发展的领域中进行文献综述的重要性不容忽视。与AI/ML相关的太阳能研究出版物数量呈指数级增长，从2015年的不到500篇增加到2024年的超过18,000篇，反映了太阳能系统的设计、使用和维护方式的快速变化[4,22]。一些关键的研究方向包括：（i）从经典ML模型（ANN、SVM）转向能够捕捉太阳能数据集中复杂时空依赖性的深度学习模型（LSTM、CNN、Transformer）[23,24]；（ii）采用可解释AI（XAI）以消除工业应用中的“黑箱”障碍[25,26]；（iii）结合边缘计算和物联网实现太阳能系统的自主和实时管理[27,28]；（iv）在分布式太阳能系统中越来越关注联邦学习和保护隐私的学习[29]。因此，全面及时地综合这些趋势对于为新进入者提供指导以及希望有效部署基于AI的解决方案的从业者来说至关重要。最初，AI在太阳能中的应用主要限于简单的人工神经网络（ANN）模型进行辐射预测[21]。随着时间的推移，该领域扩展到了包括深度学习架构（CNN、LSTM、Transformer）、用于控制优化的强化学习以及加速材料筛选的ML[23,30,31]。这一进展反映了AI/ML能力在科学和工程学科中的广泛发展[6,7]。最近的研究还提出了使用可解释AI（XAI）方法（如SHAP和LIME）来缓解深度学习模型在太阳能预测中的“黑箱”挑战[25,26,32,33]，使用联邦学习进行保护隐私的分布式太阳能预测[29]，以及使用生成式AI方法进行系统设计优化[13]。数字孪生框架将AI与实时传感器数据结合，应用于浮动光伏和公用事业规模系统[34]，而基于AI的元启发式优化已被应用于脱碳太阳能系统的容量扩展规划[35]。

1.3 调查目的
关于AI/ML在太阳能应用的研究文献已经有了显著的发展；然而，大多数现有综述仅关注个别子领域，如太阳能预测[20,36]、MPPT优化[37,38]或故障诊断[39,40]。最近的2025年调查工作[22,41,42]部分解决了这一空白，但仍缺乏一个综合性的综述，该综述将AI/ML驱动的优化、预测控制和新型太阳能技术整合在一起，并对各种技术的优势和局限性进行关键比较分析。本调查旨在填补这一空白，提供广泛、结构化且具有批判性评估的分析，涵盖以下方面：
- 光伏、太阳能热能和新兴太阳能技术的概述，包括钙钛矿电池、串联设备、浮动光伏、农光互补系统和建筑集成光伏。
- AI/ML方法在太阳辐射预测、功率预测、MPPT、预测控制、故障检测和材料发现方面的分类和评估。
- 优化、预测控制和机器学习算法的分析，包括深度学习、元启发式优化和迁移学习。
- 对AI/ML技术的优势、局限性及其适用于特定太阳能应用的批判性比较评估，基于最新文献的定量基准。
- 展示了在各种太阳能平台上实际应用AI/ML的案例研究。
- 讨论了技术、经济和监管挑战，以及新兴趋势和机会。

图3提供了调查的组织结构图。本文的其余部分安排如下：第2节概述了太阳能技术及其与AI/ML的集成潜力。第3节探讨了AI/ML在太阳能价值链中的应用。第4节讨论了底层的AI/ML技术。第5节介绍了案例研究。第6节分析了挑战和局限性。第7节概述了新兴趋势和未来研究方向。最后，第8节提出了结论性意见。

2. 太阳能技术概述
本节涵盖了主要的太阳能技术家族，包括光伏系统、聚光太阳能（CSP）和新兴方法，重点介绍了每种技术如何为AI/ML的集成创造特定的机会和挑战。了解这些技术基础对于理解后续章节中讨论的AI/ML应用和技术非常重要。

2.1 太阳能光伏（PV）系统
晶体硅（c-Si）技术一直是光伏市场的支柱，至今仍占全球模块出货量的95%以上[43]。近年来，该技术经历了显著的架构演变，从铝背场（Al-BSF）电池发展到钝化发射极和背面接触（PERC）设计，再到更先进的结构，如隧道氧化物钝化接触（TOPCon）和异质结技术（HJT）[14]。PERC技术通过在背面添加介电钝化层来减少复合损失，在2022年占据了全球电池生产市场的约75%[44]。然而，到2024年，TOPCon电池由于其优越的钝化性能（依赖于超薄硅氧化物隧道层和掺杂多晶硅接触）迅速崛起，占据了新生产能力的50%以上[44,45]。商用TOPCon电池的效率现已超过25%，实验室记录达到了26.81%[14]。HJT技术将晶体硅吸收层与非晶硅钝化层结合，提供了双向光照增益和更低的温度系数（-0.26%/°C，而PERC为-0.35%/°C），使其特别适合高温环境[45,46]。表3提供了主要c-Si电池架构的比较分析。表3显示了晶体硅太阳能电池架构的比较。薄膜光伏技术在材料使用、灵活性和低成本制造方面具有优势。碲化镉（CdTe），由First Solar公司主导商业化，其研究电池的效率已达到22.3%，而商用模块的效率则在19-20%的范围内[14,47]。在高温和低光照条件下，CdTe模块的表现通常优于晶体硅（c-Si）[48]。铜铟镓硒（CIGS）在实验室中的效率达到了23.6%，但由于制造复杂性，其商业化应用仍然受到限制[14]。非晶硅（a-Si）作为商用技术中效率最低的（6-10%），由于其柔韧性和半透明性，仍被用于建筑集成产品和消费电子产品中[49]。晶体硅和薄膜架构的不同组合为人工智能/机器学习（AI/ML）优化提供了独特的机会。例如，通过机器学习进行工艺优化已应用于TOPCon和HJT技术的生产中，通过调整沉积参数实现了1-2%的绝对效率提升[17]。此外，利用基于CNN的计算机视觉进行实时缺陷检测，使得在晶体硅和薄膜模块生产过程中的检测准确率达到了98%或更高[50,51]。

2.2 太阳能热系统
聚光太阳能（CSP）技术利用镜子或透镜将太阳辐射聚焦到接收器上，产生热能，驱动传统热力学循环来发电。到2024年，全球CSP装机容量约为6.9吉瓦，其中西班牙（2.3吉瓦）和美国（1.8吉瓦）处于领先地位[12,52]。目前有四种主要的CSP配置处于商业运营中。抛物面槽式系统是最成熟的技术，占安装容量的约70%，工作温度为350-550°C，热电转换效率为14-16%[53]。太阳能塔式（中央接收器）系统使用定日镜将阳光聚焦到升高的接收器上，工作温度超过565°C，效率为20-25%[54]。摩洛哥的Noor Ouarzazate复合设施（580兆瓦）是目前世界上最大的CSP项目，它包括热能储存（TES），可以在日落后继续发电长达7.5小时[12]。表4比较了各种CSP技术的关键特性。

CSP相对于光伏（PV）的一个关键优势是能够集成热能储存，这使得它可以提供可调度发电和辅助电网服务。熔盐储存系统通常使用60% NaNO3和40% KNO3的混合物，可以储存热能6-15小时，使CSP电站能够在夜间高峰需求期间提供稳定的电力[53,55]。CSP的运营优化有效利用了AI/ML技术。基于神经网络的定日镜瞄准策略提高了3-5%的热流均匀性，而结合直接法向辐照度（DNI）预测的基于ML的预测控制使年度CSP发电量增加了8-12%[54,56]。使用基于CNN的计算机视觉的AI质量检测技术，在生产晶体硅和薄膜模块过程中实现了98%或更高的准确率[50,51]。

2.3 新兴太阳能技术
卤化物钙钛矿太阳能电池是迄今为止发展最快的光伏技术。自2009年首次展示3.8%的效率以来[58]，单结钙钛矿电池的认证效率已达到26.7%[14]。钙钛矿的一般晶体结构遵循ABX3化学计量比，其中A是一价阳离子（通常是甲基铵、甲酰胺基铵或铯），B是二价金属阳离子（通常是铅），X是卤化物阴离子[59]。这些材料具有出色的光电性能，包括可调的带隙（1.2-2.3电子伏特）、高吸收系数（>10^5厘米^-1）和溶液加工性，使其特别适合高效、低成本的太阳能转换[58,59]。钙钛矿-硅串联太阳能电池已经显示出超越单结器件肖克利-奎瑟极限的能力。2024年11月，隆基绿色能源记录了34.85%的认证串联效率，这一结果得到了弗劳恩霍夫ISE校准实验室的验证[15]。牛津光伏公司在2024年开始批量销售串联模块，标志着钙钛矿技术的首次商业规模应用[60]。尽管取得了这些令人印象深刻的效率里程碑，但仍存在重大挑战。商业化的主要障碍是在环境压力（如湿度、热量和紫外线辐射）下的长期运行稳定性，因为目前的寿命仍低于商业光伏模块预期的25年耐用性[59]。由于对铅毒性的担忧，人们开始研究基于锡和混合卤化物的替代品，尽管这些配方目前的效率较低且稳定性较差[16]。浮动光伏（FPV）安装在水库、湖泊和其他水体上，成为解决土地使用限制的一种有前景的方式。到2023年底，全球FPV装机容量超过了13吉瓦，其中最大的安装项目位于中国安徽省[61,62]。这些系统受益于自然水冷，与地面安装系统相比，由于运行温度较低，能量产量可以提高3-6%[61,63]。此外，还可以减少水分蒸发（最多70%）并通过遮荫效应减少藻类生长[62]。

农光互补（agri-PV）系统将太阳能发电与农业生产结合在一起，在食物-能源-水循环中创造了协同效益。研究表明，农光互补系统的土地当量比（LER）可以达到1.3-1.7，表明综合土地生产力可以提高30-70%[64]。耐荫作物如生菜、菠菜和香草在部分遮荫下仍能保持甚至增加产量，由于蒸散作用减少，用水量可以降低14-29%[64,65]。建筑集成光伏（BIPV）系统将太阳能电池直接嵌入建筑围护结构组件中，如立面、屋顶瓦片、窗户和遮阳元素。2024年，全球BIPV市场的价值约为250-300亿美元，预计随着欧盟和亚洲的净零建筑法规的实施，这一市场将继续增长[66,67]。基于有机光伏和薄膜钙钛矿的半透明BIPV技术可以在传输20-40%可见光的同时发电，从而可以将其集成到玻璃系统中[66]。

2.4 混合太阳能系统架构
混合太阳能系统本身并不是一种独立的太阳能技术；相反，它们代表了结合太阳能与其他能源（电池、风能、柴油、电网）的系统架构，以提高整体性能和可靠性[68]。例如，光伏-热（PV/T）集热器同时发电和捕获废热能，综合效率可达60-80%[69]。混合光伏-风能系统利用太阳能和风能资源的互补发电特性，研究发现与单一能源系统相比，能源储存需求减少了10-25%[68]。配备智能能源管理的光伏-电池混合系统已成为住宅和商业微电网的核心，支持自消费优化和参与电网服务[5]。AI/ML在混合系统优化中的作用已被证明至关重要。基于深度强化学习的能源管理使运营成本相比基于规则的控制器降低了10-15%[70,71]，而NSGA-II多目标优化则使离网混合系统的整体生命周期成本降低了22%[72]。Mamodiya等人[72]描述了一个增强型混合太阳能框架，该框架结合了CNN-LSTM预测、基于强化学习的双轴跟踪和边缘AI，以实现低延迟控制，从而提高了能源产量和系统的整体响应性。

图4提供了本节讨论的太阳能技术家族的分类概述。

3. AI/ML在太阳能中的应用和技术
本节探讨了AI/ML技术用于解决太阳能价值链中各种挑战的主要应用领域。应用于太阳能的AI/ML方法具有几个关键特征，使其区别于传统的分析和物理建模方法：(i) 数据驱动的适应性，能够直接从历史和实时传感器数据中学习，从而在系统条件变化时自动重新校准；(ii) 非线性逼近能力，因为深度学习架构可以建模高度非线性的关系（例如云-辐照度动态、部分遮荫下的I-V曲线），这些关系没有封闭形式的解；(iii) 多尺度适用性，因为相同的算法家族（CNN、LSTM、集成方法）可以应用于从毫秒级MPPT控制到季节性能源产量预测的时间尺度；(iv) 可扩展性，因为AI/ML模型可以从单个面板物联网边缘控制器扩展到组合级别的车队优化；(v) 可转移性，预训练模型可以通过迁移学习适应有限的现场特定数据，降低新安装的部署障碍[6,7,30]。这些特征共同使AI/ML成为太阳能行业的变革性工具包，前提是充分解决了数据质量、模型可解释性和计算成本方面的挑战。图5展示了这些应用领域的分类。

3.1 AI/ML在太阳能优化中的应用
高效的电网管理、能源交易和运营优化依赖于对太阳辐照度和光伏（PV）系统功率输出的准确预测。与传统物理和统计预测方法相比，AI/ML预测技术在多个时间范围内显示出更高的准确性[23,36]。在即时预测（小时内预测）方面，使用地面天空相机图像的卷积神经网络（CNN）相比持久性模型在相对均方根误差（rRMSE）上提高了20-40%[30]。CNN能够根据云模式的空间特征预测短期（5-30分钟）的辐照度水平[73]。长短期记忆（LSTM）网络及其变体[74]及其变体已成为日前预测的领先架构，因为它们在捕捉辐照度时间序列中的长期时间依赖性方面表现优异。例如，Qing和Niu[75]表明，LSTM模型在日前太阳辐照度预测方面的RMSE改进了15-30%，优于传统的ANN模型。最近，起源于自然语言处理的变压器架构[76]在太阳能预测方面的表现优于LSTM，捕获了多尺度时间模式，相比LSTM基线提高了10-20%[24]。通过将物理数值天气预报（NWP）输出与深度学习后处理相结合的混合模型进一步提高了预测精度。Mayer和Gróf[77]指出，与仅使用NWP或ML的模型相比，平均绝对误差（MAE）降低了15-25%。此外，结合多个异构模型预测的集成方法显示出比最佳单个组成模型高出15-15%的准确性[78]。表5提供了AI/ML预测方法的比较概述。

最近的研究显著推进了预测领域的发展。Kim和Hau[32]提出了一种结合CNN空间特征提取和DNN非线性映射的混合CNN-DNN模型，用于光伏功率预测，其准确性超过了独立架构，并集成了基于SHAP的可解释性，以识别最具影响力的输入特征。Terkes等人[79]对基于AI的回归技术进行了比较研究，得出结论认为集成梯度提升方法（XGBoost、LightGBM）结合系统超参数调整在多种气候条件下优于单一模型。Demir[80]研究了土耳其高潜力科尼亚地区的太阳辐射预测，发现结合气象特征工程和梯度提升的混合模型实现了最低的预测误差。Baloch等人[81]提出了一个基于Prophet的ML框架用于阿曼的太阳能预测，表明时间序列分解结合ML后处理将日前预测准确性提高了18-25%。Güler和Bilgin[82]实现了使用Tyrannosaurus优化算法训练的新型ANN进行太阳能发电预测，相对于传统训练方法提高了收敛速度。

特别值得关注的是将可解释AI（XAI）整合到太阳能预测中。Ozdemir等人[25]证明，在智能电网中结合五种ML算法和三种XAI模型（SHAP、LIME和ELI5）进行太阳能功率预测，可以在保持预测准确性的同时提供透明且可操作的特征属性，供电网运营商用于决策。Nallakaruppan等人[33]开发了一个集成XAI的框架用于太阳辐射估计，解决了预测可信度问题。Thinn和Saeed[26]研究了太阳能预测的跨方法特征属性，发现SHAP和LIME可以产生不同的解释结果，表明在太阳能应用中需要多方法XAI验证。这些XAI发展直接解决了工业采用基于AI的太阳能预测系统的“黑箱”限制。联邦学习作为一种有前景的分布式范式，已成为太阳能预测的有希望的方法。阿里等人[29]提出了一种可解释的聚类联邦学习框架，该框架在保持隐私的同时，通过智能客户端聚类将具有相似发电模式的太阳能光伏（PV）装置分组，实现了与集中式方法相当的预测准确性。PV系统的最佳设计和规模调整结合了多种人工智能/机器学习（AI/ML）技术。遗传算法（GA）和粒子群优化（PSO）已被用于通过调整面板倾斜角度、阵列配置和逆变器尺寸来优化PV系统的能量产出[83]。最近的研究使用了非支配排序遗传算法（NSGA-II）的多目标优化，同时优化系统成本、能量生产和环境影响，从而得到帕累托最优设计配置[71]。深度强化学习技术已被应用于部分遮挡条件下的PV阵列动态重构，与静态配置相比，能量产出提高了8-15%[70]。图6展示了太阳能预测的端到端AI/ML工作流程。图6. 太阳能预测的端到端AI/ML工作流程，展示了多源数据（卫星图像、地面传感器、数值天气预报NWP）的整合、特征工程、带有XAI解释的模型训练以及联邦/边缘部署。

3.2. AI/ML在预测控制中的应用
PV系统的优化依赖于最大功率点跟踪（MPPT），它不断调整工作点以提取最大可用功率。最流行的MPPT技术，包括扰动观察（P&O）和增量电导（IC），已被证明在部分遮挡条件下（PSC）会围绕最大功率点（MPP）振荡，并且经常收敛到次优点[37,38]。神经网络模型能够学习PV阵列的非线性电流-电压特性，并直接近似最优工作电压，而无需迭代扰动方法[31,84]。传统方法的收敛时间为50-100毫秒，而神经网络模型能够在1-5毫秒内实现收敛。强化学习方法中，代理与PV系统环境互动，在部分遮挡条件下能够多产生2-5%的能量[70]。模糊逻辑控制器通过语言规则利用专家知识，对测量噪声和参数不确定性具有鲁棒性[84]。在PSC条件下，基于AI的MPPT方法能够达到99%以上的跟踪效率，而传统方法的跟踪效率为90-95%[37,85]。表6比较了不同MPPT方法的性能。表6. 不同条件下的MPPT技术性能比较。基于AI的MPPT和控制策略的研究迅速发展。Güne?等人[86]对离网太阳能供电监控系统的MPPT算法进行了比较研究，证明在现实世界部署中遇到的快速变化的辐照条件下，增强型算法保持了更好的跟踪性能。Khosrojerdi等人[87]开发了一种基于深度学习的方法，专门解决PV电站中持续存在的部分遮挡问题，其中基于运行数据训练的模型可以实时识别遮挡模式并动态调整MPPT策略。Arsad等人[88]对100篇关于基于AI的太阳能充电控制器的出版物进行了全面分析，发现与传统的P&O方法相比，神经网络优化的控制器实现了2-4%更高的能量提取效率，特别是在变化的大气条件下。此外，Boucif等人[27]提出了一个AIoT框架，用于太阳能监控和控制，该框架将边缘计算与基于AI的MPPT优化相结合，使得无需云连接即可实时自主调整跟踪。Mir等人[28]证明，在太阳能电力系统中集成AI和物联网（IoT）进行监控和预测性维护，结合实时的基于AI的MPPT和传感器监控，可以使系统能量产出增加5-8%，并将未检测到的故障持续时间减少60%以上。表7提供了包括最近基于AI的MPPT进展的扩展比较。表7. 最近基于AI的MPPT和控制进展的扩展比较（2025-2026年）。由于模型预测控制（MPC）能够将预测、约束和多个目标无缝嵌入优化问题中，它已成为太阳能集成能源系统中的首选控制方法[89]。在太阳能建筑的能源管理中，结合太阳能辐照预测的MPC技术据报道可以将能源成本降低15-30%，与基于规则的控制器相比[89]。在并网PV-电池系统中，MPC协调PV发电、电池充放电和电网交换，以最大化自消费并最小化电力成本[56]。基于学习的MPC结合了基于神经网络的太阳能预测和MPC，结合了机器学习（ML）的预测能力和MPC的约束处理优势[89]。

3.3. AI/ML在性能预测中的应用
PV系统的设计寿命为25-30年，实现这一目标取决于有效的故障检测和预测性维护能力。常见的故障模式包括热点、电池片裂纹、潜在诱导退化（PID）、旁路二极管故障和污染[39,90]。基于AI/ML的技术使用多种数据模式，包括电气性能数据、红外（IR）热成像、电致发光（EL）成像和无人机（UAV）图像[40,50]。IR和EL成像系统的故障分类准确率超过了95%[50]。各种深度学习架构，包括ResNet、VGG和YOLO，已在大规模缺陷图像数据集上进行了训练，能够在单次推理中分类和定位多种故障类型[40]。基于自编码器的异常检测和隔离森林已被证明能够以超过90%的灵敏度识别与监测数据的操作偏差[91]。结合退化模型和基于ML的故障预测的预测性维护方法允许根据条件进行维护调度，将计划外停机时间减少20-40%[90,91]。最近的进展在基于AI的故障检测方面引入了几项重要发展。Naqvi等人[92]提出了一种用于太阳能系统的可解释集成故障分类方法，该方法通过结合集成学习和基于SHAP的可解释性，解决了不平衡故障数据集上性能不佳的关键问题，实现了超过97%的分类准确率，同时提供了透明的决策理由。Martinez-Gil等人[51]回顾了太阳能生产的尖端维护实践，强调了基于UAV的成像与AI结合用于故障检测作为一种新兴实践，以及通过预测性污染管理实现显著节水的可能性。Arimbi等人[93]回顾了最新的AI驱动的预测性维护技术，发现早期故障检测可以将维护成本降低25-35%，相比定期维护协议。Mir等人[28]展示了一个AI-IoT太阳能电力监控系统，该系统结合了实时传感器数据和基于ML的异常检测，能够在几分钟内识别故障，而手动检查则需要几小时或几天。评估表明，基于CNN的图像分析实现了最高的故障分类准确率（>95%）；然而，这种准确率的代价是需要大量的标记训练数据集，这些数据集获取成本高昂。相比之下，异常检测方法（自编码器、隔离森林）可以在未经标记的数据上运行，但通常灵敏度较低（85-92%）。因此，首选方法高度依赖于具体应用需求：基于图像的方法适用于使用UAV或IR成像进行定期详细检查，而对于连续实时监控电气性能数据，异常检测是更合适的选择[91,92]。完整的基于AI的故障检测和预测性维护流程如图7所示。对于PV项目的融资和性能评估，准确估计长期能量产出至关重要。使用特定地点的气象数据、系统设计参数和退化模型的ML模型在年度能量产出预测中的平均绝对百分比误差（MAPE）低于3%[94]。对于这一应用，梯度提升集成方法（XGBoost、LightGBM）特别有效，通过特征重要性分析提供了高准确性和模型可解释性[95]。

3.4. AI/ML在创新太阳能技术中的应用
将机器学习应用于加速新材料的发现是太阳能研究中最令人兴奋的前沿之一。高通量计算筛选和ML替代模型的结合允许快速评估庞大的组成空间，将材料概念到实验验证的时间框架缩短了一个到两个数量级[16,96]。Perovskite数据库项目包含超过42,400个设备记录，提供了标准化的数据集，用于训练ML模型，根据其组成、处理和架构预测太阳能电池的性能[17]。图神经网络（GNNs）和晶体图卷积神经网络已被用于直接从晶体结构预测材料的稳定性和电子特性，预测准确率在0.1 eV以内，计算成本远低于密度泛函理论（DFT）计算[97]。贝叶斯优化已被用于遍历高维Perovskite组成空间，将识别最佳组成所需的实验迭代次数减少了5-10倍[16]。图7. 基于AI的故障检测和预测性维护流程，展示了多模态数据采集（IR、EL、电气、UAV成像）、预处理、CNN/异常检测分类、基于XAI的根本原因分析和维护调度阶段。将ML技术应用于简化太阳能电池的制造正受到越来越多的关注。计算机视觉技术用于在线质量控制，可以实时识别和分类电池缺陷，准确率超过98%[50]。使用贝叶斯方法和神经网络优化工艺参数，通过优化前驱体浓度、退火温度和沉积参数，使Perovskite电池制造的绝对效率提高了1-3%[16,17]。最近的研究扩大了AI驱动的材料发现和制造的范围。Sahu等人[98]引入了一种混合ML-DL-DFT+U框架，用于Mg-Ca共掺杂HgS半导体的带隙工程，证明集成ML模型在15个回归模型中预测的带隙值??2 >0.98，经过第一性原理DFT+U计算验证。这个案例展示了数据驱动材料发现的一个增长趋势，其中ML模型可以在几小时内筛选数千种组成候选物，而传统方法通常需要几个月的时间进行实验合成。Mousavi等人[13]分析了生成AI对可持续和高效推进太阳能系统的重要性，描述了生成对抗网络（GANs）和变分自编码器（VAEs）如何应用于生成新型PV材料组成并优化系统设计，超越了传统方法的能力。图8展示了ML加速的Perovskite材料筛选工作流程。图8. ML加速的Perovskite材料筛选工作流程，展示了大规模材料数据库、ML替代模型（GNNs、梯度提升模型、贝叶斯优化）、基于带隙和稳定性的候选物选择、DFT验证和实验合成的闭环集成。反馈循环使得实验迭代次数比传统的试错方法减少了5-10倍。表8提供了主要AI/ML技术家族在太阳能应用中的比较评估，讨论了它们的具体优势、局限性、数据需求以及适用于不同用例的情况，这是现有文献中的一个关键空白。

4. AI/ML技术在太阳能中的应用
本节提供了用于太阳能的AI/ML算法和架构的技术概述，分为三类：优化方法、预测控制方法和机器学习方法。由于太阳能系统的设计和运行挑战的复杂性和多维性，太阳能需要智能优化。传统的分析优化方法（例如线性规划、梯度下降）在处理PV系统尺寸确定、部分遮挡下的阵列重新配置和混合系统调度等常见的非凸、多模态搜索空间时存在根本性困难[71,83]。此外，太阳能辐照的实时变化，加上电池存储和电网服务的日益集成，导致了需要自适应、数据驱动控制策略的动态优化问题，而不是静态的基于规则的方法[70,89]。智能优化应用中的当前挑战包括：（i）在资源受限的边缘设备上实时部署复杂模型的计算成本；（ii）元启发式算法对不同太阳能系统配置的超参数调整的敏感性；（iii）在具有竞争目标的多目标问题中确保全局最优性的难度，如成本、可靠性和环境可持续性；（iv）缺乏广泛认可的优化技术公平比较的基准[35,99]。以下小节描述的技术旨在不同程度地解决这些挑战，并提供了它们各自优势和局限性的平衡评估。图9展示了太阳能系统的AI优化框架。图9. 太阳能系统的AI优化框架，展示了元启发式算法、深度强化学习、模型预测控制和多目标优化在系统设计、实时控制和性能评估中的分层集成。

4.1.优化技术
用于太阳能系统设计和控制的元启发式优化算法能够在不需要梯度信息的情况下解决复杂的多模态搜索问题，这使得它们非常适合这些应用。表9比较了主要算法及其在太阳能领域的应用。表9. 元启发式优化算法在太阳能应用中的表现。在遗传算法（GA）中，潜在解决方案被表示为染色体。利用生物启发的操作符（选择、交叉、变异）在几代内进化出最优解[83]。在太阳能领域，遗传算法已被用于优化光伏系统的规模，并且与传统设计方法相比，已显示出5-15%的成本降低[71]。在粒子群优化（PSO）中，模拟了一群鸟的社会行为，每个粒子根据自身最佳解和全局最佳解迭代调整其位置。针对最大功率点跟踪（MPPT）的改进PSO算法在部分遮挡条件下仅需0.1-0.5秒即可收敛，其能量提取性能比传统P&O方法高出3-8%[85]。灰狼优化器（GWO）模仿了灰狼的社会等级和狩猎行为，在快速变化的辐照度值情况下，其收敛速度优于其他方法[100]。鲸鱼优化算法（WOA）模仿了座头鲸的泡沫网捕食策略，已成功用于混合可再生能源系统的多目标优化[101]。
近年来出现了具有改进收敛特性的新型元启发式算法。Güler和Bilgin[82]表明，当将霸王龙优化算法（TREX）应用于太阳能预测的神经网络（ANN）训练时，与PSO和GA相比，它在高维参数空间中收敛更快且产生的解决方案质量更好。Sivakumar等人[35]提出了一种结合基于AI的负荷预测与多目标优化的混合元启发式方法，用于太阳能系统的可持续容量扩展规划，识别出平衡成本、可靠性和碳排放的帕累托最优配置。Jain等人[102]采用了一种结合遗传算法和深度学习的时空映射框架，考虑地形、遮挡和电网连接约束，以实现太阳能安装的最佳布局。
设计太阳能系统涉及相互冲突的目标，包括最大化能量产出和最小化成本及环境影响。多目标进化算法（MOEAs），特别是非支配排序遗传算法II（NSGA-II），已被广泛用于获得一组帕累托最优解[71]。对于混合光伏-风能-蓄电池系统，基于NSGA-II的优化可以降低10-20%的成本，并保持99%的可靠性，而单目标优化方法则无法实现这一效果[68]。

4.2. 预测控制技术
模型预测控制（MPC）在实现太阳能集成系统的高级控制方法时被最常使用。在MPC中，控制动作在定义的预测范围内进行优化，同时解决每个步骤中的受限优化问题，同时考虑系统动态、其约束和预测数据[89]。太阳能系统的一般MPC公式可以表示为：
min????:??+??????1∑??=0??(????+??,????+??)+?????(????+??)
（1）
受系统动态????+1 =???(????,????,????)和运行约束的约束，其中????表示系统状态，????表示控制输入，????表示干扰（包括太阳辐照度预测），N表示预测范围，??( ·)表示阶段成本，?????(·)表示终端成本。
在太阳能建筑的能源管理系统中，结合日前太阳辐照度预测的MPC系统通过减少15-30%的总能源成本和10-20%的峰值功率需求，优于基于规则的系统[56,89]。
基于学习的模型预测控制（MPC）将机器学习（ML）模型应用于难以获得的系统模型。例如，神经网络可以替代昂贵的基于物理的模型，并与MPC计算并行运行。因此，可以在嵌入式控制硬件上实现MPC[89]。此外，深度强化学习（DRL）是一种无需MPC的替代方案，可以从系统数据中开发模型和控制策略。使用DRL的能源控制应用显示出与MPC相似的有效性，但计算强度较低[70]。

4.3. 机器学习算法
传统的机器学习（ML）算法，如支持向量机（SVM）、随机森林（RF）和梯度提升决策树（XGBoost和LightGBM），在太阳能应用中仍然相关，尤其是在结构化的表格数据集中。在分类太阳辐照度的任务中，即使训练样本数量较少，带有可调径向基函数（RBF）核的SVM也表现出色[20]。随机森林方法还生成了组成特征的预测重要性的内在度量，可用于区分气象参数对太阳能生产的相对重要性[23]。对于太阳能预测的建模任务，特别是在日前光伏（PV）功率预测的表格数据中，XGBoost和LightGBM被认为是表现最好的算法[95]。
表10总结了用于太阳能应用的关键ML算法家族的特点。表10. 不同ML算法家族在太阳能应用中的比较。
由于在处理空间数据方面的有效性，卷积神经网络（CNN）非常适合基于图像的天空预报和识别光伏面板中的缺陷。例如ResNet-50和VGG-16等模型已被修改用于分类太阳能电池中的缺陷，在EL图像数据集中准确率超过95%[50]。CNN也被用于太阳能光伏预测。当用于分析卫星图像时，这些CNN在15-60分钟的时间范围内将RMSE降低了15-30%[73]。
对于短期内的太阳能光伏发电预报，最常用的模型是LSTM和GRU网络。这是由于它们独特的长期依赖性建模能力，这得益于它们专有的门控机制[74]。在预测多步-ahead辐照度发电时，双向LSTM模型更受青睐，因为它们比标准LSTM提高了5-10%的性能[103]。对于光伏发电预测，最有效的模型是CNN-LSTM混合模型，它结合了空间和时间建模，能够将一天后的光伏发电预测的MAPE控制在2-5%之间。该模型始终优于独立模型或CNN和LSTM[104]。
变压器中的自注意力机制允许并行处理完整的输入序列，因为它能够识别短期和长期依赖性，从而避免了RNN中存在的序列瓶颈[76]。由于这一特性，变压器模型目前是多时段太阳能预测领域中最成熟的模型，在1-48小时的预测范围内，其性能比LSTM基线高出10-20%[24]。时间融合变压器（TFT）架构结合了变量选择网络和多头注意力，在多分位数概率太阳能预测领域特别有效[105]。
最新研究表明，没有一种单一架构在所有预测范围和数据条件下都占主导地位。对于使用天空相机图像的短期小时内预测，CNN仍然最有效[32,73]。对于具有多变量时间序列的日前预测，变压器模型和TFT架构提供了更好的性能[24,105]。对于样本有限的表格结构化数据集，梯度提升集成方法（XGBoost、LightGBM）提供了最佳的准确性与复杂性比率[79,95]。结合CNN和LSTM或变压器的混合架构在各个预测范围内都表现出色，因为它们有效地利用了空间和时间特征[32,104]。因此，架构选择应基于具体的预测任务、数据可用性、计算约束和可解释性要求，这一实际见解在之前的综述中尚未得到充分强调。
图10展示了应用于太阳能预测和优化的深度学习架构的演变和比较特性。图10. 应用于太阳能预测和优化的深度学习架构的演变。
强化学习（RL）已成为解决太阳能应用中序列决策问题（如MPPT控制、电池调度和需求侧管理）的突出学习形式之一。这种学习技术通过奖励提供反馈，因为代理在与环境多次交互后学会了最有效的序列[70]。Deep Q网络（DQN）和近端策略优化（PPO）已被用于MPPT控制，并被证明能够在没有光伏阵列特征先验知识的情况下跟踪复杂、部分遮挡条件下的全局MPP[70]。
对于并网光伏系统，RL代理通过最优利用分时电价，将电池储能调度的收入提高了10-20%[5]。在虚拟电厂配置的背景下，多代理RL模型能够协调多个光伏-蓄电池系统，实现总峰值需求的15-25%降低[70]。
Rodrigues等人[106]开发了一个基于AI的物联网推荐系统（ATIRENDEE），用于增强带有太阳能集成的智能家居的能源管理，利用深度学习集成模型进行消费调度，实现了平均每月能源成本节省超过45%。Khasawneh等人[107]提出了一个基于ML的调度框架，用于优化设施中的太阳能利用，证明使用ML预测的基于预测的负荷转移将直接太阳能自消费增加了30-40%，相比静态调度方法[107]。
迁移学习通过利用其他领域中足够丰富的可用数据来缓解特定站点训练数据不足的问题。从仪器齐全的位置的广泛数据集预训练的模型可以通过目标位置的数据进行调整，用50-80%更少的训练数据实现类似的准确率[30]。也有一些关于少量样本学习技术的研究，特别是模型不可知的元学习（MAML），用于快速调整太阳能预测模型以适应新位置，即使只有10-50个训练样本[108]。

5. 案例研究和应用
本节包括代表性的案例研究，展示了AI/ML技术在各种太阳能技术中的实际应用，并提供了它们的运行性能和实际部署经验的证据。
5.1. AI/ML在太阳能光伏系统中的应用
Google DeepMind使用深度学习模型提高了Google站点可再生能源发电的价值。通过使用基于LSTM的模型进行日前电力交易预测，Google由于改进的调度和对电网的承诺，使风能发电的经济价值增加了20%[109]。这些模型也被用于太阳能光伏投资组合，其中日前交易预测优化了日前电力市场的参与度，并将不平衡罚款减少了30-50%[77]。
华为的FusionSolar平台在全球范围内的公用事业规模太阳能电站（超过30 GW）中应用AI进行串级MPPT优化、故障检测和性能监控[110]。该平台能够对串和模块进行IV曲线诊断，以检测性能不佳的情况，并在15分钟内提供故障检测，从而实现预测性维护，与传统维护策略相比，运营和维护（O&M）成本降低了25-30%[110]。
NEXTracker的TrueCapture系统使用机器学习模型根据地形变化、行间遮挡和天气条件自主优化单轴跟踪器的控制。超过70 GW的跟踪器现场安装显示，与默认的天文跟踪算法相比，能量产出提高了2-6%[111]。TrueCapture系统展示了自适应机器学习在太阳能场优化中的成功应用，因为它持续收集和学习运行数据以改进控制策略。
表11总结了关键案例研究及其定量结果。表11. 太阳能领域代表性AI/ML案例研究的总结。
5.2. AI/ML在物联网集成太阳能系统中的应用
AI与物联网（IoT）技术的结合为实时太阳能系统优化开辟了新的可能性。Boucif等人[27]研究了AIoT范式在太阳能监控和控制中的应用，发现边缘AI在IoT设备上的部署实现了自主MPPT优化、实时故障检测和性能监控，无需依赖云连接。Mir等人[28]展示了一个实用的AI-IoT太阳能监控系统，结合了太阳能板、传感器和微控制器以及基于ML的分析，实现了实时参数监控和系统异常的预测警报。Rodrigues等人[106]开发了ATIRENDEE系统，该系统结合了太阳能发电预测、能源市场价格预测和天气数据，优化了智能家居的能源管理，通过智能消费调度实现了超过45%的能源成本降低。
表12提供了最近案例研究的扩展总结。表12. 2025-2026年太阳能领域AI/ML案例研究的扩展总结。
5.3.**太阳能热系统中的AI/ML**

AI/ML技术已被用于优化CSP（聚光太阳能）电站的运行以及定日镜场的控制。基于神经网络的定日镜瞄准或转向策略使热能接收器通量的均匀性提高了3-5%，从而减少了热应力并延长了接收器的使用寿命[54]。在具有热能储存的抛物面槽式电站中，结合了基于机器学习（ML）的直接法向辐照度（DNI）预测的模型预测控制（MPC）通过优化储存能量的分配和蒸汽循环的运行，使年发电量增加了8-12%[56]。

CSP系统的运行环境使得实施预测性维护变得困难。高温、灰尘、镜面退化等因素都增加了这一挑战。然而，使用运行数据以及反射率、温度和天气数据训练的ML模型能够以超过85%的准确率预测镜面的污染和退化，从而有助于制定使用较少水资源的定制清洁计划[53]。Borhani等人[57]构建了一个详细的评估和预测框架，用于带有PCM（相变材料）储存的混合太阳能三联产循环，比较了ANN（人工神经网络）和ANFIS（人工神经网络-模糊逻辑系统）模型与基于PSO（粒子群优化）的优化方法。PSO优化的模型预测误差减少了99.9%，其中ANN-PSO配置在系统效率预测方面表现出最高的准确性。这项研究清楚地展示了AI如何优化通常难以通过分析方法建模的复杂多输出太阳能热系统。

**新兴太阳能技术中的AI/ML**

ML在加速太阳能电池发展方面显示出潜力，这一点从钙钛矿数据库项目[17]中可以得到证明。基于梯度提升的模型在包含超过42,400条实验数据的数据库上进行了训练，以根据成分和处理参数预测功率转换效率（PCE），并且预测误差绝对值小于2%[17]。这些ML模型在贝叶斯优化过程中被用来遍历混合阳离子、混合卤化物钙钛矿的庞大成分空间，并且能够以比传统试错方法少5-10倍的实验工作量找到高效率的成分[16]。

ML模型还被创建用于优化特定地点的浮动光伏（FPV）系统，考虑了水体特征（深度、波浪作用、温度）、环境因素以及与电网连接相关的成本[61]。提供了气象和水温数据的ANN模型能够预测FPV的能量产出，其平均绝对百分比误差（MAPE）低于4%，即使考虑到不同类型水体和相关气候条件下的冷却效应[61,62]。

**混合太阳能系统中的AI/ML**

鉴于设计和运行优化问题的多维特性，混合PV-风-电池网络的优化是AI/ML最有前景的应用案例之一。在关于该主题的最广泛的研究之一中，Maleki等人[71]使用NSGA-II优化了一个离网电信塔混合PV-风-电池系统的设计，与现有技术相比，总生命周期成本降低了22%，多余能量减少了15%。

**挑战与限制**

尽管AI/ML技术对太阳能的未来具有巨大潜力，但在这些技术能够可靠且广泛使用之前，仍存在许多需要解决的挑战。认识到如何有效应对这些挑战，并识别可能解决这些挑战的发展趋势，对于规划大规模AI驱动的太阳能系统至关重要。图11总结了文献中确定的关键挑战。

**6.1. 技术挑战**

机器学习模型的性能在很大程度上取决于训练数据的质量、数量和代表性。许多关于太阳能的数据集往往不完整，在发展中的地区，气象监测系统也有限[20,23]。此外，目前还没有公开可用的标准化数据集用于太阳能预测和故障检测，这阻碍了所描述方法的可重复性。尽管Baseline Surface Radiation Network（BSRN）和钙钛矿数据库项目[17]提供的数据源非常重要，但仍需要针对各种地点、应用和时间框架的大量数据。

在特定气候区、光伏技术或特定系统配置上训练的模型在其他环境中往往表现不佳[30,31]。训练和部署之间的分布差异会导致一系列问题，如季节性变化、气候变化效应或设备老化。这会导致机器学习模型的性能下降。尽管迁移学习和领域适应方法试图解决这一问题，但仍需进行大量工作，以创建能够量化和解决太阳能应用中分布差异的系统。

深度学习模型的“黑箱”特性为涉及安全性和其他利益相关者信任问题的应用带来了障碍。在太阳能领域，基于机器学习的模型有助于做出电网调度、维护计划和投资规划等决策。这些决策具有重大的财务和运营影响[5]。一些可解释AI（XAI）技术，如SHAP（Shapley Additive Explanations）和LIME（Local Interpretable Model-Agnostic Explanations），已被应用于太阳能预测模型。这些技术提供了一些关于特征重要性和预测原因的解释[23]。然而，模型复杂性和可解释性之间的权衡仍然是该领域持续存在的矛盾。

训练大型深度学习模型所需的资源非常庞大，特别是对于变换器架构和强化学习方法[24]。对于实时最大功率点跟踪（MPPT）和局部故障检测，需要在资源有限的嵌入式系统上进行边缘部署，这需要模型压缩方法，如知识蒸馏、剪枝和量化[7]。模型训练的能耗引发了可持续性的问题，并突显了开发节能ML实践的必要性。

**6.2. 经济挑战**

AI/ML解决方案需要投资于数据系统、计算能力、训练有素的员工和模型维护。对于小型和中型光伏系统，基于AI的优化的预期回报可能不如其他方案有利可图[38]。进行彻底的技术经济评估，分析不同系统规模下的AI/ML实施情况并提供净现值，对于做出AI/ML实施决策至关重要。

AI/ML部署的成本效益分析在不同系统规模上差异显著。对于超过100 MW的公用事业规模安装，基于AI的预测性维护和产量优化的边际成本通常在1-2年内通过减少计划外停机时间和提高能量收获得到回收[22]。相反，对于低于50 kW的住宅和小型商业系统，数据采集基础设施、云计算订阅和模型维护的前期投资往往超过了边际收益。正如Xiang等人[42]所指出的，AI驱动的优化已证明能够使大型太阳能农场的能量产出提高3-8%；然而，要实现分布式系统的类似回报，需要开发轻量级、可在边缘部署的模型，以最小化重复的基础设施成本。

此外，AI/ML解决方案的总拥有成本不仅限于初始部署。模型重新训练、数据管道维护和持续软件更新代表了持续的运营支出，在早期可行性评估中往往被忽视[41]。缺乏专门为评估太阳能系统中AI/ML集成而设计的标准化技术经济框架，使得项目开发者和投资者在比较不同解决方案时缺乏一致的评估工具。

此外，跨学科专业人才的短缺也阻碍了知识从理论到实践的转移。太阳能领域的AI/ML应用结合了数据科学、电力系统工程和太阳能[18]。为了支持AI解决方案在太阳能领域的快速采用，创建更多的教育框架以及私营部门和公共部门之间的正式和非正式安排至关重要。

2023年，全球可再生能源就业人数达到1620万，其中太阳能光伏占720万，是任何可再生能源技术中最大的份额[18]。尽管该行业有所扩展，但同时具备数据科学和电力系统工程专业知识的工作人员的比例仍然很低。发达和发展中太阳能市场之间存在数字鸿沟，计算资源、训练数据集和AI/ML教育项目的获取差距加剧了这种不平衡[22]。解决这些问题需要有针对性的能力建设投资，建立专为太阳能应用定制的开源AI/ML工具包，并进行国际合作，以在不同AI准备程度不同的市场之间分享最佳实践。

新兴太阳能市场中AI/ML采用的经济风险因货币波动、技术升级资金获取有限以及缺乏本地技术支持生态系统而进一步加剧。在太阳能部署加速最快的地区，如撒哈拉以南非洲和东南亚，能够部署和维护集成AI的太阳能系统的劳动力明显不足[112]。如果没有有意的政策干预来弥补这些经济和人力资本差距，AI/ML在太阳能领域的效益可能会集中在先进经济体中。

**6.3. 监管和政策挑战**

现有的电力市场指南和电网规范是为传统可调度发电设计的，不足以适应波动的太阳能策略的AI优化[5]。管理AI服务在预测分析和自动化电网管理中的提供的法规不协调，并且在各个司法管辖区中不断发展。数据隐私、算法的责任制以及AI能源系统的网络安全是法规需要解决的问题。

欧盟的《人工智能法案》（2024年）引入了基于风险的AI系统分类框架，对AI驱动的能源管理有直接影响。用于关键基础设施管理的AI系统，包括太阳能-电网集成和自动化调度，可能被归类为“高风险”，需要符合性评估、透明性文档和人工监督规定[42]。虽然这样的监管框架促进了责任性和安全性，但合规成本和延长的开发时间表可能会减缓基于AI的太阳能优化的采用，特别是对于缺乏专门监管合规资源的较小开发商和公用事业公司。

随着AI驱动的太阳能系统变得更加互联，网络安全成为一个日益重要的监管问题。物联网支持的光伏监控、基于云的预测分析和自动化电网交易的普及为网络威胁创造了更大的攻击面[27,28]。现有的网络安全标准（例如IEC 62351 [113]用于电力系统通信安全）最初并不是为解决AI特有的漏洞（如对预测模型的对抗性攻击、联邦学习系统中的数据投毒或自主MPPT控制器的操纵）而设计的。为能源应用开发特定的AI网络安全标准是一个紧迫的监管空白，需要解决以维护电网稳定性和投资者信心。

在没有特定基准、测试方法和AI/ML模型认证流程的情况下，商业采用变得具有挑战性。公用事业公司和项目开发者需要知道基于AI的解决方案已被证明能够达到一定的性能和可靠性水平，类似于光伏模块（IEC 61215/61730 [114,115]）和逆变器（IEC 62109 [116]）的认证要求[40]。创建这些标准需要行业、学术界和监管机构的合作。

数据治理和隐私框架带来了额外的监管复杂性。分布式太阳能系统的联邦学习部署[29]需要明确的法律结构来规范数据所有权、同意和跨境数据传输。在数据保护法规严格的司法管辖区，例如欧盟的通用数据保护条例，即使在联邦设置中，使用住宅光伏性能数据进行模型训练也需要明确的用户同意和用途限制合规性。缺乏统一的国际标准来治理能源数据，导致AI/ML解决方案在多个市场中的扩展受到阻碍。

政策激励和监管沙箱已成为加速太阳能领域AI采用的机制，同时管理相关风险。多个司法管辖区已经引入了监管创新区，在这些区域内，基于人工智能的电网管理解决方案可以在较为宽松的监管要求下进行测试，然后再进行全面部署[22]。这种方法使监管机构能够评估人工智能/机器学习系统的实际性能和安全性，同时收集证据以制定永久性的监管框架。国家可再生能源目标、人工智能发展战略和电网现代化政策之间的协调对于创建一个支持人工智能驱动的太阳能创新的连贯监管环境至关重要。为了解决上述技术、经济和监管方面的障碍，需要采取多方面的策略。在技术层面，采用可解释的人工智能框架（如SHAP、LIME）将提高模型的透明度并建立行业信任[25,92]；联邦计算和边缘计算架构将降低数据隐私风险和延迟[27,29]；而基准数据集和评估指标的标准化将使得不同方法之间的比较更加公平和可重复。在经济方面，开发轻量级、可在边缘部署的人工智能模型可以降低小型分布式系统的基础设施成本[42]，而为太阳能量身定制的开源人工智能/机器学习工具包将使新兴市场更容易获得这些技术[22]。从监管角度来看，引入监管沙箱和创新区可以在全面部署之前对人工智能驱动的电网管理进行受控测试，而国家人工智能和可再生能源政策的协调将创建出促进采用的连贯治理框架[22]。以下部分将讨论预计将在这些方面推动进展的新兴技术趋势。

7. 趋势与未来方向
7.1. 新兴趋势
借助基础模型，这可能是太阳能应用的一个潜在范式转变。预训练的时间序列基础模型将实现准确的太阳能预测，并减少对微调数据的需求[117]。一些早期的研究使用了基于GPT架构的时间序列能量分析模型，这些模型与特定任务的模型相比具有竞争力，但所需的领域特定训练数据要少得多[117]。Meenal等人[118]的最新研究表明，通过结合多种架构（CNN、LSTM、Transformer块）的混合深度学习模型可以实现最先进的太阳能辐射预测，这表明到2030年，基于基础模型的架构可能会成为太阳能预测的标准方法。
数字孪生技术是一种强大的新兴框架，用于性能分析、预测性维护和情景分析，它可以创建物理太阳能资产的高保真虚拟副本[91]。一个太阳能电站的数字孪生包含了物理模型、实时传感器数据和机器学习（ML）模型的组合。这种组合使得持续的性能评估、异常检测和性能退化监控成为可能。数字孪生提供了一种无需物理实验即可进行设计和维护修改的方法，通过“假设”分析来实现[91,110]。Yang等人[34]通过开发一个针对浮动光伏系统的数字孪生框架进一步推进了这一范式，该框架将实时环境监测（水温、波浪动态、湿度）与基于ML的性能预测相结合，以优化水生环境中的清洁计划和倾斜角度调整。
越来越多的物联网传感器和边缘计算使得可以直接在光伏系统硬件层面训练人工智能模型，从而绕过了基于云的系统所面临的问题，如延迟和连接性[7]。一些边缘AI应用程序可以运行最大功率点跟踪（MPPT）和本地故障检测，并在远程系统中提供实时自主智能。先进的模型压缩方法，如知识蒸馏、神经架构搜索和量化，使得能够在功率低于1瓦的微控制器上部署复杂的人工智能模型[119]。最近的研究展示了边缘AI和物联网在太阳能管理方面的融合：Boucif等人[27]构建了一个实时AIoT监控平台，使用边缘部署的神经网络实现了超过97%的故障检测准确率，而Rodrigues等人[106]开发了一个基于物联网的推荐系统（ATIRENDEE），通过边缘AI驱动的调度和负载管理将住宅能源成本降低了45%。

7.2. 未来研究方向
联邦学习的一个关键优势是它允许在不需要移动和存储敏感原始数据的情况下进行模型训练，从而进一步支持数据隐私和限制通信的问题[108]。例如，在联邦学习中，本地模型以有限的方式进行训练，训练期间的唯一通信是将模型编辑（即权重）发送到中央服务器。这对于住宅光伏系统特别有用，因为用户不愿意分享光伏发电数据，但可以从数据中受益而不必共享数据。Ali等人[29]最近提供了一个实用的隐私保护联邦学习框架示例，用于分布式太阳能预测，其预测准确性与集中式模型相差不到2%，同时保持了数据的完全本地性。这项工作证实了联邦方法在太阳能领域的实际可行性，并确定了差分隐私机制对于遵守GDPR等数据保护框架的重要性。
物理信息神经网络（PINNs）提供了一种方法，通过使用物理感知的损失函数和结构限制来结合深度学习提供的自由度和物理定律提供的结构[30]。热力学一致性、能量守恒和对组成材料的经验约束是深度学习模型在太阳能应用中可以从PINNs中受益的领域。PINNs可以提高外推准确性并减少训练所需的数据量。因此，PINNs非常适合用于钙钛矿材料的发现，在以前未探索的成分区域，物理信息机器学习模型可能比数据驱动模型做出更好的预测[16]。
解决材料中的电子结构问题使量子计算在太阳能材料发现方面具有巨大潜力。当前的研究集中在变分量子本征求解器（VQE）和量子近似优化算法（QAOA）上，以计算钙钛矿和有机光伏的基态能量[96]。尽管当前量子硬件的能力有限，但结合经典和量子计算方法的混合方法可能会在未来十年内显著加速太阳能材料的发现速度。
整合多模态方法以通过考虑多种数据类型（如卫星图像、地面传感器数据、数值天气预报（NWP）和电力系统数据）来增强太阳能建模具有巨大潜力[30]。对于训练故障检测和材料分类系统，自监督学习为缺乏标记数据的问题提供了解决方案，从而为建立更可扩展的训练流程提供了可能。
生成式AI在太阳能领域的作用也作为一个值得注意的方向正在显现。Mousavi等人[13]对可再生能源生命周期中的生成式AI应用进行了全面回顾，确定了太阳能辐照度数据增强、用于训练数据稀缺分类器的合成光伏故障图像生成以及自动化报告生成作为具有高商业潜力的近期应用。随着生成模型在保真度和计算效率方面的不断改进，它们在太阳能工作流程中的整合——从设计和仿真到运营和知识管理——代表了未来研究的重要前沿。

7.3. 潜在影响
人工智能（AI）、机器学习（ML）和太阳能技术的结合创新性地解决了太阳能技术扩展的挑战，并加速了全球能源转型：
- **电网集成**：基于AI的预测和控制技术可以优化可变太阳能电力在能源系统中的集成，将可变太阳能发电的利用率从目前的10-30%提高到50%以上[3]。
- **成本降低**：基于AI的制造、系统设计以及运营和维护（O&M）优化预计将在技术最先进的地区使平准化电力成本（LCOE）在2030年前降至每千瓦时0.02美元以下[120]。
- **技术加速**：基于AI的材料设计预计将促进创新光伏材料和下一代太阳能技术的加速发现[16]。
- **能源获取**：集成AI的微电网系统预计将按照可持续发展目标7为偏远和农村地区提供可靠的电力[112]。

8. 结论
本调查提供了对基于AI/ML的优化、预测控制和新型太阳能技术应用的关键、结构化分析。主要发现如下：
- **太阳能增长**：全球太阳能光伏容量超过了2000吉瓦，年增长率超过450吉瓦，LCOE自2010年以来下降了90%。钙钛矿-硅串联电池的效率达到了34.85%，预示着光伏技术的重大突破。
- **AI/ML预测**：某些深度学习架构，特别是长短期记忆（LSTM）、CNN-LSTM混合模型和Transformer，在预测太阳能电力和太阳辐照度方面表现优于之前的方法；预测准确性提高了10-40%，其中混合NWP-ML模型取得了最佳结果。最近的研究还证实，混合CNN-DNN架构[32]、基于Prophet的模型[81]和ANN-TREX优化[82]在预测性能上比传统方法高出15-30%。
- **控制优化**：基于AI/ML的MPPT算法在部分遮挡环境中的跟踪效率超过了99%；MPC加上ML的预测组合已被证明可以降低太阳能建筑集成系统的能源成本15-30%。集成物联网的AI系统显示了进一步的优势：实时AIoT监控实现了超过97%的故障检测准确率[27]，智能调度将住宅能源成本降低了多达45%[106]。
- **故障检测**：预测性维护系统将计划外停机时间减少了20-40%。基于CNN的图像分析在故障分类方面的准确率超过了95%。可解释的人工智能方法已被纳入故障检测流程，基于SHAP的XAI模型使技术人员能够以更高的诊断信心识别根本原因[92]。
- **材料发现**：ML加速的筛选方法将钙钛矿优化的实验迭代次数减少了5-10倍；图神经网络在预测准确性上达到了第一性原理计算的0.1电子伏特以内。生成式AI作为加速材料发现和数据增强的工具在太阳能领域显示出显著潜力[13]。
- **AI/ML技术家族的比较评估（表8）表明，虽然深度学习架构（特别是Transformer和混合CNN-LSTM模型）提供了最先进的准确性，但在模型可解释性、数据需求和计算成本方面的挑战需要根据具体应用的需求进行仔细权衡。可解释的人工智能和联邦学习已成为建立信任、确保监管合规性和扩大分布式太阳能系统AI效益的关键使能技术。
- 对于工业来说，实施AI/ML工具可以提高能源产量，降低O&M成本，并更好地与电网集成。短期内，AI增强的电网服务和ML用于公用事业规模安装的预测维护可能会产生最大的影响。
- 对于研究而言，开发标准化的基准数据集、模型可解释性和不确定性量化，以及使用基础模型、联邦学习和物理信息神经网络将是具有前景的研究方向。将AI/ML与多尺度仿真结合用于材料发现也具有前景。在资源受限的设备上部署边缘AI、用于合成数据增强的生成式AI，以及具有实时ML推理的数字孪生框架被确定为2026年及以后的高优先级研究领域。
- AI/ML工具与太阳能技术的结合对全球能源转型至关重要。随着太阳能光伏成为全球电力的主要来源，AI/ML工具将用于应对太阳能系统的复杂性、多样性和规模。实现这一目标需要电力系统工程、数据科学、材料科学和能源政策之间的持续跨学科合作。本调查为研究人员和从业者提供了关于人工智能与可持续能源交叉领域的全面参考和路线图。