《Energies》：A Double Closed-Loop Steady-State Error Compensation Strategy for Grid-Forming Converters Using the Deadbeat Predictive Control Technique
编辑推荐：
光伏（PV）站点适宜性分析已成为可再生能源规划的重要组成部分，这是由于全球太阳能系统的快速扩张以及土地利用、环境、经济和基础设施约束日益复杂。在过去十年中，地理信息系统（GIS）与多准则决策（MCDM）技术相结合，已成为识别最优光伏部署位置的主导方法框架。然而
光伏（PV）站点适宜性分析已成为可再生能源规划的重要组成部分，这是由于全球太阳能系统的快速扩张以及土地利用、环境、经济和基础设施约束日益复杂。在过去十年中，地理信息系统（GIS）与多准则决策（MCDM）技术相结合，已成为识别最优光伏部署位置的主导方法框架。然而，机器学习（ML）、可解释人工智能（XAI）、聚类技术和大语言模型（LLM）的最新进展开始将该领域重塑为更数据驱动和智能化的空间决策系统。本综述对2016年至2026年间发表的光伏站点适宜性研究进行了全面分析，重点关注方法学演变、准则选择模式、可重复性挑战以及新兴的AI驱动方法。研究人员使用Scopus、Web of Science和IEEE Xplore数据库进行了系统性文献综述，经过多阶段筛选后最终纳入72项研究。分析表明，基于层次分析法（AHP）的GIS-MCDM框架仍然占据绝对主导地位，而机器学习（ML）和混合AI方法仍有限但正在迅速兴起。共识别出63个独特的适宜性准则，其中气候、基础设施和地形因素是最常用的类别。综述进一步强调了与可重复性、区域变异性、数据透明度和专家驱动主观性相关的重大挑战。近期采用可解释ML、无监督聚类和LLM辅助加权框架的研究显示出在提高可再生能源规划的适应性、可解释性和自动化方面的巨大潜力。综述得出结论，未来的光伏站点适宜性分析可能朝着集成GIS、ML、XAI、聚类和人本AI框架的混合地理人工智能（GeoAI）系统发展，以支持更稳健、可扩展和透明的空间能源规划。
**1. Introduction**
可再生能源系统的快速扩张加剧了对高效可持续规划策略的需求，特别是光伏（PV）发电。随着各国加速向低碳能源系统转型，光伏设施的空间部署成为关键挑战。识别光伏系统最优位置不仅对最大化能源产出至关重要，还能最小化环境影响、降低经济成本并确保社会接受度。因此，站点适宜性分析已成为可再生能源规划的关键组成部分，在决策框架中整合了多样化的空间、环境和社会经济因素。过去十年，地理信息系统（GIS）与多准则决策（MCDM）方法（如层次分析法（AHP）、逼近理想解排序法（TOPSIS）等）相结合，成为光伏站点适宜性分析的主导方法，通过整合异质性准则生成空间适宜性地图。然而，传统MCDM方法存在局限性：依赖专家驱动加权方案引入主观性和潜在偏差；静态准则和权重限制了适应性；许多研究缺乏严格验证（如敏感性分析），引发对结果稳健性和可重复性的担忧。近年来，机器学习（ML）技术作为补充或替代方法开始出现，但采用仍有限，且许多模型旨在复制传统MCDM输出而非独立发现数据模式。因此，需要对现有文献进行系统性综述，以理解当前实践、识别方法学差距并突出未来研究方向。本研究旨在填补这一空白，系统综述2016-2026年间光伏站点适宜性研究，贡献包括：定量分析准则使用、审视方法学格局、评估研究质量（如敏感性分析和数据可用性），并基于发现展望数据驱动、可解释和无监督方法的潜力。
**2. Methodology**
本研究遵循结构化透明方法，系统识别、筛选和分析光伏（PV）站点适宜性文献。方法学设计旨在确保可重复性，并实现跨区域和跨方法框架的一致比较。文献检索在Scopus、IEEE Xplore和Web of Science三大数据库中进行，检索式覆盖“光伏”或“太阳能”或“PV”与“站点适宜性”或“站点选择”以及“AHP”或“TOPSIS”或“MCDA”或“MCDM”或“多准则”或“机器学习”或“聚类”等术语。检索限于2016-2026年间的同行评审期刊文章，排除会议论文、综述和非英文出版物。筛选过程分多阶段：初始检索获得194条记录，去重后剩余116篇，经标题筛选得95篇，摘要筛选得79篇，最终全文评估纳入72篇研究。排除标准包括：未聚焦光伏系统、未进行站点适宜性或空间决策分析、仅关注技术系统设计无空间成分、综述或概念性研究。数据提取记录每项研究的出版元数据、地理背景、方法学方法、使用准则、敏感性分析情况及数据可用性（分为开放、部分开放、非开放或未报告）。提取的准则被归类为七个主要组：气候、地形、基础设施、经济、技术、环境和社会因素。分析采用描述性和定量方法，包括时间趋势分析、方法学分布、准则频率分析、地理分布以及研究实践（敏感性分析和数据可用性）的元分析，并辅以可视化图表支持解释。
**3. Results**
**3.1. Temporal Trends of Research**
出版物时间分布（2016-2026年）显示明显上升趋势，早期（2016-2019年）数量较低且稳定，2020年后显著增加，2025年达到峰值，反映全球对可再生能源部署的日益重视。基于机器学习（ML）的方法出现较晚，仅从2021年后开始出现且占比很小，尽管2025年略有增加，但整体贡献仍有限。2026年数据较低归因于索引不完全。
**3.2. Methodological Landscape**
**3.2.1. Dominance of MCDM**
方法学分布显示多准则决策（MCDM）方法主导：64篇论文采用MCDM方法，其中44篇单一MCDM技术，20篇混合MCDM方法。层次分析法（AHP）出现在53项研究中，远超其他方法（如TOPSIS 8次，模糊层次分析法（FAHP）6次），表明对AHP的强烈偏好，但方法学多样性不足。
**3.2.2. Emergence of ML and Hybrid Methods**
机器学习（ML）方法仅有7篇，其中4篇单独使用ML，3篇采用混合MCDM-ML框架。混合ML方法通常将人工神经网络（ANN）与传统MCDM结合，但ML常被用作补充工具而非主要框架。无监督学习技术完全缺失，表明数据驱动方法尚未充分转型。此外，发现一项使用大语言模型（LLM）的研究，但处于萌芽阶段。
**3.3. Criteria Analysis**
**3.3.1. Category-Level Analysis**
共识别63个独特准则，每个研究使用4-21个准则，平均约10个。准则按七大类别分组：气候类占28.32%的频次，基础设施类占23.85%（平均频次最高17.78），地形类占17.73%，环境类占14.46%，经济类7.15%，社会类5.81%，技术类2.68%。气候、基础设施和地形因素占主导，经济、社会和技术维度考虑不足。
**3.3.2. Top Criteria Analysis**
最频繁使用的准则包括：太阳辐照度（63篇）、坡度（55篇）、距道路距离（52篇）、距输电网络距离（43篇）、气温（37篇）、距居民区距离（36篇）和土地利用/土地覆盖（LULC，36篇）。太阳辐照度和基础设施变量主导，表明研究聚焦于能源产出和空间可行性，而自然灾害、社会接受度等指标出现较少。
**3.3.3. Interpretation**
常用准则间存在空间相关性（如太阳辐照度与温度），但仅少数研究处理多重共线性。传统MCDM框架依赖专家判断或先例选择准则，可能引入冗余。数据驱动方法（如特征重要性分析和可解释人工智能（XAI））可帮助识别变量实际贡献。社会、经济和技术指标代表性不足，未来研究应整合更全面的框架。
**3.4. Spatial Distribution of Studies**
案例研究地理分布集中于低至中纬度地区（约0°-30°），亚洲、中东和北非（中国、印度、巴基斯坦、土耳其、沙特阿拉伯）活动活跃，北美和撒哈拉以南非洲也有研究。高纬度地区研究较少，南美和中非部分地区代表性不足。发展中国家和新兴经济体研究较多，反映可再生能源战略重要性。
**3.5. Publication and Data Characteristics**
**3.5.1. Publisher Distribution**
出版商分布集中：爱思唯尔（Elsevier）占46.5%（33篇），MDPI占15.5%（11篇），施普林格（Springer）占9.9%（7篇），其他出版商贡献较少。
**3.5.2. Data Availability**
数据可用性：部分开放数据最常见（29篇），10篇完全开放，10篇非开放，22篇（30%）未明确报告数据可访问性，2篇无法确定。可重复性面临挑战，标准化报告实践不足。
**3.5.3. Sensitivity Analysis**
33篇研究进行了敏感性分析，36篇未进行，2篇无法确认。近半数研究缺乏稳健性评估，引发对结果可靠性的担忧。进行分析的研究多采用权重变化评估，但深度和严谨性参差不齐。
**4. Discussion**
**4.1. Limitations of Current MCDM Approaches**
当前MCDM框架依赖专家驱动加权，引入主观性和偏差；静态准则和权重无法适应动态环境；方法学收敛（高度重复使用太阳辐照度、坡度等准则）降低多样性；可扩展性和可迁移性差；不确定性处理不充分；依赖人工选择准则，可能遗漏隐藏模式。尽管存在局限性，MCDM仍具透明性和解释性，但未来需集成数据驱动技术。
**4.2. Role of Machine Learning in PV Suitability**
机器学习（ML）在PV站点适宜性中仍属少数，但兴趣增长。混合MCDM-ML框架（如AHP与人工神经网络（ANN）结合）试图平衡专家驱动与预测能力。然而，ML常基于MCDM输出训练，而非独立发现模式，限制了超越传统假设的能力。其他研究如线性回归和密度聚类辅助框架展示了改进可重复性和自动化潜力。总体而言，ML集成仍处于早期阶段，主要聚焦于性能提升而非重新定义模型。
**4.3. Explainable AI (XAI) Opportunities**
可解释人工智能（XAI）技术（如沙普利加法解释（SHAP）和部分依赖图（PDP））被用于解释ML预测。一项中国大型研究使用多种ML模型并采用SHAP识别社会经济和基础设施变量对选址概率的强影响，揭示区域异质性和阈值效应。另一巴基斯坦研究使用随机森林（RF）和实地验证数据，获得高预测性能（AUC=0.92）。XAI提高了透明性和适应性，但研究数量有限，且对数据质量敏感。
**4.4. Underexplored Area: Unsupervised Learning**
无监督学习在PV站点适宜性中极为罕见，仅一项研究采用k-means和基于密度的空间聚类应用噪声算法（DBSCAN）对爪哇-巴厘岛区域进行多属性聚类（直射辐照、散射辐照和环境温度）。该方法减少了专家依赖，识别了长期高潜力区域，并捕获了时间变异性。但未整合社会经济和基础设施约束，限制其作为完整决策框架的能力。
**4.5. Emerging Role of LLMs and AI Systems**
大语言模型（LLM）作为“虚拟专家”用于确定层次分析法（AHP）中准则权重的案例研究在?anl?urfa进行。评估了GPT-4.1、Claude-3.7等模型，专家角色提示策略表现最佳，相关性系数达r=0.838。但LLM无法完全捕捉物理因果关系（如低估坡向重要性），且存在稳定性变异性，不能替代人类专家。
**4.6. Data and Reproducibility Challenges**
数据透明性和可重复性面临挑战：仅少数研究使用完全开放数据集；许多研究未明确报告数据来源；区域依赖性使准则权重难以标准化。机器学习引入额外可重复性担忧（训练数据、参数调整未充分报告）。近期研究（如意大利的GIS-MCDM框架）通过空间多重共线性分析和敏感性评估展示了改进方法，但整体需加强标准化报告和开源实践。
**5. Conclusions**
本综述考察了2016-2026年光伏（PV）站点适宜性分析的方法学演变，重点包括GIS-MCDM框架、机器学习集成、可解释人工智能、聚类方法和新兴生成式AI应用。系统综述72项研究后发现，GIS-MCDM方法（尤其是AHP）仍占主导，但存在主观性和可重复性限制。气候、基础设施和地形因素是核心准则，但社会和经济准则代表性不足。机器学习应用有限但潜力巨大，可解释人工智能（XAI）和无监督聚类显示出改善解释性和发现隐藏模式的能力。大语言模型（LLM）作为补充工具初步出现，但物理推理和一致性仍需改进。可重复性和透明度仍是主要挑战。未来研究应转向集成GIS、ML、XAI、聚类、优化和人本AI的混合地理人工智能（GeoAI）系统，以提高适应性、透明性和科学性。
