综述:人工智能用于光伏系统可持续优化的集成:综合综述

《Sustainability》:Integration of Artificial Intelligence for the Sustainable Optimization of Photovoltaic Systems: A Comprehensive Review

【字体: 大 中 小 】 时间:2026年08月10日 来源:Sustainability 4.1

编辑推荐:

  光伏(PV)技术目前是扩大低碳发电能力的主要选择之一。然而,在实际运行中,光伏系统仍面临若干持续存在的困难,包括太阳辐照度的变异性、性能逐渐退化、故障发生、次优控制以及并网运行日益增加的复杂性。这些问题解释了为什么人工智能(AI)在光伏研究中变得越来越重要,不

  
光伏(PV)技术目前是扩大低碳发电能力的主要选择之一。然而,在实际运行中,光伏系统仍面临若干持续存在的困难,包括太阳辐照度的变异性、性能逐渐退化、故障发生、次优控制以及并网运行日益增加的复杂性。这些问题解释了为什么人工智能(AI)在光伏研究中变得越来越重要,不仅作为预测工具,还用于改进监测、控制、诊断和决策。本综述考察了AI在光伏系统生命周期主要阶段的应用:太阳能资源评估、功率预测、故障检测、状态监测、系统容量优化、最大功率点跟踪(MPPT)以及电网集成。研究人员并未将这些应用视为独立的研究主题,而是通过决定其实际价值的共同因素将它们联系起来:数据质量、传感配置、模型复杂度、物理运行条件以及部署约束。所评述的研究表明,基于AI的MPPT方法可实现接近99%的跟踪效率,而近期的预测模型,特别是长短期记忆(LSTM)、卷积神经网络-长短期记忆(CNN-LSTM)以及基于Transformer的架构,可在变化天气条件下降低预测误差。同时,光伏故障检测正从电致发光图像分类转向更实用的多模态策略,该策略结合了红外热成像、红绿蓝(RGB)和无人机图像、电气测量以及监控与数据采集/物联网(SCADA/IoT)数据。然而,文献中报道的进展应谨慎解读。许多提出的模型仍在有限或非标准化的数据集上进行评估,当转移到不同光伏技术、气候、故障严重程度或运行条件时,其性能可能会下降。其他反复出现的局限性包括类别不平衡、高计算成本、弱泛化能力以及深度学习模型的可解释性有限。因此,混合神经网络、可解释人工智能、物理信息学习、边缘AI、联邦学习以及量子机器学习被讨论为可能的方向,以使基于AI的光伏解决方案更可靠和可部署。本综述旨在批判性地综合近期进展和尚未解决的问题,以支持AI高效、可靠且可持续地集成到光伏系统中。
论文主体部分总结如下:

**1. 引言**
引言部分指出,光伏(PV)技术已从利基能源发展为全球电力供应增长最快的贡献者之一,其驱动力包括降低温室气体排放、能源多样化及制造成本下降。PV系统具有灵活性,可安装在住宅屋顶、集成到建筑、部署于大型太阳能农场,或与储能和智能电网结合。多源能源系统正成为新兴趋势,PV与热能回收、风电、储能、建筑集成系统、物联网(IoT)传感及环境能量收集设备结合,增加了系统复杂性,并强化了人工智能(AI)作为数据融合、预测控制、优化和决策支持工具的作用。然而,PV系统仍受运行条件影响,如辐照度、温度变化、局部遮挡及积尘,导致效率下降和运维挑战。随着传感器、监测平台和远程检测技术的普及,数据驱动方法引起关注,AI技术(如人工神经网络、模糊逻辑、深度学习及混合优化模型)被用于太阳能资源评估、功率预测、故障诊断、性能优化和MPPT。AI在工业实践中的应用也在增加,例如Tryolabs和Open Climate Fix的合作展示了AI提升预测能力和电网运营可靠性的潜力。尽管AI在PV系统中应用广泛,但文献分布分散,阻碍了全面理解。为此,研究者进行了结构化搜索和筛选,在Scopus数据库中使用关键词“photovoltaic”、“optimization”和“artificial intelligence”,获得106篇综述论文,经筛选保留37篇。这些综述覆盖六大领域:太阳能资源评估、能量预测、故障检测、系统容量优化、MPPT和电网集成,但研究关注度不均,MPPT和能量预测占主导,而资源评估和故障检测近期才受到更多关注。早期综述(如2008-2018年)反映了AI应用的早期阶段,近五年综述则体现了深度学习架构的广泛采用。当前文献仍将各功能独立对待,缺乏生命周期视角,而改进的预测可促进电网集成,更好的故障检测可提升能量产量评估和维护规划。本研究旨在通过生命周期视角连接资源评估、预测、容量优化、状态监测、MPPT、电网集成及寿命末期管理,并考察数据可用性、检测技术、计算需求、可迁移性等实际因素,强调故障检测和状态监测,并探讨可解释AI、混合学习、物理基础方法、联邦学习、量子机器学习等未来方向。

**2. 光伏系统概述**
2.1 节介绍全球太阳能光伏装机容量:2024年全球新增光伏容量近600 GW,累计容量约2.24 TWp,中国突破1 TWp,占全球近50%。国际能源署(IEA)预测,2025-2030年间光伏将占全球可再生能源新增容量的80%以上,2030年累计容量可能达6.7 TW,进一步强化AI在光伏系统运行优化中的作用。2.2.1 节阐述光伏技术:第一代晶体硅技术(单晶硅和多晶硅)仍主导市场,先进架构如钝化发射极背面电池(PERC)、隧道氧化物钝化接触(TOPCon)、异质结技术(HJT)和叉指背接触(IBC)显著降低复合损失。第二代薄膜技术(非晶硅 a-Si、碲化镉 CdTe、铜铟镓硒 CIGS)提供轻量化和柔性优势。第三代新兴技术(钙钛矿、有机、染料敏化、多结和聚光光伏)追求更高效率,但面临稳定性和商业化挑战。2.2.2 节介绍光伏系统应用:分为并网和离网系统,核心组件包括光伏组件、电气布线、功率转换单元(如逆变器)和保护装置(如熔断器、断路器、浪涌保护器和接地系统)。

**3. 光伏系统中使用的AI技术概述**
3.1 节定义AI、机器学习(ML)和深度学习(DL)的基本概念:AI是执行需人类智能任务的计算机系统;ML是AI的子集,从数据中学习模式;DL是基于多层神经网络的ML分支。在PV应用中,经典ML方法(如反向传播神经网络BPNN、支持向量机SVM、决策树DT、随机森林RF、k近邻KNN、梯度提升GB和集成学习)适用于结构化数据;DL方法(如卷积神经网络CNN、循环神经网络RNN、长短期记忆LSTM、双向LSTM BiLSTM、自编码器AE和Transformer)适用于图像和时间序列。模糊逻辑(FL)、自适应神经模糊推理系统(ANFIS)、强化学习(RL)和元启发式优化算法常用于MPPT和控制。3.2 节详述主要模型家族:基于图像的应用(如电致发光EL、红外热成像IR、RGB图像)主要使用CNN和Transformer;时间序列应用(如辐照度和功率预测)常用LSTM、BiLSTM、时序卷积网络和Transformer;控制和优化问题采用FL、ANFIS、RL及混合方法。3.3 节指出AI方法的选择取决于数据特性、计算资源、响应时间和任务目标,后续章节将聚焦太阳能资源评估、能量预测、故障检测、状态监测、系统容量优化、MPPT和电网集成。

**4. AI在光伏系统中的应用**
4.1 节讨论太阳能资源评估和辐照度预测:准确的太阳能资源表征对PV项目各阶段至关重要。AI方法,特别是人工神经网络(ANN)和ML模型,能从气象变量中学习非线性关系,改进辐照度估计。早期ANN和MLP模型利用温度、湿度、风速等数据,后续研究转向循环模型(如NARX、LSTM)和集成混合模型(如RF结合预处理)。近期深度学习模型(如LSTM、BiLSTM、深度信念网络DBN)在特定条件下提升预测性能,但计算成本高,且对数据质量敏感。归一化误差指标(如nRMSE、RRMSE)更适合跨数据集比较。4.2 节讨论AI用于故障检测、诊断和状态监测:故障检测和状态监测对PV系统可靠运行至关重要。AI方法被概念化为多模态诊断框架,包括基于成像的检测(EL、IR、RGB/UAV)和基于电气特征及SCADA/IoT的监测。4.2.1 节详述成像检测:EL成像可检测微裂纹、不活跃区域等内部缺陷,早期使用传统图像处理,近期采用CNN和SVM提高分类精度,轻量级CNN适合实时边缘检测。IR热成像可在运行中检测热斑、旁路二极管故障等,但热信号受环境条件影响,AI模型可学习复杂热模式。RGB/UAV检测适用于可见缺陷(如玻璃破碎、污垢),但内部缺陷不可见,需与其他模态结合。4.2.2 节讨论基于电气特征的诊断:通过测量电压、电流、功率和I-V/P-V曲线检测异常,ML方法(如SVM、RF、ANN)可从历史数据中学习故障模式,但不同故障可能产生相似电气响应,需结合环境变量和成像数据。4.2.3 节介绍SCADA/IoT监测和预测性维护:SCADA系统持续收集运行数据,AI技术(如自编码器、孤立森林)用于异常检测,预测性维护通过LSTM等模型预测故障和退化趋势,但数据质量(缺失值、噪声)影响可靠性。4.2.4 节讨论安全关键故障检测:包括直流电弧、接地故障、绝缘失效等,AI方法从高频电流信号中识别电弧模式,但需高召回率和低误报率,且应作为决策支持工具而非替代保护装置。4.2.5 节提供综合指导:比较了不同监测方法(成像、电气、SCADA/IoT)的优势和局限,指出选择应基于监控规模、故障定位需求、数据可用性和计算约束。成像方法提供强空间定位能力,但EL需受控条件,IR和RGB更适合现场部署;电气方法支持连续监测,但特异性较弱;安全关键监测需严格实时验证。4.3 节讨论AI用于能量预测和电网集成:此节关注PV功率和能量预测,而非仅辐照度。预测时间尺度包括实时、日内和日前预测。混合框架(如变分模态分解VMD-增强混沌游戏优化ECGO-Informer)可将均方根误差降低62.3%。概率预测(如分位数预测)对电网调度至关重要。约束包括计算成本、数据偏斜和季节性,模型压缩和在线学习有助于资源受限环境。4.4 节讨论AI用于光伏系统优化和MPPT:4.4.1 节涉及系统容量和布局优化:多目标设计问题包括PV阵列尺寸、电池容量、倾角等。AI方法如ANN、ANFIS和广义回归神经网络(GRNN)用于离网系统快速估计,粒子群优化(PSO)和蝙蝠算法用于并网系统经济性优化。4.4.2 节讨论AI用于MPPT和实时功率提取:AI方法(ANN、ANFIS、混合优化)可提高部分遮挡下的全局最大功率点(GMPP)跟踪效率,但需权衡硬件复杂度、响应时间和计算负载。4.5 节提供综合指南:总结了跨领域约束(数据可用性、模型复杂度、计算资源),指出方法成熟度取决于验证背景和现场条件,轻量级模型适合边缘部署,物理引导学习可改善泛化,概率预测对电网运营更有价值。

**5. AI在光伏系统中的挑战与未来方向**
5.1 节讨论数据、标签和基准测试:数据可用性和质量是主要限制,需建立光伏专用基准测试套件,标准化训练/测试分配。半监督和自监督学习可减少标注需求。5.2 节讨论鲁棒性、泛化性和不确定性:模型在不同气候和技术间的迁移需域适应和迁移学习,不确定性量化(如预测区间、分位数)对运营决策至关重要。5.3 节讨论运行约束和保障:MPPT控制需毫秒级响应,边缘设备需轻量级架构,模型压缩技术(剪枝、量化)可降低延迟。安全性应用中需可解释性,如利用Grad-CAM定位图像缺陷。5.4 节讨论数据治理、隐私和部署能力:联邦学习和差分隐私可保护数据隐私,但需权衡通信成本和精度。组织能力(如MLOps)对可持续部署至关重要。5.5 节提出未来方向:半监督预训练、主动学习、域适应、概率预测、可解释AI、大语言模型(LLMs)用于工作流编排、量子机器学习等。5.6 节强调可解释人工智能(XAI):可解释性提高透明度,SHAP、LIME等方法可解释预测和检测结果。5.7 节讨论AI与物理模型集成:物理信息神经网络(PINNs)结合物理方程,提高外推能力,减少对大型数据集的依赖。

**6. 结论**
结论指出,AI已从孤立任务扩展到光伏系统全生命周期,包括资源评估、预测、故障诊断、容量优化、MPPT和电网集成。进展显著但不均衡,性能高度依赖数据质量、气候条件等。缺乏可比性是主要局限,未来研究应注重鲁棒性、透明度和部署,多模态数据融合、混合AI-物理模型、可解释AI、半监督学习、联邦学习和嵌入式AI是关键方向。AI有潜力提升光伏系统的效率、可靠性和可持续性,但需更好的现场验证、数据标准和模型透明度。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号