《Solar Energy Advances》：A Review of Machine Learning for the Optimization and Control of Nanoparticle-Enhanced Thermal Energy Storage in Solar Applications
编辑推荐：
热储能（TES）在太阳能系统中发挥着至关重要的作用，其通过缓解间歇性、延长运行时间并提高可调度性来实现。传统的TES材料，尤其是相变材料（PCM），存在导热系数低、过冷、充放电速率慢以及设计复杂等挑战。为克服这些限制，近期研究日益将纳米颗粒与TES材料及机器学
热储能（TES）在太阳能系统中发挥着至关重要的作用，其通过缓解间歇性、延长运行时间并提高可调度性来实现。传统的TES材料，尤其是相变材料（PCM），存在导热系数低、过冷、充放电速率慢以及设计复杂等挑战。为克服这些限制，近期研究日益将纳米颗粒与TES材料及机器学习（ML）技术相结合，以增强热物理性质、预测系统行为并实现智能运行。本综述批判性地审视了机器学习在面向太阳能应用的纳米颗粒增强TES系统优化与控制中的作用。研究采用符合PRISMA规范的方法，对相关文献进行了系统性筛选与分析。所纳入的研究根据TES类型、太阳能应用场景、纳米颗粒体系、机器学习算法、输入-输出变量及性能指标进行了分类。结果表明，人工神经网络（ANN）、支持向量机（SVM）、高斯过程回归（GPR）、深度神经网络（DNN）、长短期记忆（LSTM）网络、XGBoost以及多目标优化方法被广泛用于性质预测、材料优化、性能预测和运行控制。所报告的精度包括：ANN对纳米增强PCM导热系数的预测R2最高达0.96，基于SVM的TES性能建模R2值在训练集和测试集分别为0.990和0.950，GPR对混合纳米流体性质的相关系数达0.9998，以及基于ANN的自适应控制使火用损失降低60%。尽管取得了上述进展，但涉及潜热容量、粘度、成本和长期稳定性之间的权衡仍然显著。本综述强调了离线优化与实时智能TES运行之间的差距，并提出了构建稳健且可部署的智能太阳能TES系统的路线图。
机器学习（ML）在太阳能应用中的纳米颗粒增强热储能（TES）优化与控制中发挥着关键作用。传统热储能系统，特别是基于相变材料（PCM）的系统，受限于低导热性、过冷现象及充放电速率慢等问题。近年来，研究者日益将纳米颗粒与机器学习（ML）技术相结合，以增强热物理性质、预测系统行为并实现智能运行。本综述采用系统评价方法，对机器学习在纳米颗粒增强TES系统优化与控制中的角色进行了批判性分析。
**1. 引言**
引言部分指出，可再生能源的应用可减少环境影响和化石燃料消耗，太阳能是最有前景的可再生能源。然而，其间歇性阻碍了其在电力系统中的广泛集成。先进储能系统（ESS）对于缓解太阳能供应的不确定性至关重要。太阳能热系统包括显热储存（SHS）、潜热储存（LHS）和热化学能储存（TCES）。LHS因其紧凑性和高效率而具有优势，但存在导热系数低、成本高等问题。现有综述大多侧重于材料层面，缺乏将纳米颗粒增强TES材料、机器学习性能预测、多目标组分优化和面向控制的实时或近实时运行集成于统一框架的研究。因此，本综述旨在填补这一空白，涵盖从纳米颗粒选择、热物性估计到太阳能TES性能及其自适应控制的完整链条。
**1.1 纳米颗粒**
纳米颗粒通常指至少一个维度在1-100纳米范围内的材料。由于表面原子占比高、表面积与体积比增大，纳米颗粒表现出独特的量子效应及其光、物理和化学特性。依据结构构型，纳米颗粒可分为有机、无机、碳基和复合四类。有机纳米颗粒生物相容性好、溶解度高等；无机纳米颗粒稳定性高、导电导热性能优良；碳基纳米颗粒强度高、重量轻且导热导电性优异；复合纳米颗粒则通过改变组分实现协同效应。根据维度分类，纳米颗粒可分为零维（0D）、一维（1D）、二维（2D）和三维（3D）。不同维度的纳米颗粒具有不同的性质，如零维的量子限域效应、一维的高长径比和各向异性、二维的大表面积和可调性质、三维的多孔性和良好机械性能。根据孔径尺寸，则可分为微孔（<2 nm）、介孔（2-50 nm）和大孔（>50 nm）纳米颗粒，其表面积、吸附特性和应用领域各有不同。
**1.2 太阳能应用中的热能储存**
热能储存（TES）系统根据储热机理分为显热储存（SHS）、潜热储存（LHS）和热化学能储存（TCES）三类。SHS的性能取决于源和汇的温度及材料性质，能量密度通常较低。LHS通过相变材料的显热和潜热储存能量，具有高能量储存密度，其性能强烈依赖于材料选择。TCES利用化学反应储存和释放热量，可实现无限期保温，能量储存密度高于SHS和LHS。
**2. 机器学习在储能中的作用**
传统的TES建模和控制方法，如计算流体力学（CFD）和基于物理的控制方法，存在计算复杂度高、处理非线性动态能力不足和对变化工况适应性差等局限。机器学习（ML）方法可在识别复杂数据模式、从历史行为中学习并基于数据进行预测方面表现出优势。应用于TES时，ML可优化多项关键特性。研究实例包括：Jin等人利用ANN和多目标遗传算法优化高温储层TES的选址和运行；Ren等人使用ANN预测PCM达到特定熔化分数所需时间，精度高；Chandan等人结合多种ML模型提高了TES系统的稳定性预测；Zayed等人开发SVM模型预测带储热的波纹太阳能空气集热器性能，训练和测试R2分别为0.990和0.950；Suwa使用GPR预测集成太阳能联合循环中LHS的出口蒸汽焓，均方根误差（RMSE）低至16.9 kJ/kg以下；Cooney和Carey构建ANN自适应控制的多温度、多模块PCM系统，相比单模块系统火用损失减少60%；Ji等人开发DNN框架用于生活热水系统TES运行预测，准确率为86.6%；He等人结合TRNSYS仿真、ANN和遗传算法（GA）优化太阳能空间供暖系统的集热器面积和储水箱容量，实现多目标下的Pareto最优；Said等人比较了GPR、XGBoost和SVM在预测混合纳米流体比热容方面的性能，Nash-Sutcliffe效率分别达0.9956、0.997和0.992；Shettigar等人采用径向基函数（RBF）结合ML算法预测PCM熔化分数，验证了该方法的准确性和可靠性。
**3. 机器学习在TES中纳米颗粒选择与优化中的应用**
机器学习在选择和优化TES系统纳米颗粒方面受到广泛关注。Jaliliantabar（2022）使用MARS、CART和ANN模型预测纳米颗粒增强相变材料（NEPCM）的导热系数，R2值分别为0.93、0.93和0.96，ANN精度最高。Algarni等人（2021）结合DOE、CFD、ANN、多目标优化（MOO）和多标准决策（MCDM），对壳管式LHTES系统中纳米添加剂的比热、密度、导热系数和体积分数进行优化，超过97%的Pareto点实现了导热系数超过180 W/m·K。Said等人（2022）利用GPR和SVR预测MXene混合纳米流体的导热系数和比热，GPR模型相关系数最高达0.9998。Kanti等人（2023）研究了Al?O?、氧化石墨烯（GO）及其混合纳米流体（HNFs）的稳定性和热特性，使用贝叶斯优化的SVM和大规模神经网络预测热物理参数，精度在97.15%至99.91%之间。Goud（2022）利用前馈反向传播神经网络（FFBPNN）预测形状稳定的复合PCM的相变温度和热流，R2超过0.989，其导热系数比纯PCM高17.6倍。Liu等人（2022）比较了七种ML模型预测碳纳米管增强聚合物复合材料导热系数的性能，并使用粒子群优化（PSO）调整超参数。Zhang等人（2024）利用GMDHNN和COMBI算法及MOO/MCDM确定水基MWCNT-氧化物混合纳米流体的最佳参数，实现了多种热物理性质的建模与优化。Ali等人（2024）综述指出，ML模型在优化复合TES材料组成和预测PCM性能方面极大降低了测试时间和成本。Shakibi等人（2023）采用多种优化方法（LINMAP、TOPSIS、GWO、BA、PSO、BBO）分析和优化用于光伏/热（PV/T）系统的纳米颗粒增强PCM。Bamasang等人（2022）运用ML模型预测带有CuO-石蜡PCM的太阳能碟式蒸馏器产水量，相关系数达0.99。文献调研显示，ANN因其表征非线性关系的能力而应用最广，但SVM和GPR在特定数据规模和不确定性需求下各有优势。当前大多数模型属于离线设计工具，而非实时控制工具，部署中的传感器集成、数据流质量、概念漂移和闭环控制稳定性等问题尚未得到充分解决。
**4. 讨论与未来展望**
机器学习与纳米颗粒的集成为推进TES系统发挥了关键作用。太阳能热系统（如太阳能干燥器）的平均整体效率（30-55%）高于光伏系统，但受限于运行时间短和能量生产的不确定性。大多数TES材料为非金属绝缘体，导热性能差。将铜、银等导热性良好的纳米颗粒与基材复合是提升导热性的有效途径，但需同时考虑经济性、可用性、储热容量和充放电效率。利用ML模型可以高效优化复合材料的组分和性质。不同ML模型各有优劣，例如ANN适合非线性建模但需大数据集且易过拟合；SVM在小中数据集上表现良好但扩展性差；GPR提供不确定性估计但计算成本高；LSTM适合时间序列预测但训练时间长；XGBoost兼具速度与精度但可解释性低。数据集规模和质量对ML模型性能有显著影响，但达到一定规模后精度提升有限而计算成本剧增。多数现有ML模型仅关注颗粒在特定时刻的性质，未考虑能量需求和供给的波动。为此，研究提出了一个集成的ML智能TES系统框架，该系统包含SHS单元、LHS单元、风扇、传感器和纳米颗粒，AI-ML系统通过传感器网络监测环境与系统状态，并向TES系统发送控制指令，以实现实时能量调节和供需匹配。
**5. 结论**
本综述强调了机器学习在开发、优化和控制面向太阳能应用的纳米颗粒增强TES系统中的重要作用。多种ML模型（如ANN、SVM、GPR、DNN、LSTM、XGBoost等）已广泛应用于性质预测、材料优化、性能预测和运行控制。ANN可预测纳米增强PCM导热系数R2最高达0.96，对形状稳定复合PCM的预测R2超0.989，导热系数增强最高达17.6倍；SVM模型R2可达0.990（训练）和0.950（测试）；GPR模型相关系数最高达0.9998。DNN在生活热水系统中将峰值负荷降低25-40%，ANN自适应控制使火用损失降低60%。纳米颗粒增强了TES的传热性能，但伴随潜热损失、粘度增加、沉降倾向和材料成本上升等权衡问题。有效的TES设计应综合评估热性能、预测精度、材料稳定性、运行可靠性和成本。本综述指出，未来研究需重点关注基准数据集建立、混合物理信息与数据驱动模型开发、实时传感器集成控制框架构建、可解释AI和不确定性量化、材料长期稳定性与经济技术分析等六大方向，以推进智能太阳能TES系统的实际部署。
