迈向可部署的节能发电厂深度学习：预测、控制与运营缺口的批判性综述

《Energy》：Toward Deployment-Ready Deep Learning for Energy-Efficient Power Plants: A Critical Survey of Forecasting, Control, and Operational Gaps

　　

# 摘要

由于需求增长、可再生能源发电波动、环境压力以及电网复杂性，提高电厂能源效率变得越来越重要。然而，大多数深度学习研究仍集中在准确性和预测指标上，并未清楚地展示其与电厂可量化运行指标改进之间的关系。本研究采用PRISMA指南审阅协议，回顾了2019年至2026年5月期间发表的研究，在筛选、质量评估和标准化数据提取后，从512条记录中选取了41篇研究进行最终分析。本文的主要创新在于提出了一种面向问题、聚焦部署、以电厂为中心的四个维度分类体系：可再生能源出力预测、电网能源协调、资产状态监测以及跨领域混合效率。结果表明，预测节能（27%）和控制节能（21%）是主导研究目标。相比之下，验证缺失（25%）和场景锁定（23%）是将模型迁移到实际环境时最重要的障碍。此外，关于燃料消耗降低、热耗率改善、能量损失减少以及设备可用率提升的直接证据仍然有限。因此，模型准确性的进步快于运营能效影响的证明。未来研究应关注多场站验证、前后关键绩效指标评估、不确定性量化、可解释人工智能、机器学习运维、技术经济评估以及网络安全，以开发具备部署就绪且可靠的模型。

# 引言

电厂的能源效率不仅限于单个设备的热力学效率，它也是发电机组性能、辅助设备内部消耗、环境条件、资产可靠性、生产计划以及与电网协调交互作用的结果。热耗率、单位燃料消耗、辅助电耗、设备可用率、功率损耗、排放强度和容量系数等指标被用来评估输入资源转化为有用输出的程度。在现代电厂中，需求的快速变化、可再生能源发电波动、设备磨损以及电网约束使得固定且纯基于规则的方法无法同时管理所有运行复杂性。当前最新进展表明，技术正在从静态统计和控制模型向数据驱动、混合和自适应架构转变。卷积神经网络（CNN）模型已被用于热图像分析和故障检测，长短期记忆网络（LSTM）和门控循环单元（GRU）架构用于时间序列预测，自编码器用于特征提取和异常检测，图神经网络（GNN）用于电网拓扑结构建模，深度强化学习用于决策和自适应控制[1], [2], [3]。此外，数字孪生、边缘人工智能、联邦学习和可解释人工智能等技术已被提出作为将学习模型更接近实际电厂环境的新路径。然而，计算架构的进步不一定转化为运营效率的改善。许多研究使用均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、准确率或F1分数等指标来报告其性能。与此同时，模型对燃料消耗降低、损耗减少、热耗率改善、设备可用率提升或运营成本降低的影响并未被测量。此外，对单场站数据的依赖、薄弱的外部验证、忽视各种不确定性来源、有限的可解释性以及缺乏与SCADA、EMS和DCS等基础设施的连接，限制了结果从实验室环境向实际运营的迁移。因此，本综述的核心问题不仅在于确定最准确的模型，还在于审视哪些方法最接近创造可衡量的运营价值，以及哪些障碍阻碍了模型性能向能效影响的转化[4], [5], [6]。

人工智能、机器学习和深度学习在能源系统应用方面的文献在目的、数据类型、系统规模和评估标准等方面高度异质。一些研究聚焦于太阳能和风能发电预测，一些关注负荷和电网管理，一些关注故障诊断和维护，还有一些关注建筑物和工业的排放或能源管理。这种碎片化导致了深度学习架构、实际电厂效率指标、不确定性来源和运营部署需求之间关系缺乏整合审视的问题。本综述的范围包括与电厂性能直接相关或通过预测、电网协调、资产监测、资源优化和排放管理与电厂效率有可证明运营关系的研究。为避免对结果进行不当推广，本文区分了直接的电厂应用和互补的能效应用。研究并非仅按算法名称分类，而是基于运营问题、所创造价值类型、方法学局限性及其与实际部署的距离进行分析。这种界定使得可以将预测准确性的提升与实际可衡量的运营能效改进区分开来。

本研究的主要创新在于将综述的关注点从单纯的算法比较和模型层面的准确性转移至对运营问题、可量化能效影响和部署就绪度的评估。与以往主要聚焦单一技术、应用领域或模型族类的综述不同，本研究提出了一种整合的、以电厂为中心的框架，将研究组织为四个维度：可再生能源出力预测、电网能源协调、资产状态监测和跨领域混合效率。具体而言，该框架考察在何种条件下模型性能的改进可以转化为可衡量的运营价值，以及在验证、泛化性、不确定性、可解释性、互操作性、技术经济可行性、网络安全和实际部署等方面存在哪些障碍限制了这一转化。相应地，本文的主要贡献包括：

- 提供不确定性感知的视角，以区分源自数据、模型、运行条件、故障诊断、优化和控制扰动的不确定性。
- 在模型层面性能和电厂层面效率影响之间建立分析性区分，使得准确性的提升仅在关联到损耗降低、燃料节省、设备可用率提升或运营决策改善等指标时才被解释为效率价值。
- 基于核心目标、方法学优势、主要缺陷、应用范围和结果层面效应结构化分析研究，以连贯地比较异质证据。
- 提取文献中观察到的局限性所蕴含的建议，特别是在跨场站验证、不确定性量化、可解释性、机器学习运维、互操作性、技术经济评估和抗网络攻击部署等领域。
- 提供研究路线图，推动模型从纯粹追求准确性的方法转向具备部署就绪、鲁棒、可解释且可用于电厂决策的系统。

本文按递进方式组织，从理论基础到批判性分析和结论。第2节阐述能源效率提升的背景框架和深度学习的作用；第3节回顾相关研究和研究空白；第4节描述综述方法学、研究问题和PRISMA流程。随后，第5节呈现所选研究的分类体系；第6节分析对RQ1至RQ4的回答；第7节讨论开放问题和未来方向；第8节呈现本文结论。

# 章节摘要

## 背景

本节考察深度学习在提高电厂能源效率方面的作用。首先，解释了监测、数据收集、性能分析、浪费识别、纠正行动、系统协调和反馈的持续过程。然后，考察了从数据准备和架构选择到验证、工业部署和运营关键绩效指标评估的数据—模型—部署路径。随后阐述了工业部署的要求。

## 相关工作

本节批判性地回顾了电厂深度学习能效提升的研究。本节旨在评估先前研究在预测、优化、智能电网集成、故障诊断和资产监测方面的现状。本分析澄清了本文的研究方向，并说明了为什么需要对方法、模型和部署挑战进行聚焦综述。Wen等人[30]、Aderibigbe等人[31]和Goswami等人[32]考察了……

## 综述构建的方法学框架

本节描述了识别、筛选、分类和分析电厂深度学习能效提升研究的方法学框架。其主要目标是为将分散的研究转化为连贯的分析结构提供透明且可重复的路径。首先，引入研究问题（RQs）以指导讨论部分的分析。随后，介绍了文章选择策略、数据库、关键词……

## 电厂效率深度学习的分类体系

本节将研究[40]至[80]按其主要研究目标及其在电厂和相关能源系统能效提升中的角色进行分类。该分类体系不按算法名称分类，而是聚焦于……

## 讨论

本节将所审阅文章中提取的发现与第4.1节定义的四个研究问题进行分析。本节旨在对深度学习提升电厂能效研究的目标模式、方法学优势、局限性和应用领域提供批判性综合。本讨论展示了现有文献从模型性能向运营价值、部署……转移的程度。

## 研究空白与前瞻性路径

本节分析了深度学习在电厂能效提升应用中存在的开放挑战和未来发展路径。重点关注阻碍模型从性能向运营部署、决策支持和电厂效率实际影响转化的障碍。首先回顾了最重要的开放问题并提出了解决方案，随后提出了开发可靠、可扩展和可部署模型的未来研究方向。

## 结论

本批判性综述的目标是评估深度学习方法在多大程度上能够超越单纯的模型层面性能改进，并在电厂中实现可衡量的运营能效改善。为此，所选研究按四个维度进行分析：可再生能源出力预测、电网能源协调、资产状态监测和跨领域混合效率。发现表明，预测节能占比……

# CRediT作者贡献声明

Chenxu Duan：写作—审阅与编辑，调查。
Mohsen Ghorbian：写作—审阅与编辑，可视化，验证，监督，软件，资源，项目管理，概念化。

# 数据可用性

本研究未生成或分析原始数据集。本文稿是基于先前已发表文献的综述文章。

# 伦理审批

本研究不需要伦理审批，因为不涉及人类参与者、动物、临床干预、个人数据或实验程序。

# 临床应用

不适用。本文稿为综述文章，不包含临床试验、患者招募、治疗干预或临床数据分析。

# 利益冲突

作者声明，在本文稿的准备、评估或发表过程中不存在相关利益冲突。

# 作者确认

两位作者均已审阅此声明，确认不存在与本文稿准备、评估或发表相关的影响。

# 资金支持

本工作得到四川大学锦江学院青年老师科学基金资助，项目编号：QNJJ-2026-A04。

# 利益冲突声明

作者声明不存在已知的竞争性经济利益或个人关系可能影响本文稿所报告的工作。

Chenxu Duan | Mohsen Ghorbian
四川大学锦江学院智能制造学院，中国四川眉山，620860