光伏系统优化、控制与决策中人工智能应用的系统综述（71项研究）

Next Energy · 2026-11-06 · 期刊论文

• 一句话结论：结论方向为条件性：综述认为没有任何一类AI方法在所有任务上普遍更优，方法适用性取决于任务、数据与部署条件；属对既有研究的归纳，提示而非证实某类方法的普遍优势。
• 研究设计与做法：设计为系统综述：2026年1—7月检索8个学术数据库，获1284条记录，去重后筛选1012条，评估286篇全文，最终纳入71项研究；按任务、AI类别、应用层级、数据来源、指标、验证保真度、计算报告与局限进行编码；干预与对照因研究而异，随访时长材料未报告。
• 主要结果：主要结果为定性归纳：机器学习与模糊方法适合资源受限场景；深度学习在高维数据表现较强但计算密集；进化方法支持离线优化；强化学习在序贯控制上有前景但需更强的安全性与现场验证；因数据集、基线、气候、系统规模、指标与验证环境不一致，各研究报告的增益难以横向比较，具体效应量与p值材料未报告。
• 机制或解释：作者解释为研究间异质性来源：数据集、基线选择、气候条件、系统规模、评价指标与验证环境的差异导致性能增益不可比；未提出统一机制性解释。
• 局限与边界：局限与边界：纳入研究多为特定气候与系统规模下的验证，外部验证、可解释性、计算开销报告、网络安全与长期现场证据均存在缺口；综述本身受检索时限与数据库范围限制，发表偏倚材料未报告。
• 可否落地：可否落地：对工程选型提示应按任务与资源约束匹配AI方法，并优先要求外部验证与计算开销报告；属证据支持层面的方法学建议，各类方法在实际电站的长期效益仍不足以下结论。

🔗 打开原文

Afam Uzorka

本文摘自《每日前沿研究简报 · 2026-11-08》「能源科学」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。