光伏电池的 MPPT 和参数估计的比较研究
利用机器学习算法如随机森林、极端梯度提升、轻量级梯度提升机、CatBoost 和多层感知器人工神经网络来预测太阳辐照度，并通过特征选择进一步提高预测性能。
Oct, 2023
通过混合量子神经网络，该研究提出了两种模型来预测太阳能电池板的功率输出，其中第一种模型表现最好，降低了超过 40% 的平均绝对误差和平均平方误差；第二种模型则在没有气象数据的情况下，以比传统模型低出 16% 的平均绝对误差预测光伏功率，展现出量子机器学习在可再生能源领域中的潜在用途。
Dec, 2023
通过使用机器学习模型，本研究提出了一种优化的方法来表示聚合物有机太阳能电池的功率转换效率的时间衰减。该方法应用于一个包含 996 个条目的数据库，并使用自动化机器学习协议进行优化，结果显示优化模型的确定系数达到超过 0.90，预测可靠性得到确认，并得出了关于数据集变量与 OSC 的性能和稳定性之间的关联性的结论。
Mar, 2024
该研究利用替代气象参数预测尼泊尔潜在站点的太阳辐射，使用包括 CERES SYN1deg 和 MERRA-2 的近十年数据集，采用随机森林、XGBoost、K - 最近邻、LSTM 和 ANN-MLP 等机器学习模型，结果显示这些模型在预测太阳辐射方面具有高准确性，通过分析参数整合可显著提高预测准确性，并且神经网络模型表现出最佳性能。
Jun, 2024
提出 SolNet: 一种新颖的、通用的、多变量的太阳能发电预报模型，通过使用来自 PVGIS 的丰富合成数据进行迁移学习，然后在观测数据上进行微调，解决了太阳能预测中数据匮乏的挑战，并通过荷兰、澳大利亚和比利时的实际生产数据展示了其在预测性能上的优势。
May, 2024
本文提出通过深度学习，学习天空外观与未来光伏发电功率之间的关系，并将历史光伏发电功率值和天空图像作为输入，利用多层感知器、卷积神经网络和长短期记忆模型三种不同的体系结构，建立短期预测模型，从而实现对 1 分钟后光伏发电功率的预测，结果表明，基于 LSTM 模型的预测精度最高。
Oct, 2018
利用太阳能满足空气供暖和生活热水需求在环境和成本方面非常高效，但要确保全年用户需求得到满足，需要结合辅助供暖系统，通常为锅炉和热泵。为了在小型家庭装置中部署先进的控制策略，我们提出了一种利用机器学习自动构建和持续适应预测热量生产模型的方法，该设计基于从低成本仪器中提取的监督信息构建和调整模型，避免了极高的准确性和可靠性要求；在推理时，使用通常在公开的天气预报中提供的输入。通过注意力机制的机器学习解决方案满足了我们的要求，我们提出了解决方案的良好实证结果，并讨论了这些结果对整个系统的影响。
May, 2024
通过在计算机视觉领域的研究成果的基础上，针对可再生能源进行模型选择和适应的全面实验表明，将多个模型组合起来可以显著提高模型选择和适应方法，并使用神经网络提取特征，并采用贝叶斯线性回归方法进行预测，而只需 7 天的训练数据即可胜过基线。
Apr, 2022
对太阳能热解淡化领域的机器学习进行了有效的跨学科研究，通过优化的数据采集和分析过程，成功收集并分析了大规模的数据集，探究了数据集规模和范围对预测准确性、影响因素重要性排名和模型泛化能力的影响，为实现太阳能热解淡化的机器学习流程提供了重要的参考。
Jul, 2023