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

机器学习可以在太阳物理学中应用，帮助我们更深入地了解太阳大气中发生的复杂过程，并通过更复杂的模型来解释数据以及通过自动化分析太阳数据，减少人工劳动，提高研究效率。

Jun, 2023

该研究探讨了电力行业由中央集中化向分散化的转变，重点关注了机器学习在推动可再生能源和改善电网管理方面的关键作用。研究使用了人工神经网络、支持向量机和决策树等多种技术，将机器学习模型应用于预测可再生能源的生成和消耗，并采用数据预处理方法提高预测准确性。通过结合大数据和机器学习技术，智能电网能够提高能源效率、更有效地响应需求并更好地整合可再生能源。然而，需要解决大数据处理、网络安全和获取专业技术等挑战。总之，该研究揭示了电力行业由中央集中化向分散化解决方案转变，并通过应用机器学习创新和分布式决策塑造了更高效和可持续的能源未来。

Oct, 2023

本文利用三个异构数据集探索了太阳能预测模型的三种不同训练策略，并比较了局部模型和全局模型的性能，结果表明预训练模型在少量训练数据下可以优于其他两种策略。

Nov, 2022

通过比较四种聚类技术的性能，本研究旨在实现在监督学习任务中强大的混合模型。使用来自西班牙加利西亚卢戈 Xermade 的一个实验性风电场上的生态气候房屋 Sotavento 的实际数据集进行研究，选择了热太阳能发电系统，应用多种聚类方法和回归技术来预测系统的输出温度，并采用了三个无监督学习度量标准（Silhouette、Calinski-Harabasz 和 Davies-Bouldin）和多层感知器等回归算法的常见误差度量标准来定义每种聚类方法的质量。

Feb, 2024

提出了一个基于领域自适应深度学习的框架来估计太阳能发电量，该框架利用天气特征来解决太阳能发电预测中的挑战。该方法在计算速度、存储效率和改善预测准确性方面在加利福尼亚（CA）、佛罗里达（FL）和纽约（NY）等地的太阳能发电预测中显示出明显优势。

Jan, 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

使用基因算法生成的大规模人工数据集，可以用于训练机器学习模型，以应对真实世界数据的极端稀缺或成本或数据敏感性等问题。

May, 2023

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

通过引入集合 ETT-17（Energy Transition Tasks-17）和一种多任务机器学习模型，该研究分析了与增强可再生能源相关的 17 个数据集，并提供了性能基准。

Nov, 2023