《Energy and AI》:Application of Machine Learning in Life Cycle Assessment of Photovoltaic Systems: A Systematic Review
编辑推荐:
评估光伏(Photovoltaic, PV)系统的环境影响需要进行生命周期评价(Life Cycle Assessment, LCA)。然而,传统的LCA受限于数据稀缺性、不确定性和高计算需求。尽管机器学习(Machine Learning, ML)正日益应用
评估光伏(Photovoltaic, PV)系统的环境影响需要进行生命周期评价(Life Cycle Assessment, LCA)。然而,传统的LCA受限于数据稀缺性、不确定性和高计算需求。尽管机器学习(Machine Learning, ML)正日益应用于PV LCA,但其有效性仍不明确。本研究通过识别当前应用、方法学趋势、局限性和研究空白,系统性地评估了ML在增强PV LCA中的作用。研究人员遵循PRISMA指南进行了系统性文献综述,最终分析了32项将ML与PV系统LCA框架相结合的研究。结果表明,ML应用主要关注碳排放,占综述研究的72%,而其他重要的环境影响,如水使用、毒性和土地利用,在很大程度上未被充分代表。人工神经网络(Artificial Neural Network, ANN)在方法学中占主导地位(15项研究),而深度学习(Deep Learning)仅出现在7项研究中,主要用于时间序列预测和基于图像的地理空间分析。大多数模型依赖于模拟生成的数据(12项研究),而仅有8项研究使用了真实世界数据集。该综述证明,ML可以通过提高预测能力、减少计算时间和支持更好的决策来显著增强PV LCA。然而,与数据质量、模型泛化性以及综合LCA指标有限整合相关的挑战依然存在。应对这些挑战对于推进ML在PV LCA中的应用至关重要。
- 1.
引言
全球向可再生能源系统的转型已使太阳能成为增强能源供应安全、实现气候中和及推进可持续发展目标的关键技术。光伏(PV)技术因成本降低、技术改进和政策支持而在多个尺度和地区广泛部署。尽管PV系统在运行期间排放较低,但其可持续性取决于从原材料提取、制造、安装、运行到报废处置的完整生命周期影响。为量化这些影响,生命周期评价(LCA)是标准方法,它依据ISO 14040和14044标准,评估从摇篮到坟墓的气候变化、人类健康、生态系统质量和资源消耗等影响类别。LCA包含目标与范围定义、生命周期清单分析、生命周期影响评价和解释四个阶段。尽管LCA在PV系统中广泛应用,但仍面临清单数据不完整或地域特定、技术快速演进而数据库更新缓慢、多情景详细LCA计算密集且耗时等挑战。为应对这些局限,近期研究开始应用机器学习(ML)来增强LCA。然而,现有综述可分为三类:一类考察通用LCA中的ML方法但未聚焦PV系统;二类综述PV中的ML应用,强调预测、故障检测等而忽略环境LCA;三类涉及PV可持续性、循环经济或生命周期成本。目前尚无综述系统整合这三个领域,评估ML如何应用于PV系统的环境LCA。这促使研究人员开展了这项首次致力于ML在环境PV LCA中应用的系统性综述,综合了ML在PV LCA各阶段的应用,比较了算法、数据集、验证策略、性能指标和环境指标,并识别了方法学局限和未来方向。
- 2.
材料与方法
2.1 方法学
本综述遵循PRISMA指南,旨在识别和综合应用ML评估PV系统环境影响的研究,为搜索和选择过程提供结构化框架,确保透明度和可重复性。
2.2 搜索策略
研究人员在Scopus、IEEE Xplore和Web of Science三个数据库中进行了检索,访问日期为2025年12月26日。最终检索式结合了三个概念块:LCA或环境评价、ML方法、PV或太阳能术语。在Web of Science中使用主题字段(标题、摘要、关键词),在Scopus和IEEE Xplore中使用标题和摘要字段。
2.3 纳入标准
检索不限定特定作者、学科领域或文献类型,涵盖期刊文章和会议论文。限制条件为英文文献。纳入标准包括:研究聚焦PV系统;包含LCA或环境评价;将ML、人工智能(AI)或深度学习作为分析的一部分;研究类型不限。排除标准为:讨论LCA但未采用ML;应用ML但未包含LCA或环境评价;无直接PV LCA应用;主要关注经济评估而无环境LCA。
2.4 研究选择
共识别出826条记录,去重后剩余636条独特记录。两名评审员独立筛选标题和摘要,排除465条,剩余171篇进行全文评估。全文评估排除了139篇(无LCA 61篇,无关PV 70篇,综述8篇),最终纳入32项研究。评审员一致性为90%,分歧通过讨论解决。此外,还展示了年度分布和作者关键词词云,以描述文献主题焦点。
2.5 数据提取与分析
对32项纳入研究使用预定义模板进行系统分析,提取信息包括ML方法、应用领域、环境指标、数据源、验证方法、性能指标和方法学局限。采用描述性和定性分析进行合成,描述性分析总结了频率与分布,定性综合识别了方法学趋势、关键挑战和研究空白。
- 3.
结果
3.1 ML方法
ML通过数据驱动分析处理复杂数据集,支持更稳健的环境评价。神经网络模型使用最频繁(15项研究),包括人工神经网络(ANN)、多层感知器(MLP)、Elman神经网络(ENN)等。深度学习方法出现在7项研究中,包括深度神经网络(DNN)、长短期记忆(LSTM)网络、DeepLabv3+和U-Net。传统方法中,随机森林(RF)使用最多(8项研究),其次为随机森林回归(RFR)、支持向量机(SVM)、线性回归(LR)和决策树(DT)。其他方法如回归克里金(RK)、CatBoost、广义相加模型(GAM)和朴素贝叶斯各出现一次。
3.1.1 随机森林的应用
随机森林是一种集成学习方法,通过构建多个决策树并组合输出以提高预测准确性,可减少过拟合。在纳入研究中,RF模型作为非线性回归预测因子,用于捕捉输入配置与技术经济或环境结果之间的复杂关系,或用于优化框架中近似可持续性指标。多项研究展示了RF在成本与排放优化、可再生能源社区优化、电动汽车充电站分析、PV发电预测等方面的应用,取得了较高的预测精度和显著的减排效果。
3.1.2 决策树的应用
决策树是一种用于分类和预测分析的数据挖掘技术,以树状结构分割数据集。一项研究将DT用于商业建筑能源需求预测,并集成到并网混合可再生能源系统的技术经济和环境可行性分析中,DT模型表现出最佳的预测性能,优化了系统成本。
3.1.3 梯度提升的应用
梯度提升(GB)是一种集成ML方法,通过顺序组合决策树进行迭代纠错。一项研究开发了一个ML框架来预测校园规模太阳能PV发电量和二氧化碳减排量,GB实现了最低的预测误差,优于其他基准模型,并支持估算了显著的减排潜力。
3.1.4 CatBoost的应用
CatBoost是一种基于GB的集成学习方法。一项研究将CatBoost模型应用于南极条件下的PV性能预测,使用温度、湿度、太阳辐射和风速作为预测因子,取得了高预测准确性,证明了其对复杂非线性关系的建模能力。
3.1.5 高斯过程回归的应用
高斯过程回归(GPR)是一种非参数概率ML方法,提供不确定性估计。研究人员将GPR应用于混合PV热电发电机系统性能建模,以及集成到生命周期可持续性评价(LCSA)框架中,均取得了高预测准确性和优化改进。
3.2 深度学习方法
深度学习由多层人工神经元组成,能自动提取特征,捕捉大型数据集中的复杂非线性模式。
3.2.1 循环神经网络的应用
Elman神经网络(ENN)和LSTM网络是处理序列数据的循环神经网络(RNN)。LSTM模型被用于太阳能发电预测,ENN结合增强型郊狼优化算法用于零能耗建筑混合可再生能源系统优化,显著降低了二氧化碳排放并提高了系统可靠性。
3.2.2 卷积神经网络的应用
卷积神经网络(CNN)由卷积层、池化层和全连接层组成,用于图像分析、目标检测和语义分割。在综述研究中,CNN被用于监测植物生长、建筑立面语义分割以识别适宜PV安装表面、从遥感影像中提取集中式农光互补PV系统,以及城市尺度屋顶PV碳减排量化,这些应用均取得了较高的分割精度和可靠的环境效益评估。
3.2.3 人工神经网络的应用
人工神经网络(ANN)是受人类大脑启发的计算模型,用于建模复杂非线性关系。综述中,ANN被用于预测浮式PV下水温、多晶硅生产厂资源消耗和排放、大型太阳能电站气象影响下的发电与生命周期环境性能、建筑集成光伏的冷热需求、以及土耳其未来PV废弃量。此外,ANN结合遗传编程(GP)用于多目标优化,自适应神经模糊推理系统(ANFIS)用于负荷预测与系统优化,均展示了ANN在环境评估中的广泛适用性和高精度。
3.3 结合ML模型的优化算法
许多研究将ML与优化算法结合以改善系统性能。主要模式包括:基于模拟和LCA的多目标元启发式优化,以及代理辅助优化(ML模型近似LCA和成本输出以加速过程)。研究采用了多目标 salp 群算法(MSSA)、多目标蜻蜓算法(MODA)、多目标遗传算法(MOGA)、非支配排序遗传算法II(NSGA-II)、增强型郊狼优化等算法,应用于太阳能-生物质能系统、电动汽车充电站、多晶硅工厂、零能耗建筑等场景,有效平衡了技术经济目标与环境影响指标。
3.4 环境影响与LCA指标
综述研究考察了广泛的环境和生命周期指标。最频繁分析的是碳排放相关指标,占72%的研究,包括二氧化碳减排、二氧化碳排放、温室气体排放率(kgCO2eq/kWh)、空气污染物(NOx、SO2)和水指标。部分研究采用LCA影响评价(LCIA)方法,如ReCiPe和Eco-Indicator 99,评估了全球变暖潜势(GWP)、臭氧消耗潜势(ODP)、酸化潜势(AP)、富营养化潜势(EP)、光化学臭氧生成潜势(POCP)和资源使用(RU)等中点与终点类别。此外,还包括能量回收期(EPBT)、碳回收期(CPBT)、累积能源需求(CED)以及平准化能源成本(LCOE)、能源成本(COE)等能源与经济指标。然而,水使用、毒性和土地利用等其他重要环境影响在综述中仍代表不足。
- 4.
讨论
(根据综述结构,第4节应为讨论,但提供的文本仅到第3.4节,因此无法总结。研究人员应关注数据质量、模型泛化性和综合指标整合等挑战。)
- 5.
结论
(根据综述结构,第5节应为结论,但提供的文本未包含。预计将总结关键发现、实际意义和未来研究方向。)