據中科院工程熱物理所消息，該單位研究人員應用機器學習在光伏熱電混合系統結構參數優化研究中取得新進展。

熱電轉換技術和光電轉換技術是利用能源轉換材料將太陽能直接轉換為電能的兩種主要技術形式。二者在提高太陽能利用率的技術研究發展方面的關鍵點，一是研究和開發高效熱電材料和光伏材料及其組件，二是發展聚光型光伏熱電技術。

太陽能熱電光電復合發電系統的核心是熱電光伏復合發電單元，聚集太陽光入射后，光伏電池首先利用光譜響應的波長產生電能，不能被光伏電池利用的光譜能量通過熱電器件進行熱電轉換。復合發電系統能夠更充分地利用太陽能全光譜，并且將光伏電池不能利用的能量轉入熱電器件，不僅可以降低光伏電池工作時的溫度，還能產生額外的電能。

光伏熱電復合系統的發電效率不僅受太陽光聚光比、系統工作時溫度、外接負載大小等因素影響，光伏電池與熱電器件的結構參數也會顯著影響混合系統的輸出性能。為了研究這一參數的具體影響，中科院工程熱物理所新技術實驗室新能源材料與設備團隊研究人員選取單晶硅、砷化鎵太陽能電池和不同尺寸的熱電器件進行了研究。

圖1 熱電器件輸出功率隨n值的變化

如圖1所示，在不同光伏電池與熱電器件面積比值（n值）下，熱電器件輸出功率會產生明顯的差異。經過優化研究人員發現，出當二者面積比為4時，熱電器件獲得最大的功率輸出。在混合動力系統中，光伏電池和熱電器件輸出的電能相互隔離的情況下，熱電器件獲得最大輸出功率，混合系統的輸出性能最佳。

圖2 基于機器學習對系統組件結構尺寸的優化

圖3 機器學習預測結果的實驗驗證

獲得實驗數據后，研究人員選用機器學習方法，對混合系統光伏與熱電器件的結構參數再次進行優化，通過對實驗數據的整理、訓練、學習，建立DNN、LSTM、LSTMA三種模型進行預測，經與實驗結果對比，LSTM模型的準確率更高。訓練出的模型進一步預測n值為4.41時可獲得最優輸出性能。

這項研究通過對光伏熱電混合系統的優化，探討了機器學習在結構參數優化方面的應用，為其在能量轉換系統性能提升的應用方面提供了實例和參考。該項研究成果在Engineered Science期刊上發表，被選為封面論文，張航研究員為論文通訊作者，博士生何澤明和副研究員楊明為共同第一作者。