在家天台自建的小型光伏发电站由3块太阳能板组成，晴天日发电量约4度，阴天约2度。系统包括MPPT充电控制器和并网逆变器，连接4块铅酸电池，逆变器输出400瓦，能抵消家庭网络机柜的用电。

在第20届CCF HPC China 2024年会上，万萌介绍了深度学习在光伏发电和电力负荷预测中的应用，提出了多种新能源预测模型，提升了预测精度。

AutoPV是一个基于神经架构搜索技术的新框架，用于自动搜索和构建光伏发电功率预测模型。它整合了最新的时序预测和光伏发电深度学习模型的数据处理技术，能在较短时间内构建预测架构，并展现出优于预定义模型的效果。这填补了将NAS应用于TSF问题的空白，为非专家和工业界提供了帮助。

本文提出了一个新的框架，使用LSTM时间序列预测和DDPG多智能体强化学习算法来解决可再生能源不确定性在智能电网中带来的挑战和分布能源管理中的新挑战。该框架旨在实现对批发和零售市场的高效能源管理，并证明其显著提高了载荷服务实体的利润。同时，使用DDPG代理实现人工智能电池充放电，以最大化分布式PV和电池安装用户的利润。

提出了 PV-Client (Cross-variable Linear Integrated ENhanced Transformer) 用于光伏发电功率预测，采用增强 Transformer 模块捕获不同特征之间的复杂相互作用，使用线性模块学习光伏功率的趋势信息，并整合交叉变量注意力以捕获光伏功率与天气因素之间的依赖关系。实验结果表明，PV-Client 在光伏发电功率预测方面表现卓越。

SolNet是一种新颖的太阳能发电预报模型，通过迁移学习和微调解决了数据匮乏的挑战，并在荷兰、澳大利亚和比利时的实际生产数据中展示了其优势。

GLaD是一种新方法，通过整合分子图像和语言描述符进行光伏转换效率（PCE）预测，利用大规模语言模型（LLM）从科学文献中预训练来丰富分子结构表示，实现了对PCE的精确预测，并促进了合成新型有机光伏分子的过程。GLaD还展示了多功能性，适用于一系列分子属性预测任务，在低数据环境中通过融入从大规模预训练中学习的分子属性描述来丰富分子表示，对药物和材料发现等科学探索具有重要意义。

本文介绍了一种基于Transformer框架的半监督方法TreeFormer，利用多尺度特征表示实现对树的数量统计和密度估计，降低了标注成本，并在实验中超越了当前半监督方法的最新水平。

该论文研究了使用符合性预测（CP）这种新兴的概率预测方法对光伏发电功率进行次日预测，以提高其参与电力市场的效果。研究结果表明，将 CP 与最近邻和 / 或 Mondrian binning 相结合优于线性分位数回归器，将 CP 与特定的竞标策略相结合，可以在最小化能量不平衡的同时获得高利润。

光伏职业是将太阳能转化为电能的职业，近年来得到广泛应用。光伏逆变器入网检测是保证光伏体系安全接入电网的重要过程，需验证逆变器的电气参数、动态响应等是否符合要求。EasyGo计划使用PXIBox 5442进行实时仿真，以进行光伏变流器的各种测验。

东南大学的研究团队提出了一种基于神经结构搜索和知识蒸馏的轻量级高性能光伏电池缺陷检测模型，准确率高达91.74%，参数量小，易于在实际工业项目中部署。研究结果表明，该模型具有较高的性能和泛化能力，为光伏产业的发展提供了有效工具。