跨多种材料的纳米流体冷却光伏板冷却效率预测：浅层与混合深度学习模型的比较分析

为何保持太阳能板低温很重要

太阳能板在较低温度下工作效率最高，但在强烈日照下它们的温度会急剧上升，悄然削弱其发电量。对家庭用户、公用事业公司以及押注清洁能源的各方来说，性能下降意味着比预期更少的千瓦时产出。本文研究了一种面向面板冷却的新方法：在太阳能板背部循环特殊的“纳米流体”，并利用人工智能预测冷却效果。目标是减少缓慢且昂贵的户外试验，同时在真实高温环境中保持太阳能发电的高效。

微小颗粒如何帮助降温

常规太阳能板在阳光下被动加热，温度每上升1摄氏度，其输出大约下降0.5%。一种应对方法是在板背安装薄型管路网络进行主动冷却，让液体通过管道带走热量。研究者没有仅用普通水，而是测试了纳米流体：即含有极小氧化铝（Al₂O₃）或二氧化钛（TiO₂）颗粒的水，体积分数很低（0.01%、0.1%和1%）。这些纳米颗粒可以提高液体的传热能力，可能使其比单纯用水更有效地保持面板低温并提高效率。

在户外对七种冷却液进行实测

研究团队在土耳其一处炎热干燥的大学校园安装了两块相同的50瓦太阳能板。一块在背部装有铜管和散热片进行冷却，另一块作为未冷却的对照。泵以固定流量将水或六种纳米流体混合物中的一种在冷却管中循环。在数天内，他们每次连续6小时每30分钟采集一次户外测量数据，每种冷却液得到13个数据点。每次试验记录了太阳辐照度、风速、空气温度、面板多个位置的表面温度、流体进出口温度，以及冷却与未冷却面板的电压和电流。基于这些数据，他们计算出冷却系统对面板电气效率的提升程度。

用算法代替重复性试验

由于为每种新冷却液或工况重复全天户外测试既慢又费力，作者训练了计算模型来学习测量条件与冷却效率之间的关系。他们尝试了几种相对简单的方法——贝叶斯岭回归、支持向量回归和随机森林——以及一种更先进的混合深度学习模型，结合了卷积神经网络（CNN）和长短期记忆（LSTM）单元。较为简单的“浅层”模型将每个测量快照独立对待，而CNN+LSTM混合模型还考虑了数值随时间的变化，捕捉日照和温度的短时波动。

模型对冷却性能学到了什么

在所有七种冷却液中，贝叶斯岭回归始终给出稳定且准确的预测，预测值与实测值之间误差很小且一致性高。混合的CNN+LSTM模型在某些材料上进一步提高了精度，达到非常低的误差水平并能解释几乎全部的冷却性能变异。为了解开这些“黑箱”模型，研究者应用了SHAP技术，评估每个输入因子对预测的影响。分析显示，环境温度、太阳辐照度以及被冷却面板本身的电性能（电压和电流）是影响冷却效率的主要因素，而风速和一些细分的表面温度测量对结果的贡献较小。

对未来太阳能系统的意义

简言之，研究表明，经过精心选择的机器学习模型可以在仅需适量实验数据的情况下，可靠地预测用水或纳米流体主动冷却太阳能板能带来多少收益。工程师无需在每次更改冷却液配方、浓度或气象条件时都开展新的全天测试，而可依靠这些训练好的模型在数秒内探索“假设”情形。研究还强调，少数关键测量——当天温度、日照强度以及被冷却面板的电性能——包含了所需的大部分信息。作者同时指出，在使这些工具普适并适用于各种规模之前，仍需更大且更具多样性的数据集，但他们的结果指向通过更智能的设计和控制，使同样的阳光产生更多清洁电力的方向。

引用: Özdemir, Y., Ziyadanoğulları, N.B., Bakış, E. et al. Comparative analysis of shallow and hybrid deep learning models for predicting the cooling efficiency of nanofluid-cooled photovoltaic panel across multiple materials. Sci Rep 16, 9216 (2026). https://doi.org/10.1038/s41598-026-40129-x

关键词: 太阳能板冷却, 纳米流体, 光伏效率, 机器学习, 深度学习