摘要：本文提出一种基于约束感知生成对抗网络（Constraint-aware Generative Adversarial Network，CA-GAN）的光伏布局方法，通过将地形数据与物理约束融合，直接生成高效的方案。该方法构建了一个以地形数据作为条件的U-Net生成器，设计了具备布局真伪判别与发电性能评估能力的多目标判别器，借助融合对抗损失、平准化度电成本（Levelized Cost of Energy，LCOE）损失与可微分物理约束项所形成的复合损失函数，从而实现从山地条件到高效可行布局方案的端到端映射。实验表明，相比于遗传算法与网格法，CA-GAN在山地场景中年平均发电量提升3.6%～6.1%，LCOE降低2.5%～4.8%。本研究为复杂约束的工程优化问题提供了生成式设计，有较强的理论价值与工程推广潜力。
关键词：山地光伏；智能布局；CA-GAN；可微分物理建模；工程约束集成；生成式设计
随着“双碳”战略的深入推进，光伏发电装机容量持续快速增长，导致优质平坦土地资源日益稀缺。光伏电站建设已向山地、丘陵等复杂地形迈进，成为行业发展的必然趋势。然而，山地地形中显著的坡度变化、坡向差异及复杂遮挡关系，为光伏阵列的布局优化带来了严峻挑战，现有设计方法难以在经济性与工程可行性之间实现最优平衡。
光伏阵列布局优化研究主要围绕阵列重构、倾角与间距优化、算法优化等方向展开。现有方法通过动态调整阵列电气连接、构建高精度发电性能模型、引入光学-能量耦合方法，或改进智能优化算法，不断提升发电效率。然而，面对复杂、非线性山地场景，传统方法易陷入局部最优、算法参数敏感性强等问题，而混合整数非线性规划（mixed integer nonlinear programming，MINLP）等精确方法又受限于计算复杂度，难以适用于大规模实际工程。
GAN在复杂数据学习和生成方面展现出的强大能力，为工程优化提供了新思路。GAN通过生成器与判别器间的对抗性训练，能够学习数据分布并生成新样本，已在科学发现、图像生成及数据增强等领域取得显著效果。在光伏应用领域，GAN目前多用于数据分析任务，如生成出力数据以提升小样本预测精度、生成红外图片以增强热斑故障检测，以及修复缺失的出力数据。但GAN在受物理约束的工程优化设计中的应用仍存三大挑战：不可微工程约束的嵌入、多物理场性能的可微评估，以及生成方案的工程经济性平衡。
针对上述问题，本文提出一种基于CA-GAN的山地光伏电站智能布局生成方法。本研究的核心创新在于突破了现有GAN在能源领域多用于数据分析的局限，将其拓展至布局生成任务，并解决了不可微工程约束嵌入与多目标协同优化的问题。该方法通过构建以地形为条件的U-Net生成器与融合对抗损失、LCOE损失及物理约束惩罚的复合损失函数，实现了从高精度DEM到最优空间布局的端到端映射。实验表明，该方法能自主生成地形适应性强、发电效率高且LCOE低的布局方案，为山地光伏设计提供了新思路。
一、方法论
二、实验与结果
三、讨论与分析
四、结论
全文7185字，详见《中国能源》2025年第12期。
基金项目
国家自然科学基金项目(编号：42276018)
作者简介
其他作者
张伟强
文章来源
本篇文章发表于《中国能源》杂志2025年第12期
获取更多能源资讯
本文为《中国能源》杂志社原创，未经原作者允许不得转载本文内容，否则将视为侵权。根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国能源》杂志社的内容，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国能源》杂志社原创。公众号内容版权归属《中国能源》杂志社。
