基于大语言模型的太阳能光伏评估

在卫星图像中准确检测与定位太阳能光伏（PV）面板对于优化微电网与主动配电网（ADN）至关重要，二者皆是可再生能源系统的关键组成部分。现有方法存在算法或训练数据集透明度不足、依赖大规模高质量 PV 训练数据、以及难以泛化至新地理区域或多样化环境条件（需大量再训练）等局限。这些不足导致检测结果不一致，阻碍了大规模部署与数据驱动的电网优化。本文研究如何利用大语言模型（LLM）克服上述挑战。尽管前景广阔，LLM 在太阳能面板检测中仍面临若干挑战，包括多步逻辑处理困难、输出格式不一致、对视觉相似物体（如阴影、停车场）的频繁误分类，以及在空间定位与量化等复杂任务中精度较低。为克服这些问题，我们提出了基于 LLM 的光伏评估（PVAL）框架，其融合了任务分解以实现更高效的工作流、输出标准化以保证一致且可扩展的格式、少样本提示以提升分类精度，以及使用带有详细标注的精选 PV 数据集进行微调。PVAL 在最小化计算开销的同时，确保了跨异构数据集的透明度、可扩展性与适应性。通过将开源可访问性与稳健方法相结合，PVAL 建立了自动化且可复现的太阳能面板检测流水线，为大规模可再生能源集成与优化的电网管理铺平了道路。