在全球能源转型与气候变化的双重驱动下，太阳能塔式系统（Solar Power Tower, SPT）因其高效聚光与储能能力，成为大规模清洁能源发电的核心技术之一。定日镜场作为系统的关键组件，需精准控制成千上万面镜子的反射角度，将太阳光聚焦于塔顶接收器。然而，动态环境（如云层遮挡、太阳位置变化）和复杂约束（接收器温度和热应力限制）对实时控制提出了巨大挑战。传统方法依赖耗时的高精度物理模拟，难以满足现代超大规模镜场（>10,000台）的实时优化需求。DNL16T3团队开发了一种基于机器学习的模型预测控制（MPC）框架，通过智能化算法可实现以下目标：

1. 实时响应动态环境，快速适应云层移动、太阳位置变化等场景。

2. 高效计算与安全约束平衡：在保证接收器安全的前提下最大化能量捕获。

3. 大规模镜场优化：突破传统方法计算瓶颈，支持超万级定日镜的实时控制。

该技术采用分阶段数据驱动策略，结合先进机器学习技术与优化算法，可利用条件变分自编码器（CVAE）将复杂光通量分布压缩为低维特征，加速数据处理。此外，通过训练专用神经网络模型，从环境参数（云层、太阳位置）预测接收器表面通量分布，可实现快速的热通量预测。集成模型预测控制（MPC）与元启发式算法，实时生成安全高效的瞄准策略，实现高效动态优化控制。

该成果将传统分钟级优化缩短至毫秒级，支持实时决策，提高计算效率。同时，在云层遮挡等场景下，实现镜场功率输出的稳定控制。DNL16团队将进一步探索数字孪生与边缘计算技术在镜场控制中的应用，开发适应极端天气的鲁棒性算法，并推动标准化测试框架的建立，开展示范工程验证。