编辑推荐：
为提升太阳能电池电流 - 电压（I-V）特性建模精度，针对传统单二极管模型（SDM）假设理想因子恒定的局限，研究人员开发 5 种纳入理想因子电压非线性依赖的 SDM 变体。经多模块验证，新模型 RMSE 显著降低，在不同光照和温度下表现稳健，为光伏系统优化奠定基础。
在全球能源向可持续转型的浪潮中，太阳能作为清洁且取之不尽的资源，正逐渐成为能源舞台的主角。截至 2023 年底，全球太阳能装机容量已达 1.42 TW，较前一年增长 32.4%，其在降低碳排放和提升能源效率方面的优势不言而喻。太阳能电池作为太阳能转换系统的核心组件，精准建模对优化其性能至关重要。然而，传统的单二极管模型（SDM）虽被广泛应用，却存在明显短板：它假定二极管理想因子（n）恒定，而实际中该因子会随电压变化 —— 低电压时载流子扩散主导使 n≈1，中电压时耗尽区复合作用增强 n，高电压时串联电阻和并联电阻泄漏等非线性效应进一步影响 n，这导致传统模型在模拟真实光伏系统时，尤其在低光照、高温等条件下，与实际测量值偏差较大。为突破这一瓶颈，来自相关研究机构的研究人员开展了深入研究，其成果发表在《Engineering Science and Technology, an International Journal》。
研究人员提出了 5 种新型 SDM 变体（EC1-EC5），这些模型通过 Lambert W 函数推导电流 - 电压关系，将理想因子的电压非线性依赖性纳入建模。研究选取了 RTC France 标准太阳能电池、MSX60、PWP201、KC200GT 三种商用模块作为研究对象，采用 Frilled Lizard 优化（FLO）、细菌觅食优化（BFO）、鹈鹕优化算法（POA）、非洲秃鹫优化算法（AVOA）和基于蒸发率的水循环算法（ERWCA）等五种元启发式算法进行参数估计，以均方根误差（RMSE）为关键指标评估模型性能。
4.1 参数估计与算法性能比较
在 KC200GT 太阳能模块的参数估计中，ERWCA 算法表现出最佳收敛特性和精度。以 Model 3 为例，其 RMSE 为 43.449×10-4，较经典 SDM（51.031×10-4）和文献中的 TDM 模型显著降低。与其他算法相比，AVOA 和 FLO 因迭代次数有限时探索与开发平衡不足，性能较差。
4.2 不同环境条件下的模型验证
在光照强度（200-1000 W/m2）和温度（25-75°C）变化的测试中，Model 3 的 I-V 和 P-V 特性与实测数据高度吻合，验证了新模型在不同环境下的稳健性。参数缩放方法在理想因子非恒定的情况下依然适用，表明模型具有广泛的环境适应性。
4.3 多太阳能电池 / 模块的模型验证
在 RTC France 太阳能电池、MSX60 和 PWP201 模块中，所有新模型均优于文献方法。其中，Model 5 在 RTC France 电池中 RMSE 低至 0.00059905，较经典 SDM 提升 22.57%；Model 4 在 PWP201 模块中 RMSE 为 0.0010831，较 SDM 降低 46.91%，显示出对不同类型器件的良好适配性。
4.4 结果讨论与模型优势
新模型在最大功率点（MPP）、陡峭梯度区域等关键位置表现出更高的精度，有效捕捉了 I-V 曲线的非线性特征。尽管模型参数增加，但计算时间未显著上升，对数函数模型因计算特性耗时稍长但仍在可接受范围。灵敏度分析显示，新模型对参数变化的敏感度低于经典 SDM，Model 5 稳定性最佳，进一步凸显了纳入理想因子电压依赖性的优势。
研究结论表明，所开发的 5 种 SDM 变体通过引入理想因子的电压非线性依赖，显著提升了太阳能电池建模的精度和稳健性，在不同器件和环境条件下均表现出色。这一成果为光伏系统的优化设计提供了更可靠的工具，有助于推动太阳能技术的高效应用。未来研究可拓展至钙钛矿、 tandem 电池等新兴技术，进一步完善模型的普适性，为光伏领域的发展注入新动力。
