《Renewable Energy》：Optimizing Monthly Solar PV Tilt Angles and Energy Yield Across Global Climate Zones: A Hybrid Machine Learning and PVLib Approach
编辑推荐：
优化光伏系统月度最佳倾斜角的研究提出融合PVLib仿真与监督机器学习（随机森林、XGBoost、线性回归）的混合框架，通过气象、地理数据训练模型预测17个气候区城市的月度最优倾角，在5折交叉验证下MAE达2.04°，R2达0.975，较传统Klein公式提升7.8%-12.2%年发电量。
奥恩·津林（Ohn Zin Lin）| 利博尔·什特潘内茨（Libor ?těpanec）| 埃夫蒂基奥斯·库特鲁利斯（Eftichios Koutroulis）| 达格玛·尤赫尔科娃（Dagmar Juchelkova）| 亨尼·耶·艾（Hnin Yee Aye）
奥斯特拉瓦技术大学电气工程与计算机科学学院应用电子系，地址：17. listopadu 2172/15, 奥斯特拉瓦, 70800, 摩拉维亚-西里西亚地区, 捷克共和国
摘要
准确确定光伏（PV）倾角对于最大化能量产出至关重要，然而传统方法通常依赖于固定值或基于纬度的经验规则，这些规则忽略了动态气候因素。尽管机器学习（ML）已被用于太阳辐射预测和系统优化，但直接针对月度倾角预测的研究却很少。本文提出了一个混合框架，该框架将基于PVLib的模拟与监督式ML模型相结合，以预测不同气候区域中固定光伏安装的月度最佳倾角。该框架使用模拟的能量输出作为真实值，并利用太阳辐射、环境温度、湿度和地理数据等局部特征来训练模型。在涵盖热带、干旱、温带和大陆性气候的17个城市中应用该框架后，随机森林模型在5折交叉验证（67,287个样本）下的平均绝对误差（MAE）为2.04 ± 0.04°，R2值为0.975 ± 0.001。与克莱因（Klein）的固定倾角规则相比，基于ML的月度倾角使年产量中位数增加了7.8%（四分位数范围为7.0–8.5%），在雷克雅未克（Reykjavík）的最大增幅达到了12.2%。使用配对t检验和Wilcoxon符号秩检验进行的统计验证证实了该方法的可靠性。结果表明，ML具有可扩展性和适应性，为响应气候的光伏设计提供了一种无需测量的替代方案。
引言
光伏系统是全球向可再生能源转型的重要支柱。在影响光伏系统性能的关键参数中，太阳能电池板的倾角至关重要，因为它决定了照射到模块表面的太阳辐射量。Rehman等人[1]强调了在不同气候区域调整倾角对于提高光伏性能的重要性，特别是提升能量产出和系统稳定性方面的作用。
确定最佳倾角的传统方法，如克莱因的经验公式[2]，通常依赖于基于纬度的固定角度或季节性调整角度。虽然这些方法简单易用且在实践中被广泛采用，但它们没有考虑太阳轨迹变化、云层覆盖和大气透明度等动态环境变量[3]。此外，多排光伏阵列由于后续排的辐射衰减和复杂的视角效应，需要更复杂的建模[4]。Le Roux[5]证明，在南非，具有最佳固定倾角的光伏系统比水平安装的系统年日照量多出高达10%，这突显了本地化太阳数据在提升性能方面的价值。在数据稀缺的环境中，倾角估计变得更加具有挑战性。Chinchilla等人[6]利用来自全球2,500多个站点的辐射数据表明，即使没有本地测量数据，也可以通过立方回归估计倾角，从而支持统计和机器学习模型在光伏规划中的可行性。
机器学习（ML）的最新进展使得倾角估计更加准确且具有位置敏感性。Rinchi等人[7]基于来自超过12,000个站点的PVGIS数据开发了一个全球ML模型，表明月度气象数据显著提高了预测精度。为了克服静态经验方法的局限性，研究人员越来越多地探索数据驱动的方法来改进光伏系统性能。特别是在太阳辐射预测[8]、光伏输出预测[9]和能源系统优化[10]等领域，ML显示出巨大潜力。然而，尽管ML的应用日益广泛，但其用于预测不同气候区域的月度最佳倾角的范围仍然有限。
本研究提出了一个混合框架，将基于PVLib的能量模拟与监督式机器学习模型相结合，以预测月度最佳倾角。研究使用了来自17个城市的历史天气数据，这些城市涵盖了热带、亚热带、温带和亚极地气候区域，并结合了光伏地理信息系统（PVGIS）[11]提供的典型气象年（TMY）数据集。PVLib用于模拟0°至70°范围内的倾角能量输出，其中月度能量产出最高的配置被视为真实值。然后使用这些模拟结果以及气象和地理特征来训练三种ML模型，如随机森林（Random Forest）、XGBoost和线性回归（Linear Regression）。本研究的目标如下：
•利用历史气象和太阳辐射数据开发一个机器学习模型来预测月度最佳倾角。
•使用PVLib模拟多个全球位置的广泛倾角范围内的光伏能量输出。
•从能量产出的角度比较基于ML的倾角预测与传统固定倾角和季节性倾角方法。
本文的独特贡献包括：
•一种结合PVLib模拟与监督式ML模型（随机森林、XGBoost）的混合方法，直接预测月度最佳倾角，而不仅仅是辐射或输出。
•在4个气候区域的17个城市中进行应用，展示了模型的通用性。
•整合了特定于气候的特征，实现了无需现场测量的准确且可扩展的倾角优化。
•证明ML预测的倾角与传统方法（如克莱因公式）相比，可将能量产出提高多达12.2%。
•统计验证（如MAE、R2、Wilcoxon检验）确认了模型的可靠性和优越性。
本文的其余部分安排如下：第2节回顾了关于倾角优化和太阳能领域机器学习应用的相关文献。第3节详细介绍了所提出的方法论，包括数据收集、PVLib模拟和ML工作流程。第4节展示了结果和讨论，涵盖了倾角模式、模型性能和能量产出比较。第5节总结了研究结果、局限性以及未来工作的方向。
文献综述
文献综述
光伏组件的倾角对太阳能产量和电网相关的功率输出特性有显著影响。最近的研究[12]强调，纬度和跟踪配置会显著影响年能量产出。Mayer[13]进一步指出，不适当的倾角设置会大幅降低预测精度，突出了考虑倾角的系统设计的重要性。
传统的最佳倾角选择技术包括固定角度规则（例如，倾角≈纬度）和季节性调整
方法论
本研究结合了基于模拟的分析和机器学习，以预测光伏系统的月度最佳倾角。该方法论包括三个核心组成部分：（1）使用PVLib的光伏能量输出模拟；（2）机器学习模型的开发；（3）模型训练和性能评估。
基于模拟的月度最佳倾角
使用基于PVLib的模拟确定了17个选定城市的月度最佳倾角。这些模拟在0°至65°的倾角范围内计算了能量输出。对于每个月，导致最大模拟能量的倾角被确定为最佳倾角。结果揭示了最佳倾角的季节性变化，尤其是在远离赤道的地区。
结论与未来工作
本研究提出了一个混合框架，将PVLib模拟与监督式机器学习相结合，以优化不同全球气候区域的光伏系统的月度倾角。PVLib用于模拟17个代表性城市的0°至70°范围内的能量输出，生成了用于训练机器学习模型的月度最佳倾角配置。在5折交叉验证下，随机森林模型表现最佳
CRediT作者贡献声明
亨尼·耶·艾（Hnin Yee Aye）：验证、软件、调查。
达格玛·尤赫尔科娃（Dagmar Juchelkova）：撰写 – 审稿与编辑、监督、资金获取。
埃夫蒂基奥斯·库特鲁利斯（Eftichios Koutroulis）：撰写 – 审稿与编辑、监督。
利博尔·什特潘内茨（Libor ?těpanec）：撰写 – 审稿与编辑、可视化、验证、调查。
奥恩·津林（Ohn Zin Lin）：撰写 – 审稿与编辑、初稿撰写、正式分析、概念化。
数据声明
关于写作过程中生成式AI和AI辅助技术的声明
在准备本文期间，作者使用了ChatGPT4来提高手稿的可读性和语言表达。使用该工具/服务后，作者根据需要审阅和编辑了内容，并对发表文章的内容负全责。
利益冲突声明
? 作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：由于Eftichios Koutroulis担任副编辑，他未参与本文的同行评审，也未获取有关其同行评审的信息。本文的编辑工作完全由另一位期刊编辑负责。如果有其他作者，他们声明没有已知的财务利益冲突。
致谢
作者衷心感谢奥斯特拉瓦技术大学电气工程与计算机科学系的财政支持。本研究得到了“REFRESH-区域可持续性和高科技产业研究卓越计划（CZ.10.03.01/00/22_003/0000048）”和“数字转型与社会研究平台”项目的资助。
