屋顶光伏功率估算的自动建模

《Sustainable Cities and Society》：Auto-Modelling for Rooftop Photovoltaic Power Estimation

　　

- 我们提出了一种全自动化的工作流程，用于估算屋顶光伏发电量。
- 该工作流程消除了对现场辐照度传感器和大量人工建模的需求。
- 与PVsyst的对比验证表明，在年发电量估算方面误差较低。

**引言**

全球向低碳能源的转型加速了光伏（PV）系统的部署（Pancorbo, Carotenuto, Luca and Genesio, 2026），使光伏成为现代电网中最重要的可再生能源技术之一。光伏不仅是能够替代化石燃料的电力来源，也是缓解高峰负荷期间能源短缺的关键基础设施组成部分（Chen, 2025, International Energy Agency 2008），从而对可持续发展目标做出了重大贡献。随着电力系统日益追求脱碳、电气化和供应多元化，光伏的战略价值持续提升，因为它可以部署在从公用事业级电站到分布式屋顶安装的广泛规模上。曾主要被视为补充发电选项的光伏，如今在国家及区域能源组合中发挥着日益重要的作用，在许多国家其发电量占比急剧上升。事实上，27个国家的估计光伏渗透率已超过10%（International Energy Agency 2025），彰显了该技术快速扩张和系统性重要性。在此背景下，准确估算光伏发电的能力已不再是一个次要的技术问题，而是理解预期能源贡献、评估系统可行性和支持光伏可靠融入现代能源体系的实际需求。估算精度直接影响发电量预测（Tao et al., 2025）、系统规划、运行监控以及广泛部署场景下的长期性能评估，因此对技术有效性和投资价值具有直接影响（Su et al., 2024, Geng, Xie and Gou, 2024）。

准确的光伏发电估算支持各利益相关方的更好决策，从负责光伏系统和储能系统配置的设计人员（Qian et al., 2025, Zhu et al., 2026）到负责系统运行和维护的技术人员（Dhimish, Holmes, Mehrdadi and Dales, 2017, Harrou et al., 2018, Dhimish et al., 2017, Dhimish and Chen, 2019, Voutsinas, Karolidis, Voyiatzis and Samarakou, 2023, Garoudja et al., 2017, Dhimish, Holmes, Mehrdadi and Dales, 2017, Hu et al., 2013, Lodhi et al., 2023）。例如，准确的发电估算提供了关于光伏系统预期输出和潜在收益的关键信息，这对于在早期规划阶段最大化发电量、在运行期间更有效地分配储能以及在维护阶段识别、定位并维修或更换低效光伏组件具有重要价值。实际上，不准确的估算可能导致系统规模选择不当、性能预期不切实际、运行调度效率低下以及故障或退化组件识别延迟，所有这些问题都可能降低光伏部署的整体效果（Su et al., 2025）。此外，可靠的估算支持对系统效率、性能退化和运行异常的更好评估。它还通过为预测输出和解释安装后实际系统行为提供更可靠的依据，增强了技术和经济评估的信心。因此，准确的光伏发电估算被广泛需要，因为它为参与光伏系统规划、运行和维护的利益相关方提供了切实可衡量的益处，同时减少了阻碍系统性能、成本效益和长期可靠性的决策不确定性。

光伏系统在城市地区日益增加的部署进一步放大了这一挑战（International Energy Agency 2025）。在人口稠密的城市中，附近建筑物造成的阴影显著增加了建筑一体化光伏和建筑应用光伏（BIPV/BAPV）的发电估算难度，周围建成环境可以显著改变光伏表面接收到的太阳辐照资源（Ruan, Hu, Fan and Guan, 2025, Chai et al., 2025）。随着城市地区日益依赖屋顶和建筑围护结构来扩展可再生能源发电——尤其是在土地可用性有限而能源需求高的地区——这一问题变得尤为重要（Yan et al., 2023）。在此条件下，忽略局部遮挡效应的简化估算方法可能导致预测发电输出的相当大误差，进而影响系统效益预期、运行规划和安装后性能评估（Tian, Loonen and Hensen, 2025）。因此，在屋顶光伏发电估算中，附近阴影的针对性建模已不容忽视（Formolli, Sch?n, Kleiven and Lobaccaro, 2024），应与气象数据结合纳入以提高估算精度。对于城市光伏应用而言，这种集成的重要性不仅在于提高数值预测，还在于为光伏系统安装的实际运行环境提供更真实的表征（Merollari and Dervishi, 2024）。因此，将附近阴影建模与现场气象数据集成纳入光伏发电估算，构成了本研究的核心问题，特别是在城市光伏应用中，空间复杂性和环境变异性均十分显著。

现有的屋顶光伏发电估算工作可以从两个层面来理解：基础物理模型以及将气象输入转化为功率输出的工作流程。在模型层面，用于功率估算的常用模型是单二极管模型（ODM）（公式1）（Jain and Kapoor, 2004），该模型描述了根据运行条件的电流与电压关系。该关系依赖于相关参数的校准（例如De Soto模型（De Soto, Klein and Beckman, 2005）），这些参数专门用于描述阵列面（POA）辐照度和电池温度。

I = I_L ? I_0[exp((V + I·R_s)/(n·N_s·V_th)) ? 1] ? (V + I·R_s)/R_sh

对于不同朝向的光伏模块，所需的现场日照计数量随着模块组数的增加而增加。减少多组现场辐照度传感器需求的可行方法之一是使用POA转换模型（Sandia National Laboratories 2026, Sandia National Laboratories 2026, Sandia National Laboratories 2026, Sandia National Laboratories 2026），配合选定的天空扩散模型（如Perez模型（Sandia National Laboratories 2026, U.S. Department of Energy 2026）），来计算任意方位角和倾斜角的预期POA辐照度（公式2.1–2.5）。该方法仅需一组日照计来测量GHI、DHI和DNI，适用于位于相邻位置的光伏模块。该方法已被现有的光伏发电估算软件采用，包括EnergyPlus（U.S. Department of Energy 2026）、PVsyst（PVsyst）和pvlib（pvlib python Contributors）。此外，辐照度数据还可以从ERA5-Land等开源数据集（Copernicus Climate Change Service (C3S) 2019）中获取，此时无需现场辐照度传感器。图1、2、3、12、15、16、17、21、22、25、26、27

G_POA = I_beam + I_ground + I_sky

α = cos?1(cosθ_Z·cosθ_T + sinθ_Z·sinθ_T·cos(θ_A ? θ_A,array))

I_beam = DNI·cosα

I_ground = GHI·ρ_g·(1 ? cosθ_T)/2

I_sky = DHI·((1 ? F_1)·((1 + cosθ_T)/2)2 + F_1·(max(0, cosα)/max(cos85°, cosθ_Z)) + F_2·sinθ_T)

然而，这种方法未考虑阴影影响，需要专门软件根据附近遮挡物来修正POA辐照度。在实践中，这需要几何表示周围环境（Lei et al., 2025）。在PVsyst中，近阴影场景可以在软件内构建或从现有3D模型导入，但准备和导入合适的场地几何数据仍然需要人工操作。

光伏模块的电池温度取决于环境温度及辐照度，在某些情况下风速也可能是一个需要考虑的因素。表1列出了具有不同系数和变量的现有电池温度估算模型。

综合来看，参考文献（U.S. Department of Energy 2026, PVsyst, pvlib python Contributors, Lei et al., 2025, Skoplaki and Palyvos, 2009）和（U.S. Department of Energy 2026, PVsyst, EnergyPlus Weather File (EPW) Data Dictionary, Zheng, Bai and Akram, 2025, Pvsyst, Pvsyst, Pvsyst, pvlib python Contributors, pvlib python Contributors），包括近期关于建筑一体化光伏设计和仿真工作流程的研究，表明光伏发电估算更适合被理解为一个工作流程而非单一模型。通常，该工作流程包括获取气象数据输入、将其转换到光伏平面、必要时修正阴影影响，并将最终辐照度转化为电能输出。EnergyPlus、PVsyst和pvlib都实现了这一通用过程，但实现方式各异。EnergyPlus将几何太阳计算和阴影处理集成在更广泛的建筑能源仿真框架中，并支持固定效率和ODM两种模式（U.S. Department of Energy 2026）（公式1）。在该框架中，阴影在基于时间步的仿真过程中通过几何场景动态评估。PVsyst将转换模型与显式的近阴影计算相结合，并专门使用单二极管模型进行光伏发电估算（PVsyst, PVsyst, Pvsyst）。在实践中，PVsyst通常应用从导入或以其他方式准备的3D场景推导出的近阴影因子或损耗关系作为太阳位置的函数，从而减少时间序列仿真中的计算工作量。pvlib提供了灵活的编程框架用于POA辐照度建模及相关计算（pvlib python Contributors），但通常需要额外工作以类似方式表示特定场地的遮挡情况。这些软件工具之间的另一个区别在于功率转换之前使用的电池温度模型。EnergyPlus可以使用简化热力学公式，如Duffie和Beckman或Ulleberg模型，而PVsyst和pvlib通常实现修正的Faiman型热损失模型，该模型根据POA辐照度、环境温度以及启用时的风速来估算电池温度。因此，现有工作的主要局限性并非缺乏光伏发电估算模型，而是完整估算工作流程的自动化程度有限，尤其是在需要表示附近阴影而无法通过大量人工配置完成时。表2、6、7、11、14、19、20、22

本研究旨在开发一种实用的光伏发电估算工作流程，不需要现场传感器且人工工作量最少。本研究的目标有两点。首先，提出一种自动化的工作流程，以最少的参数集重构屋顶光伏系统和附近阴影，收集近期的辐照度和气象数据，并使用EnergyPlus获取经阴影修正的阵列面辐照度。其次，通过pvlib实现的基于ODM的流程估算光伏功率输出，并将所得的功率和发电量估算与PVsyst仿真结果进行比较，以评估其在匹配现有软件方面的有效性。

本文其余部分组织如下。第2节介绍了所提出的工作流程，包括IDF文件中的光伏系统和附近阴影重构、辐照度和气象数据的收集与EPW文件格式转换、EnergyPlus仿真执行以获取经阴影修正的POA辐照度，以及pvlib实现的基于ODM的功率估算流程。第2节还介绍了用于对比分析的PVsyst工作流程。第3节呈现了结果，包括目标光伏系统附近阴影的分析以及与PVsyst仿真的对比。第4节讨论了所提出工作流程的贡献和局限性，第5节对全文进行总结。

**方法**

所提出的工作流程分为四个阶段。首先，重构光伏系统的附近阴影场景，以识别光伏系统周围遮挡物的坐标和尺寸。在此阶段，创建一个输入数据文件（IDF），将对象标准化为EnergyPlus可识别的格式。其次，收集气象数据并将其转换为EnergyPlus天气（EPW）文件，从而以标准格式规范化辐照度数据。

**结果**

在三个地点进行了为期12个月的分析，以比较所提出工作流程和PVsyst的光伏发电估算结果。测试地点的详细信息汇总在表9中，参数列在表10至表13中。

在损耗、热参数、气象数据、硬件/软件设置以及阴影场景中的对象数量方面，所提出工作流程和PVsyst之间进行了对齐。这些输入在2.3 EnergyPlus仿真和2.4单二极管模型中进行了描述。

**贡献**

本研究的主要贡献是一种简化和自动化的工作流程，在考虑附近阴影的同时，减少了光伏发电估算对现场传感器和人工工作量的需求。该工作流程具有以下几个关键特征。首先，所需参数数量最小化，仅包括坐标、日期范围和关于光伏系统的基本信息（例如朝向、尺寸、制造商规格和损耗参数）。其次，现场日照计……

**结论**

全球向低碳能源来源的转型加速了光伏部署。这产生了对更准确光伏发电估算的需求，以支持早期规划、建筑能源管理和故障检测。现有的光伏发电估算方法要么需要安装日照计，要么需要大量人工工作量来构建附近阴影模型。

因此，本研究提出了一种自动化光伏功率估算的工作流程，该方法只需极少的人工干预，且无需声明利益冲突。

作者声明他们不存在任何可能影响本文所报告工作的已知竞争性财务利益或个人关系。

CRediT作者贡献声明：
Ip Cheng：写作—审稿与编辑，写作—初稿，可视化，验证，软件，方法论，调查，正式分析，数据整理，概念化。
Qinhui Lu：写作—审稿与编辑，可视化。
Mengying Li：写作—审稿与编辑。
Jianli Chen：写作—审稿与编辑。
Zhe Wang：写作—审稿与编辑，监督，项目管理，资金获取。
Marcus Leung-Shea：写作—审稿与编辑。

利益冲突声明：
作者声明他们不存在任何可能影响本文所报告工作的已知竞争性财务利益或个人关系。

致谢：
作者感谢以下机构的支持：国家气候韧性关键实验室（项目编号：ITC-SKLCRCC26EG01）、国家杰出青年科学基金（项目编号：52322813），以及中国香港特别行政区研究资助局（项目编号：C6003-22Y）。

作者名单：
Ip Cheng | Qinhui Lu | Mengying Li | Jianli Chen | Zhe Wang | Marcus Leung-Shea