基于混合粒子群优化-人工神经网络建模与独立数学公式的曲面复合光伏组件电气性能评估

《International Journal of Low-Carbon Technologies》：Electrical performance assessment of a curved composite photovoltaic panel using hybrid particle swarm optimization–artificial neural network modeling and a standalone mathematical formulation

　　

： 曲面及共形光伏（PV）组件在传统平面组件难以集成的应用场景中日益受到重视。然而，组件曲率引入的几何效应使精确的电气性能评估与预测变得复杂。本研究提出了一种实验与数据驱动相结合的框架，用于评估曲面复合PV组件在户外运行条件下的电气性能。实验中采用了一块中心曲率角为140°的玻璃纤维增强曲面PV组件。研究采用几何模型来考虑与曲率相关的辐照度效应。基于实测太阳辐照度和环境温度数据，通过结合粒子群优化（PSO）与前馈人工神经网络（ANN）并辅以贝叶斯正则化的混合建模方法，对电气功率输出进行了预测。此外，研究还推导了一个独立的数学公式，以便在无需高级计算工具的情况下实现快速功率估算。混合PSO–ANN模型在独立测试子集上表现出强大的预测性能，决定系数（R2）达99.2%，均方根误差（RMSE）为0.698 W，平均绝对误差（MAE）为0.446 W，均方误差（MSE）为0.4873 W2。结果表明，所提出的框架能够有效支持面向共形PV应用的曲面复合PV组件的电气性能评估。

研究背景与问题

全球范围内从化石燃料向可持续能源转型的迫切需求，显著提升了太阳能在可再生能源中的地位。光伏（PV）技术已从简单的地面电站发展为复杂的建筑一体化光伏（BIPV）系统，功能性与美学吸引力成为现代城市太阳能系统推广的关键因素。然而，当PV组件从标准平面几何转向曲面设计时，由于光谱失配和非均匀角辐照度分布，会产生显著的功率与能量损失。玻璃纤维增强聚合物复合材料因其轻量化结构支撑及可模塑成复杂几何形状的能力，成为制造曲面PV模块的潜在替代方案，但优化此类复杂系统需要先进的混合人工智能建模技术。尽管已有大量关于PV功率预测的文献，但针对玻璃纤维增强复合材料制造、几何曲率优化与高精度混合AI建模协同作用的研究仍存在显著空白。

研究内容与意义

研究人员在土耳其埃拉泽（38.67° N）于2024年7月开展实验，采用中心曲率角为140°、弦长485 mm的曲面复合PV组件。研究首先建立数值几何模型，分析0°至180°曲率范围内的能量捕获潜力；随后提出经贝叶斯正则化优化的混合PSO–ANN模型，用于预测曲面组件在真实动态波动下的功率输出；最后推导独立经验数学公式，为工程应用提供快速功率估算工具。该研究填补了曲面复合PV组件电气性能数据驱动预测的研究空白，为共形PV应用提供了可靠的性能评估框架。

关键技术与方法

研究采用的主要技术方法包括：基于太阳几何和角辐照度分布的数值几何模型，引入捕获因子（C_f）量化曲面辐照度效应；混合粒子群优化-人工神经网络（PSO–ANN）模型，采用两层前馈结构，隐藏层含30个神经元，输入为太阳辐照度和环境温度，输出为功率；两阶段训练策略，先以PSO进行全局权重优化，再以贝叶斯正则化（trainbr）进行高精度细化；独立数学回归公式用于快速功率估算。数据集按85%/15%划分训练与独立测试子集，数据归一化至[?1,1]区间。

研究结果

太阳几何与辐照度特性：太阳高度角（α）在上午持续上升，正午达到约71.2°峰值后下降；实测水平总辐照度（G）呈相似日变化趋势，正午峰值约885 W/m2，午后维持较高水平。

几何曲率效应评估：数值模拟显示，日能量潜力随曲率角增加呈非线性下降趋势，反映高曲率几何的角损失增大。140°曲面组件日能量潜力计算约为5900 Wh/m2，表明在强辐照条件下曲面PV几何仍具可行性。

混合PSO–ANN模型预测结果：独立测试子集上R2达99.2%，RMSE为0.6981 W，MAE为0.4462 W，MSE为0.4873 W2；训练子集R2为99.9882%，RMSE为0.0886 W。残差围绕零误差轴分布，学习曲线在500个周期内稳定收敛，最佳性能MSE为1.1229×10??。完整数据集对比显示总体R2为99.88%。

独立数学公式：基于经验回归推导的功率预测公式P(G,T_a)=β₀+β₁G+β₂G2+β₃GT_a，回归系数分别为β₀=?10.992 W、β₁=9.4581×10?2 m2、β₂=?1.9788×10?? m?/W、β₃=?3.6472×10?? m2/°C，在实验数据集上R2为0.980。

讨论与结论

与已有曲面/柔性PV研究及机器学习PV预测研究相比，本研究首次将混合PSO–ANN建模扩展至曲面复合PV结构，以辐照度和环境温度为输入预测功率输出。主要局限包括：数据集仅采集自土耳其埃拉泽夏季条件，模型对季节、地理位置、多云天气及极端温度的迁移性未经验证；未显式考虑组件温度、材料热容及瞬态热响应；未纳入风速、相对湿度及长期退化等参数。研究结论指出，组件曲率引入可预测的日辐照能量角损失，但适当选择的曲率配置可在保持可行能量产出的同时实现非平面表面集成。混合PSO–ANN框架在调查数据集内提供了一致的功率预测性能，独立数学公式为初步设计评估和实时工程应用提供了计算高效的替代方案。未来研究需扩展至多季节、多地点、多云及瞬态天气条件的数据集，以评估所提方法的区域迁移性和泛化能力。