《Energies》：PV System Performance Analysis and Forecasting Using Deep Learning and Statistical Methods
Mustapha Adar,
Mohamed-Amine Babay and
Mustapha Mabrouki
编辑推荐：
本研究针对半干旱气候条件下硅基光伏（Photovoltaic, PV）技术的长期性能退化问题，研究人员建立了融合物理机制的混合预测框架。通过分析多晶硅（polycrystalline silicon, pc-Si）、微晶硅（microcrystalline s
本研究针对半干旱气候条件下硅基光伏（Photovoltaic, PV）技术的长期性能退化问题，研究人员建立了融合物理机制的混合预测框架。通过分析多晶硅（polycrystalline silicon, pc-Si）、微晶硅（microcrystalline silicon, mc-Si）与非晶硅（amorphous silicon, a-Si）三种组件在2015至2021年的实地运行数据，研究人员量化了温度加速退化与热退火（thermal annealing）的竞争机制。采用季节性趋势分解（Seasonal-Trend decomposition using Loess, STL）方法，研究人员将性能比（Performance Ratio, PR）分离为长期趋势、季节波动与残差项，发现a-Si的夏季PR恢复幅度与累积温度呈强正相关（R2≈0.79）。基于阿伦尼乌斯（Arrhenius）模型的分析表明，pc-Si与mc-Si的活化能分别为0.35 eV和0.52 eV，而a-Si因退火效应未呈现显著的温度依赖性。在预测建模方面，研究人员对比了自回归积分滑动平均（Seasonal Autoregressive Integrated Moving Average, SARIMA）、Prophet、多层感知机（Multilayer Perceptron, MLP）与长短期记忆（Long Short-Term Memory, LSTM）四种模型的性能，结果表明LSTM在捕捉非线性退化动态方面最优，其均方根误差（Root Mean Square Error, RMSE）较传统方法降低15%以上。研究成果为光伏系统的寿命评估与维护策略提供了物理可解释的预测工具。
研究背景与意义
光伏发电系统在半干旱地区的长期可靠性受温度、辐照度与湿度等多因素耦合影响。现有预测模型多忽视非晶材料特有的热退火效应与晶体材料的电位诱导衰减（Potential Induced Degradation, PID）机制差异，导致长期性能演化预测存在偏差。本研究通过七年实地监测数据，首次将物理退化机制嵌入数据驱动模型，解决了传统方法无法区分季节性波动与结构性退化的难题，相关成果发表于《Energies》。
关键技术方法
研究人员采用摩洛哥半干旱地区三个并行运行的硅基光伏电站（pc-Si、mc-Si、a-Si各1 MW）2015–2021年的分钟级监测数据。数据预处理包含异常值剔除（基于四分位距法）、缺失值线性插补及MinMax归一化。关键技术包括：① 季节性趋势分解（STL）量化退火恢复量；② 阿伦尼乌斯模型计算活化能；③ SARIMA、Prophet、MLP与LSTM四类模型对比，其中LSTM采用50单元隐藏层与早停策略；④ 通过注意力权重与自回归系数解析模型物理内涵。
研究结果
3.1.1 时间序列分解与退火量化
STL分解显示，pc-Si的季节振幅最大（标准差σ=0.136），但其趋势线性度极低（R2=0.041）；a-Si趋势呈显著线性退化（R2=0.356），年化衰减率0.57%/年。夏季PR恢复量与累积温度（>35°C）的斜率达0.15%/100°C·h，证实热退火效应仅存在于a-Si。
3.1.2 温度加速退化分析
阿伦尼乌斯拟合表明，pc-Si（0.35 eV）与mc-Si（0.52 eV）符合热激活退化规律，而a-Si因退火抵消作用未呈现显著线性关系。
3.2.1 SARIMA建模
扩充迪基-富勒（Augmented Dickey-Fuller, ADF）检验确认所有序列平稳（p<0.05）。最优参数：mc-Si为SARIMA(5,1,2)(0,1,0)[365]，a-Si为SARIMA(5,0,0)(0,1,0)[365]，pc-Si为SARIMA(1,0,2)(0,0,0)[365]。残差Ljung-Box检验p值均>0.05，验证模型有效性。
3.2.2 Prophet建模
Prophet成功捕获季节波动，但对a-Si的非线性退化趋势拟合不足，其趋势分量呈现阶梯状恢复特征。
3.2.3 MLP建模
三层MLP（50–25–1单元）配合Dropout正则化，在测试集上RMSE较SARIMA降低8.3%。
3.2.4 LSTM建模
LSTM以滑动窗口重构时序数据，其注意力权重显示a-Si模型在6–9月权重升高2–3倍，印证了对退火周期的捕捉能力。
3.3 模型性能比较
LSTM在绝对误差指标上全面领先：pc-Si的RMSE为0.024，a-Si为0.031，mc-Si为0.028。SARIMA在相对误差（MAPE）上表现最优（mc-Si仅0.76%），因其对低PR时段波动不敏感。
3.4 模型行为的物理解释
SARIMA的一阶自回归系数反映系统记忆性：pc-Si（0.85）与mc-Si（0.81）具强持续性，a-Si（0.52）则因退火中断记忆链。LSTM的注意力机制自动聚焦于a-Si的夏季恢复期，Prophet的趋势分量则揭示了退火对线性退化的偏移作用。
3.5 预测不确定性的物理驱动
温度骤变（>5°C/日）使a-Si预测误差增加40–60%，春季过渡期误差峰值达25%。持续干旱（>10日无降水）导致全技术误差上升15–20%，归因于积尘效应。
结论
半干旱环境下，晶体硅与a-Si呈现本质不同的退化模式：前者遵循阿伦尼乌斯动力学，后者受热退火竞争机制主导。LSTM凭借对非线性动态的捕捉能力成为最优预测工具，而SARIMA在相对误差评估中更具优势。研究提出的物理-数据融合框架，为光伏电站的智能运维与技术选型提供了理论依据。未来需整合多变量气象输入与物理约束，以提升模型在跨气候区的泛化能力。
