基于性能比的综合能源系统光伏技术长期性能退化分析与预测研究

《Energies》：Gradient Revision Method for Demand Response Stimulus Parameters of the Integrated Energy System Kaiyu Zhou, Lirong Xie and Yifan Bian

　　

本研究利用2015年至2021年在一个半干旱气候条件下收集的七年数据集，研究了三种硅基光伏技术——多晶硅（pc-Si）、单晶硅（mc-Si）和非晶硅（a-Si）的长期性能退化与预测。研究人员通过季节性-趋势分解和Arrhenius分析量化了退化率，揭示了不同的退化机制：pc-Si的年退化率最低（0.36%/年），其次是a-Si（0.57%/年），而mc-Si的退化率最高（0.77%/年），其中a-Si表现出显著的热退火效应，部分抵消了其退化。为了预测性能比（Performance Ratio, PR），研究人员比较了四种模型，其中长短期记忆网络（Long Short-Term Memory, LSTM）通过捕捉非线性时间依赖性实现了最高精度，而季节性自回归综合移动平均模型（Seasonal Autoregressive Integrated Moving Average, SARIMA）则以其较低的复杂性提供了稳健且可解释的结果。除了预测性能外，该研究还建立了模型行为与底层物理过程（如退化和退火）之间的联系，并分析了预测不确定性与温度变化和灰尘积累的关系。这些发现凸显了准确性、可解释性和部署可行性之间的权衡，为单一变量、半干旱条件下的光伏性能预测提供了一个框架，未来的研究工作将针对更广泛的技术和气候条件下的多变量、基于物理信息的方法。

近年来，随着光伏（Photovoltaic, PV）系统的快速扩张，太阳能已成为最具竞争力和可持续性的发电解决方案之一。硅基技术的进步，包括单晶硅（mc-Si）、多晶硅（pc-Si）和非晶硅（a-Si），显著提高了转换效率和系统可靠性。然而，光伏系统的实际现场性能仍强烈受到温度、辐照度变化、湿度和灰尘积累等环境条件的影响，导致其随时间产生复杂的退化行为。为了评估真实运行条件下的光伏系统性能，性能比（PR）被广泛采用为一种标准化且与技术无关的指标。与实验室效率指标不同，PR反映了所有系统损耗的综合影响，包括热效应、污垢、线路损耗和逆变器性能。因此，理解PR的长期演变对于评估光伏系统在真实运行条件下的退化行为至关重要。长期暴露于环境应力源会导致逐渐的性能退化，其程度因光伏技术而异。尽管退化分析提供了有价值的见解，但准确的预测对于运行规划、维护优化和可靠的电网集成至关重要。在此背景下，基于统计方法、物理模型和机器学习技术的预测方法已被广泛应用。

尽管取得了这些进展，但仍存在一些挑战。许多研究依赖于短期数据集，或者对模型行为提供的物理解释有限。此外，纯粹的数据驱动方法通常与底层退化机制缺乏明确的联系，这限制了其可解释性和实际应用性。并且，模型准确性、计算复杂性和部署可行性之间的权衡并未得到充分解决。因此，本研究旨在基于在摩洛哥半干旱气候条件下收集的独特七年数据集，对三种不同类型光伏系统（mc-Si、 pc-Si 和 a-Si）的长期性能退化和预测进行全面分析。与研究人员先前在相同实验平台上进行的、主要关注退化机制和PR长期下降的研究不同，本研究引入了一个结构化的比较预测框架。本研究的新颖之处在于比较了经典统计模型（SARIMA、 Prophet）与深度学习方法（多层感知机Multi-Layer Perceptron, MLP； LSTM）对在相同气候条件下运行的三种硅基技术的性能比进行长期预测的能力，从而系统地评估了预测能力、模型可解释性以及退化与季节性相互作用的建模。

本研究采用的关键技术方法主要包括：1）使用性能比（PR）作为核心指标来评估三种光伏技术（pc-Si, mc-Si, a-Si）在相同环境下的长期性能退化，并采用季节性-趋势分解（Seasonal-Trend decomposition using Loess, STL）和Arrhenius分析来量化退化率与机制；2）构建并比较了四种预测模型，包括经典统计模型SARIMA和Facebook Prophet，以及深度学习模型MLP和LSTM，以预测单变量PR时间序列的长期演化；3）对模型预测性能进行了多维度评估（使用均方根误差Root Mean Square Error, RMSE； 平均绝对误差Mean Absolute Error, MAE； 平均绝对百分比误差Mean Absolute Percentage Error, MAPE等指标），并分析了模型行为与底层物理过程（如退化、退火、温度变化、灰尘积累）的关联。研究数据来源于安装在摩洛哥贝尼梅拉拉苏丹·穆莱·斯利曼大学科学与技术学院屋顶的三个并网光伏子系统，涵盖2015年至2021年的监测数据。

研究结果部分：首先，通过时间序列分解与退火量化分析发现，三种光伏技术的PR均表现出明显的季节性波动，其中a-Si的季节性波动最大，并在炎热月份表现出部分性能恢复，这被证实是其特有的热退火效应所致。利用STL分解和线性回归分析得到的长期结构性退化率显示，pc-Si的年退化率最低（0.36%/年），a-Si居中（0.57%/年），mc-Si最高（0.77%/年）。其次，温度加速退化分析通过Arrhenius模型揭示，pc-Si和mc-Si的退化过程符合热激活机制，其活化能（Activation Energy, E_a）分别为0.35 eV和0.52 eV，而a-Si由于退火效应的竞争作用，表现出非Arrhenius行为。接着，在性能预测结果方面，SARIMA模型通过自回归和移动平均捕捉了PR序列的线性依赖关系；Prophet模型成功分解出趋势和季节性成分，但其对非线性动态的捕捉能力有限；MLP模型通过多层神经网络结构学习了序列中的非线性模式；LSTM模型则因其门控机制，在捕捉长期依赖性和季节性模式（尤其是a-Si的夏季恢复）方面表现最优。在模型性能比较中，LSTM模型在大多数情况下达到了最低的RMSE和MAE，显示出优越的绝对预测精度；SARIMA模型则表现出较低的MAPE和较高的可解释性与计算效率。最后，对模型行为的物理诠释表明，SARIMA的自回归系数反映了不同技术的“记忆”特性，LSTM的注意力权重揭示了其对关键季节窗口（如a-Si的夏季）的关注，而Prophet提取的趋势项则直观展示了退化与退火的净效应。预测不确定性分析指出，快速的温度变化、季节转换期以及潜在的灰尘积累是导致预测误差增加的主要物理驱动因素，特别是对a-Si技术。

讨论与结论部分：本研究证实了在半干旱气候下，三种硅基光伏技术经历了不同机制的性能退化，其中多晶硅（pc-Si）表现出最佳的长期稳定性，而非晶硅（a-Si）则受到退化与退火效应的共同影响。比较预测框架表明，没有单一模型在所有指标和所有技术上都绝对占优；深度学习模型（特别是LSTM）在绝对误差方面表现突出，而统计模型（如SARIMA）则在可解释性和相对误差稳定性方面具有优势。重要的是，本研究超越了传统的准确性评估，建立了模型行为与物理过程之间的联系，证明了预测模型能够为理解退化和退火机制提供有意义的见解。研究局限包括使用单变量PR数据限制了对环境驱动因素的显式表示，以及数据集规模对于深度学习应用仍显中等。未来研究应聚焦于开发多变量和基于物理信息的混合建模框架，整合灰尘、湿度等环境变量，并将该框架扩展至新兴光伏技术和不同气候区域，同时纳入技术经济分析以增强其实用性。总体而言，这项工作为光伏性能预测提供了一个稳健且可解释的框架，有助于在实际条件下改善系统管理、维护规划和技术选型。