数据时间分辨率对串联光伏器件能量产出建模的影响

《Solar RRL》：Impact of Data Temporal Resolution on the Energy Yield Modeling of Tandem Photovoltaic Devices

　　

基于全物理的等效电路模型能够高精度模拟串联光伏（PV）器件，但计算量巨大。本研究探讨了通过三种方法（均值、中位数和切片）对气象输入数据进行降采样，以降低模拟运行时间，并在两种不同气候条件（科罗拉多州和俄勒冈州）下评估其对串联器件能量产出建模的影响。这些方法既代表了测量后降采样（均值和中间值），也代表了现场测量频率的变化（切片）。研究表明，若重采样方法能够保持太阳总辐照量守恒，则器件模型评估次数可减少高达99%，同时年化能量产出估算误差保持在0.2%以内。相反，非保守的切片和中值方法由于固有的能量不守恒，会产生误差超过5%的不可靠结果。研究人员识别出导致建模误差的两个主要因素：能量守恒和PV非线性。尽管这些潜在误差机制与气候无关，但其对能量产出估算的最终影响在不同气象条件下存在差异。在高波动环境中，平滑效应抑制了子电池失配和非线性损耗，导致高估；而在低辐照条件下，效率损耗占主导地位，使误差偏向低估。本工作结果为高速串联建模提供了一个框架，可在计算效率与特定地点的精度之间取得平衡。

论文解读：数据时间分辨率对串联光伏器件能量产出建模的影响

一、研究背景与问题

串联光伏（PV）器件通过堆叠不同带隙的子电池，能够更充分地利用太阳光谱，从而提高效率。然而，准确建模串联器件的能量产出面临巨大挑战。全物理等效电路模型（如PVcircuit）能够精确描述子电池间的电学与光学耦合、电流匹配、光子循环和发光耦合等效应，但计算成本极高，使用分钟级数据进行全年模拟可能耗费数小时甚至数天。另一方面，单结模型虽然计算快速，但无法处理多结器件中复杂的电流匹配和非线性行为。

降低模拟成本的一种直接方法是降低输入气象数据的时间分辨率。实际中，公开数据集如国家太阳辐射数据库和典型气象年（TMY）数据集通常提供小时级分辨率，而现场测量分辨率从秒级到小时级不等。因此，无论模拟速度如何，建模者在使用这些数据时实际上都隐式地进行了重采样。然而，降低分辨率会引入误差，特别是对于对光谱变化和电流匹配极为敏感的串联器件。已有研究多关注单结器件，发现采用小时平均数据在辐照多变的日子里日能量预测误差可达2%。针对串联器件的研究仅采用单一切片方法，未考虑能量守恒，且仅测试了单一地点。因此，系统评估不同重采样方法在不同气候条件下对串联器件能量产出建模的影响，具有重要的理论和实践意义。

二、研究目标与方法概述

该研究针对一种两端（2T）InGaP/GaAs串联器件（由Perl等人制备）进行能量产出建模。气象数据来源于2022年全年两个地点：科罗拉多州戈尔登的国家可再生能源实验室太阳辐射研究实验室，以及俄勒冈州尤金的俄勒冈大学太阳辐射监测实验室，数据分辨率为1分钟。研究采用PVcircuit全物理双结等效电路模型计算能量产出。三种重采样方法被评估：均值（对区间内所有点取算术平均，保持总辐照量守恒）、中位数（对每个气象变量和光谱通道在区间内取统计中位数）和切片（直接提取区间内第一个观测值，忽略其余点）。研究将原始1分钟数据分别重采样至5、15、30、60、120和180分钟分辨率，以1分钟结果为基准计算能量产出的百分比差异，并分析各方法的误差来源、季节变化和气候差异。

三、主要研究结果

3.1 对数据分布的影响

以戈尔登为例，原始1分钟数据中，平面阵列辐照度呈双峰（U形）分布，反映晴空和低照度两种主导状态。均值和中位数重采样将分布变为单峰，加权平均辐照度基本不变（534和537 W/m2），但标准差降低，分别降至294和323 W/m2。切片则保留双峰结构，但尾部增加、中央凹陷减少，平均辐照度下降6%至505 W/m2，标准差变化很小（从347略升至358 W/m2）。对于平均光子能量（APE），均值重采样使分布标准差降低18%、偏度增加6%，切片使标准差增加16%、偏度降低25%，中位数变化较小。温度分布对重采样不敏感，仅切片时偏度从?0.37升至?0.26，表明极端低温数据丢失。

3.2 对能量产出建模的影响

在180分钟分辨率下，均值方法的最大月能量产出偏差（ΔE）绝对值仅为0.53%，月偏差标准差为0.12%，年偏差小于0.1%，表现最稳定。切片方法误差最大，月偏差超过14%，标准差达2.70%，且随分辨率变粗呈非线性增长，总体呈系统性低估趋势。中位数方法介于两者之间，月偏差通常围绕零轴对称，最大月偏差为3.81%，但月际变化可达5%，表现出强季节性。

3.3 能量守恒的作用

均值方法由于在每个区间内保持总太阳辐照量守恒，因此误差仅来自PV对辐照响应的非线性。切片方法非保守，用单点能量代表整个区间，会随机高估或低估总辐照量，因此误差大且不可靠。中位数方法因气象变量分布近似对称，其中位值接近于均值，但严格数学上不守恒，故误差介于两者之间。

3.4 PV非线性与季节差异

PV最大功率输出与辐照度呈S形非线性关系：中低辐照度下为凸函数（因为开路电压随辐照对数增长），高辐照度下为凹函数（因辐照致自热降低电压，串联电阻也有贡献）。在凹区，高辐照峰值的功率增益低于等量低辐照谷值的功率损失，因此用平均值代替波动信号会高估功率输出。在戈尔登，夏季云层导致高频辐照波动，且高温使器件常处于凹区，平滑效应导致明显的能量产出高估；冬季则相反，器件处于凸区，平滑导致低估。在尤金（气候更湿润、辐照更稳定），由于更多低辐照时段，器件更常处于凸区，因此整体误差偏向低估，年偏差在大部分月份低于0%。

3.5 光谱失配的隐藏效应

光谱失配方面，均值重采样使APE分布变窄，标准差降低，掩盖了强蓝移或红移导致的严重光谱失配时段。研究人员通过光谱匹配比（SMR）分析发现，降低分辨率后SMR月度值整体更接近1（即电流匹配状态），这说明低分辨率数据低估了子电池电流失配损耗，从而进一步导致能量产出高估。

3.6 计算效率提升

与1分钟数据相比，5、15、30、60、180分钟分辨率分别使模型评估次数减少约80%、93%、97%、98%和99%。PVcircuit在每个时间点独立求解，因此计算工作量近似按比例减少。

四、讨论与结论

该研究证实，只要重采样方法保持能量守恒，即使将分辨率从1分钟降低至180分钟，年能量产出误差仍可控制在0.1%以内。而能量非守恒方法（如切片）在串联器件中可产生高达14%的月误差，与先前报道的10%量级一致，但通过采用守恒方法可将误差降低一个数量级。研究还指出，与基于APE分箱的光谱降维方法相比，时间平均的残余误差（约0.5%）源于非线性效应的线性平滑。

实际应用中，为保持月能量产出精度在2%以内，研究人员建议在戈尔登至少采用15分钟测量间隔，在尤金需采用5分钟间隔。研究结果对使用公开数据（如TMY）进行串联建模的输入数据要求提供了量化指导，也为串联光伏现场监测的采样频率和存储成本设计提供了科学依据。最终结论强调：能量守恒是重采样方法选择的首要原则，而残余误差由PV响应非线性和光谱失配损耗低估所致，这些误差的方向和量级取决于当地气候特征，表现为夏季高估、冬季低估的普遍趋势。该工作为高速串联建模提供了兼顾计算效率与地点精度的框架。