本文首發(fā)自 HyperAI超神經(jīng)微信公眾號~

內(nèi)容一覽：光伏系統(tǒng)是一種利用太陽能發(fā)電的可再生能源解決方案，具有減少溫室氣體排放、分散式發(fā)電、經(jīng)濟(jì)效益等優(yōu)勢，對于推動可持續(xù)能源發(fā)展和應(yīng)對環(huán)境挑戰(zhàn)具有重要作用。然而，許多具有最高太陽輻射的地點也存在地面干燥、多塵的缺點，這可能會影響光伏系統(tǒng)的性能。近期，塞浦路斯研究人員用了 6 種不同的模型評估污染損失，應(yīng)對這一挑戰(zhàn)。

關(guān)鍵詞：光伏產(chǎn)業(yè)? ?CatBoost 模型? ?新能源

作者｜小小

編輯｜緩緩、三羊

光伏 (Photovoltaic, PV) 能源，作為減少化石燃料使用和人類活動碳足跡的關(guān)鍵技術(shù)，在全球能源結(jié)構(gòu)中發(fā)揮著重要作用。國際能源署 (IEA) 近期報告稱，就建設(shè)和運營成本而言，太陽能光伏發(fā)電廠比燃煤或燃?xì)獍l(fā)電廠更低。自 2009 年以來，光伏發(fā)電裝機(jī)成本在 2021 年下降了約 90%，大約為每兆瓦時 36 美元，這顯示光伏是能源行業(yè)脫碳的先進(jìn)可再生能源技術(shù)。此背景下，減少系統(tǒng)損耗，確保光伏系統(tǒng)最佳發(fā)電狀態(tài)以及保持高水平的性能至關(guān)重要。

為實現(xiàn)這一目標(biāo)，研究人員廣泛評估、了解了各種損耗因素，他們發(fā)現(xiàn)，污垢是影響光伏系統(tǒng)性能的關(guān)鍵損耗因素，特別是在干旱和干燥氣候地區(qū)。污垢是指沉積在光伏組件表面的灰塵、樹葉、鳥糞、花粉、雪或其他有機(jī)/無機(jī)污染物。這些污垢的積累，使得集熱器接收到的太陽輻射減少，從而導(dǎo)致功率損失，即污染損失 (soiling loss)。

最近的一項研究估計，污染造成的輸出損失使 2018 年全球光伏發(fā)電量減少了約 3%-4%，年收入損失高達(dá)?30-50 億歐元。因此，對于早期光伏電站能源開發(fā)而言，預(yù)測并減少污染損失非常必要且具有挑戰(zhàn)性。

近期，來自塞浦路斯大學(xué) (University of Cyprus) 的 Javier Lopez-Lorente 等研究人員用 3 種物理模型和 3 種機(jī)器學(xué)習(xí)模型，預(yù)測干旱氣候下光伏板表面的污垢和其他物質(zhì)的累積等造成的污染損失，結(jié)果顯示物理模型預(yù)測性能最好，但基于衛(wèi)星數(shù)據(jù)支持的機(jī)器學(xué)習(xí)模型潛力巨大。目前該研究已發(fā)布在《Solar Energy》期刊上，標(biāo)題為「Characterizing soiling losses for photovoltaic systems in dry climates: A case study in Cyprus 」。

論文地址：

https://www.sciencedirect.com/science/article/pii/S0038092X23001883#s0040

實驗概述

本實驗設(shè)置在歐洲太陽能資源最為豐富的國家之一塞浦路斯，該地輻射水平較高，擁有巨大的光伏發(fā)電潛力。然而，過去幾十年里，來自撒哈拉和沙特阿拉伯沙漠的沙塵增加，導(dǎo)致光伏電站的污染損失加劇，特別是在氣候干燥、降雨量低、氣溫高于沿海地區(qū)的島嶼中心地區(qū)。

研究人員將實驗設(shè)立在塞浦路斯大學(xué)的光伏技術(shù)實驗室 (位于尼科西亞)，并在戶外測試設(shè)施 (OTF) 上安裝了一個污染測試臺實驗裝置，以模擬在干旱氣候地區(qū)安裝的光伏系統(tǒng)戶外環(huán)境。本研究中，根據(jù) K?ppen-Geiger 氣候分類系統(tǒng)，實驗地干旱和干燥氣候確定為 B 類氣候亞型。

污染評估測試臺裝置的 3 種光伏模塊如下圖所示：

a：實驗裝置前視圖

b：實驗裝置后視圖

為了評估污染損失，實驗裝置采用了不同的清潔方法和頻率。圖 2a 右側(cè)模塊為清潔模塊 (Clean Module)，每天用位于模塊頂部的定時觸發(fā)噴水系統(tǒng)進(jìn)行清潔，去除表面污垢；中間模塊為手動清潔模塊，按季節(jié) (定期) 進(jìn)行手動清潔；左側(cè)模塊為臟模塊 (Dirty Module)，除了自然降雨之外，沒有采用其他清潔方法。

研究人員通過比較并排放置的清潔模塊和臟模塊，計算測試對應(yīng)的污染損失。他們評估了 6 種不同的模型預(yù)測污染損失的準(zhǔn)確性。整個實驗過程如下圖所示：

i?實驗數(shù)據(jù)來源

ii?污染損失估計

iii?對用于評估污染損失的 6 種模型進(jìn)行建模

iv?通過預(yù)定義的性能指標(biāo)評估結(jié)果

實驗過程

數(shù)據(jù)集?

本實驗數(shù)據(jù)集來自塞浦路斯大學(xué)尼科西亞校區(qū)污染測試臺的實測數(shù)據(jù)及其他來源的數(shù)據(jù)，其中，其他來源數(shù)據(jù)指衛(wèi)星觀測的氣象數(shù)據(jù)和空氣質(zhì)量數(shù)據(jù)。

具體來說，氣象數(shù)據(jù)來自于美國航空航天局 (NASA) 全球建模和同化辦公室 (GMAO) (2015) 現(xiàn)代研究與應(yīng)用回顧分析第 2 版 (MERRA-2) 再分析數(shù)據(jù)。而空氣質(zhì)量數(shù)據(jù)則來自哥白尼大氣監(jiān)測服務(wù) (CAMS) 的氣溶膠光學(xué)厚度 (AOD) 數(shù)據(jù)。

模型開發(fā)?

本項研究中，研究人員共評估了 6 種模型，包括 3 種物理模型和 3 種機(jī)器學(xué)習(xí)模型。

3 種物理模型分別為 Kimber、You 和 Coello 模型。Kimber 模型也被稱為固定降水率模型 (fixed rate precipitation model)，其是基于經(jīng)驗得出的模型，固定輸入?yún)?shù)如下：

You 模型基于塵埃顆粒累積，其將污染損失等效于塵埃沉積密度函數(shù)，計算公式如下：

Coello 模型也被稱為 HSU 模型，其基于氣象和空氣質(zhì)量數(shù)據(jù)輸入，根據(jù)每個時間段污染物積累，估算每天的污染物積累量，計算公式如下：

3 種機(jī)器學(xué)習(xí)模型分別是?XGBoost、LightGBM、CatBoost 模型，都屬于梯度提升機(jī) (GBM) 模型范疇。XGBoost 模型實現(xiàn)了在函數(shù)空間中進(jìn)行漸進(jìn)優(yōu)化的梯度提升，此外，它還融入了正則化模型以防止過擬合，并且能夠處理稀疏模式 (sparsity patterns) 和列采樣 (column sampling)。

LightGBM 模型包括兩種算法（基于梯度的單邊采樣和獨占特征綁定），利用樣本的信息增益 (information gain of the samples) 和貪婪算法 (greedy algorithm) 減少特征的數(shù)量，從而加快模型訓(xùn)練。

研究人員通過以下指標(biāo)評估 6 種模型的性能：平均偏差誤差 (MDE)、歸一化的平均偏差誤差 (NMDE)、平均絕對誤差 (MAE)、平均絕對百分比誤差 (MAPE)、均方根誤差 (RMSE)、歸一化的均方根誤差 (NRMSE)、判定系數(shù) (R2)。

其中，MDE 用于表示高估或低估的平均系統(tǒng)誤差；MAE 用于表示誤差的大??；RMSE 用于測量偏差的離散度，計算公式如下：

實驗結(jié)果?

研究人員對污染預(yù)測模型進(jìn)行了兩年的測試和評估，最終他們得到了每日污染損失 (Daily Soiling Losses, DSL) 和污染損失指數(shù) (Soiling Losses Index, SLI) 2 個指標(biāo)，DSL 表示光伏系統(tǒng)因污染導(dǎo)致的損失量，而 SLI 則表示污染程度。如圖 8 所示。2 年評估期內(nèi)， DSL 范圍為 0.01% 至 9.91%，平均值為 1.9%（標(biāo)準(zhǔn)差 σ = 1.65%），而月均 SLI 則為 2.4% (σ = 1.19%)，其中 1 月份為 0.3%，8 月份為 4.34%。

a：DSL 直方圖和累積分布函數(shù) (cumulative distribution function, CDF)

b：月均 SLI

6 種污染預(yù)測模型 (3 種機(jī)器學(xué)習(xí)模型和 3 種物理模型) 污染預(yù)測結(jié)果如圖 9 所示。圖中顯示，基于現(xiàn)場實測數(shù)據(jù)比基于衛(wèi)星天氣數(shù)據(jù)預(yù)測的 DSL 更準(zhǔn)確，且據(jù)研究人員稱，前者也與實驗記錄的污染情況更相符。

a：用現(xiàn)場實測數(shù)據(jù)訓(xùn)練的機(jī)器學(xué)習(xí)模型

b：用衛(wèi)星天氣數(shù)據(jù)訓(xùn)練的機(jī)器學(xué)習(xí)模型

c：用現(xiàn)場實測數(shù)據(jù)訓(xùn)練的物理模型

表 1 列出了用不同天氣數(shù)據(jù)集訓(xùn)練 6 種模型 DSL 預(yù)測結(jié)果，圖中顯示：

1. 現(xiàn)場實測數(shù)據(jù)訓(xùn)練的機(jī)器學(xué)習(xí)模型中，CatBoost 模型準(zhǔn)確率最高，而 XGBoost 模型預(yù)測污染損失方向（即預(yù)測清潔度、氣候變化等方面的能力）上誤差最小。

2. 衛(wèi)星天氣數(shù)據(jù)訓(xùn)練的機(jī)器學(xué)習(xí)模型中，CatBoost 模型準(zhǔn)確率最高，其次是 LightGBM 模型。

3. 現(xiàn)場數(shù)據(jù)訓(xùn)練的物理模型中，Coello 模型準(zhǔn)確率最高，Kimber 模型排名第二，You 模型則排名第三。

此外，研究人員還探究了一年中各時間段污染損失情況。表 2 列出了 6 種模型月均污染損失模型結(jié)果。總體來看，與表 1 每日結(jié)果相比：

1. 現(xiàn)場實測的數(shù)據(jù)訓(xùn)練的模型中，Kimber 模型整體性能最佳。

2. 衛(wèi)星天氣數(shù)據(jù)訓(xùn)練的模型中，CatBoost 模型整體性能最佳。

綜上，研究人員得出以下結(jié)論：

1. 用現(xiàn)場實測數(shù)據(jù)訓(xùn)練的模型表現(xiàn)最好。

2. 物理和機(jī)器學(xué)習(xí)模型中，DSL 預(yù)測上表現(xiàn)最好的是 Coello 物理模型，其次是現(xiàn)場實測數(shù)據(jù)訓(xùn)練的 CatBoost 機(jī)器學(xué)習(xí)模型和 Kimber 物理模型。

3. 月均 SLI 預(yù)測上，表現(xiàn)最好的是現(xiàn)場實測數(shù)據(jù)訓(xùn)練的 Kimber 物理模型，其次是 Coello 物理模型和 LightGBM 機(jī)器學(xué)習(xí)模型。

總之，所有模型中，利用現(xiàn)場實測數(shù)據(jù)訓(xùn)練的物理模型的性能略高于機(jī)器學(xué)習(xí)模型，但研究人員也提出結(jié)合數(shù)據(jù)集來源，用衛(wèi)星天氣數(shù)據(jù)訓(xùn)練的機(jī)器學(xué)習(xí)模型有更大的潛力，具體分析如下：

1. 使用衛(wèi)星天氣數(shù)據(jù)存在一定限制，如該數(shù)據(jù)可能由于時間、空間分辨率的問題，會忽略同一區(qū)域的局部天氣變化，因此，用衛(wèi)星數(shù)據(jù)更適合用來訓(xùn)練機(jī)器學(xué)習(xí)模型。

2. 現(xiàn)場實測數(shù)據(jù)數(shù)量同樣存在一定的限制，如數(shù)量有限、收集范圍小、沒有考慮季節(jié)性變化，以及可能會忽略灰塵再懸浮情況。

?新能源稱王，光伏產(chǎn)業(yè)迎機(jī)遇?

為降低對傳統(tǒng)能源的依賴，各國對新能源的需求與日俱增，光伏市場具有巨大的發(fā)展?jié)摿?。各國紛紛出臺光伏產(chǎn)業(yè)扶持政策以調(diào)高光伏發(fā)電裝機(jī)容量目標(biāo)，光伏產(chǎn)業(yè)進(jìn)入快車道。

在 2022 年 4 月，英國政府官網(wǎng)更新的《英國能源安全戰(zhàn)略》顯示：預(yù)計到 2035 年，英國的光伏發(fā)電裝機(jī)容量將增加 5 倍，增至 70 GW。在 2022 年 7 月，德國通過的《可再生能源法》(EEG2023) 修正案顯示：2030 年光伏發(fā)電裝機(jī)容量將從 2022 年的約 60 GW增至 215 GW。而根據(jù)中國光伏行業(yè)協(xié)會 (CPIA) 的數(shù)據(jù)，2021 年我國的光伏新增裝機(jī)量為 54.88 GW，預(yù)計 2023 年將達(dá)到 81.6 GW。

從全球范圍內(nèi)看，國際可再生能源機(jī)構(gòu) (IRENA) 在 2022 年 3 月發(fā)布的 2021 年全球光伏報告顯示：2021 年全球新增光伏裝機(jī) 175 GW+，同比增長率為 20.7%。截止 2021 年，而在全球升溫控制在 1.5℃ 以內(nèi)的情景下，2030 年全球光伏發(fā)電累計裝機(jī)容量將接近 5221 GW，2050 年將超過 14,000 GW。

種種數(shù)據(jù)表明，光伏產(chǎn)業(yè)前景大好，或?qū)⑹且幌聜€黃金賽道。

參考文章：

[1]https://www.sciencedirect.com/topics/engineering/international-energy-agency

[2]https://www.sciencedirect.com/science/article/pii/S0038092X23001883#b0165

[3]https://www.pv-magazine.com/2023/07/19/machine-learning-keeps-solar-one-step-ahead-of-soiling/

[4]https://www.sciencedirect.com/science/article/pii/S0038092X23001883#b0250

[5]https://m.sohu.com/a/632149858_121319519?