污垢损失模型

本文档内容

我们将向您介绍 Solargis 污染模型，该模型对于估计光伏（PV）系统的污染损失至关重要，特别是在容易积灰的地区。虽然该模型输入的低空间分辨率和有限的验证数据可能会带来一些不确定性，但它为了解灰尘对太阳能组件的影响提供了宝贵的见解。这种理解增强了损失估计并支持有效的系统性能规划。

概述

光伏（PV）系统中的污垢是指灰尘、花粉、污染物和海盐等外部材料在太阳能组件表面的堆积。这种积累阻碍了太阳能传输到光伏电池，导致效率和功率输出下降，这种现象称为污染损失。

污染损失 给太阳能光伏项目带来了重大挑战，每年导致全球数十亿美元的经济损失，并增加规划和维护成本。准确模拟污垢对于分析预期能源产量、优化维护策略和预测运营太阳能发电厂的输出至关重要。

污染的复杂性源于随时间和空间变化的各种 相互依赖的因素 。主要影响包括颗粒物浓度、化学性质以及温度、湿度和风等大气条件。降雨既会通过湿沉积导致污染，也可以通过冲走颗粒来减轻污染;其有效性取决于数量和分布等因素。风可以增强颗粒与模块表面的相互作用，也可以使颗粒重悬，从而使为这些因素建立特定阈值变得复杂。因此，测量和建模污染损失给太阳能项目评估带来了很大的不确定性。

Solargis 土壤模型通过估计 土壤比（SR） 来量化土壤的影响，该比率与沉积颗粒的质量在经验上相关。光伏组件表面的这种累积质量是从为光伏电站量身定制的基于物理的先进模型中获得的。SR与输电损耗直接相关，输电损耗对光伏发电的总体影响称为 污染损耗（SL）。尽管输入数据存在不确定性，但该模型为估计全球性能损失提供了可靠的基础。它结合了气象数据（例如 PM2.5、PM10、降雨量、风速、温度）以及空气密度和模块有效倾斜度等变量来评估污染影响。清洁事件（无论是自然的（如雨水）还是手动的）都会重置积累过程。

对光伏系统中的污垢损失进行建模

光伏（PV）系统中的污垢损失是影响能源生产的关键因素，特别是在容易积灰的地区。本节概述了用于模拟污染损失的方法，深入了解影响污染率（SR）的计算和因素。

量化污染损失

污染损失通过污染比 （ $S R$ ）来量化，该比率将光伏组件在污染条件下的能量生产（ $E_{p v-s o i l e d}$ ）与清洁条件下的发电量（ $E_{p v-c l e a n ）进行比较）。}$ SR 的公式定义为 $S R = E_{p v-s o i l e d} / E_{p v-c l e a n}$ 。

SR 是一个无量纲值，范围从 0（完全污染）到 1（完全清洁面板）。SR与透射损失（ $T L$ ）之间的关系通常被认为是线性的： $T L = 1-S R$ ，通常以百分比表示为污染损失： $S L = 100 \cdot TL$

这种关系解释了光伏电池在通过组件的玻璃和封装剂后接收到的太阳能的减少。鉴于模型输入的不确定性可能超过SR和TL之间非线性的影响，该假设对于评估与污染相关的损失是实用的。

污渍模型

Solargis 土壤模型（图 1）基于 Coello and Boyle （C&B）的研究，由两个主要组成部分组成：

颗粒的积累
污率计算

颗粒的积累

污率计算

该模型计算沉积在光伏表面的悬浮颗粒的质量（ $m$ ），同时考虑了自然和预定的清洁事件。使用的公式为：

$m = \int_{}^{} （ v_{2.5} C_{2.5} + v_{10-2.5} C_{10-2.5} ） \cos (β) d t$

哪里：

$C$ 表示不同尺寸范围内颗粒的浓度，
$v$ 表示沉积速度，
$t$ 为累积时间，
$β$ 为模组倾角。

Solargis 通过使用先进的基于物理的公式动态估计沉积速度来增强该模型。

一旦确定了累积质量（ $m$ ），经验关系就会估计污染率：

$S R = 1-0.3437 e r f （ 0.17 m^{0.8473} ）$

注意：该模型的定义在大约 SR=0.66（或等效的 SL=34%）处表现出渐近行为。为了克服这一内在限制，我们实施了升级，使模型能够估计所有物理上合理的 SR 值，包括光伏电池板上极端累积质量的 SR 值。

图 1： Solargis 实现的土壤模型方案。沉积速度和自然清洁事件被强调为进行创新工作的方案的组成部分。

数据源和分辨率

气象参数

颗粒物

所需的气象参数，包括温度、大气压力、风速和降雨，可从 ERA5 和 ERA5-Land 获得。 ERA5 数据的空间分辨率在全球范围内约为 31 公里，而 ERA5-Land 以 9 公里的分辨率提供更精细的细节。

污染模型的两个关键输入参数——PM2.5 和 PM10 颗粒物浓度——是通过涉及多个来源的协调过程得出的。这些颗粒物数据符合 CAMS 再分析的空间和时间分辨率，分别约为 80 公里（0.75º x 0.75º 纬度-经度常规网格）和 3 小时。这种较粗的分辨率可能会限制光伏系统局部污染预测的精度。

影响污染的因素

有几个因素会影响颗粒沉积的有效性：

大气变量：风速、温度、相对湿度、降雨量和大气压力显着影响沉积速率。
光伏系统配置：组件、跟踪系统和所用材料的倾斜角度可以增强或减少颗粒积累。

干沉积工艺

干沉积分三个步骤进行：

空气动力学传输：颗粒从大气输送到面板表面的停滞空气层。
分子传输：颗粒穿过该层到达面板表面。
表面吸收：颗粒粘附在表面上。

清洁事件

清洁过程（包括自然（例如降雨）和手动清洁过程）会中断光伏电池板上的颗粒积累。在Solargis模型中，这些事件是独立处理的，并直接影响质量累积变量（图2）。清洁效率系数范围从 0（无效果）到 1（完全清洁），决定了清洁去除积聚污垢的效率。

图 2： 模型观察和估计的鞋底损失每日平均值的时间序列。还显示了每日累积降雨量值和手动清洁事件。

验证

Solargis 土壤损失模型已 通过全球 51 个地点的地面测量进行了验证，在量化不同气候和运营条件下与土壤相关的能量损失方面表现出可靠的性能。验证过程的详细信息，包括方法、数据源、统计结果和主要发现，在 Soiling loss model validation document中提供了。

Solargis 评估中的污垢损失

Solargis Evaluate平台完全集成了计算用于全面模拟光伏系统的特定场地污染损失估计所需的所有组件。主要组成部分是：

所有必要的天气和环境数据都包含在评估数据包中。
该 Energy system designer 提供了与污染损失模型（安装和倾斜，控制颗粒积累速度）相关的光伏系统的技术配置。
用户可以输入手动清洁事件来分析各种清洁策略，以最大限度地减少脏污损失。

可以从设计者的 Losses 部分运行模型。它使用具有每日粒度的完整时间序列数据进行作，并将结果汇总为 12 个长期月平均值（按 GTI 加权）。

结论

准确计算污染损失对于通过反映现实环境条件来提高光伏系统性能预测的可靠性至关重要。它可以实现更好的能源产量预测，有助于优化清洁计划，并最大限度地减少因能源产量减少而造成的经济损失。通过整合颗粒浓度、降雨量和风等区域因素，先进的土壤模型提供了全球适应性和一致的结果，从而提高了系统设计和运营效率。

本文档概述了 Solargis 土壤模型，重点介绍了基于 Coello 和 Boyle （2019）的工作估算土壤损失的创新配置。关键进步在于改进了计算沉积速度的参数化，以及针对特定光伏装置的调整和降雨清洁效率的校准。此外，原始模型的定义已得到增强，将其适用性扩展到其之前固有的污染损失值限制，最高可达约 34%，现在允许任何与科学参考出版物一致的物理合理值。

评估表明，与以前的模型相比，这种新方法增强了动态沉积速度计算。此外，它还提供了适应全球各地独特环境条件的灵活性。

虽然污染模型在估计能量损失方面取得了重大进步，但认识到其局限性也很重要。该模型采用了简化，可能无法完全捕捉当地污染源或颗粒的不同物理化学性质。此外，雨或风的部分清洁以及输入数据的空间分辨率等因素也产生了不确定性。由于污染是一种高度局部化和复杂的现象，因此需要进一步研究来提高模型在不同环境条件下的准确性和适应性。目前的工作重点是提高雨水和风的清洁效率，但该模型仍然没有考虑湿沉积机制或黑碳或硫酸盐等污染颗粒的具体影响，而黑碳或硫酸盐等污染颗粒比矿物粉尘更能有效地阻挡太阳辐照度。这些差距凸显了未来需要研究的领域，以增强模型在不同场景下的可靠性。

与其他软件的比较

在其他太阳能模拟软件中，污垢损失的计算方式类似：

软件	参数名称	笔记
Solargis 前景	污垢、灰尘和污垢	计为辐照度损失（GTI）。
Solargis 评估	污染损失	计为辐照度损失（GTI）。
光伏系统	污染损失系数	算作irradiance loss 。
SAM （NREL）	弄脏	适用于POA irradiance的光束和漫反射组件（第 33 页）。
太阳能农民（DNV）	弄脏	Irradiance reduction.

进一步阅读

Simple Model for Predicting Time Series Soiling of Photovoltaic Panels.M. Coello 和 L. Boyle。
Soiling Losses -Impact on the Performance of Photovoltaic Power Plants.C.席尔。
Fundamentals of soiling processes on photovoltaic modules.K. K. Ilse、B. W. Figgis、V. Naumann、C. Hagendorf 和 J. Bagdahn。
Soiling Model for PV Applications: Improved Parameterizations.V. Lara-Fanego、C. A. Gueymard 和 L. Micheli，2023 年 IEEE 第 50 届光伏专家会议（PVSC），美国圣胡安，PR，2023 年，第 1-3 页，doi：10.1109/PVSC48320.2023.10359694。
Soiling losses - From modelling to PV systems simulation.T. Cebecauer、V. L. Fanego、S. Stassel、M. Mihal、V. Sklencar、T. Sasko、L. Dvonc、B. Schnierer，第 19 届光伏性能建模研讨会，2025 年，美国阿尔伯克基。