机器翻译，未经校对人员审核，可能存在错误。
作者： | 在加拿大蒙特利尔举办的IEEE PVSC 2025上发表 |
13.6.2025 |
概述
准确了解光伏（PV）系统安装参数对于最佳系统运行、维护、性能评估和可靠功率预测至关重要。然而，在实际操作中，配置数据往往不完整、不准确或过时。本研究介绍了Solargis开发的一种自动系统，用于利用测量的光伏发电和位置数据的时间序列，检测光伏装置的基本安装参数。
所提系统结合了数据质量控制、机器学习分类器和仿真驱动优化方法。其目标是确定关键的安装配置参数——包括阵列类型（固定或跟踪）、方位角、倾斜、安装容量、相对行距和旋转跟踪限制——仅基于能量输出记录和地理坐标。这种自动检测提升了在缺乏真实元数据或不可靠的情况下，预测、监控和资产管理的可靠性。
检测系统的关键要素
输入数据
光伏良率时间序列（生产测量）
遗址地理坐标
检测到配置参数
安装几何类型（固定倾斜、单轴或双轴跟踪）
方位角
倾斜角
装机容量
相对行/列间距（地面覆盖比反比）
跟踪器旋转限制
方法与方法论
数据质量控制流水线
检测过程始于自动质量评估和输入时间序列的过滤。这包括：
去除缺失、重复和超出界限的值
时间参考和数据解析的一致性检查
排除受硬件、通信或环境异常影响的时段
过滤晴空和高海拔条件以确保推断有效（阈值：Kt > 0.6，太阳海拔>5°）
安装类型识别
安装系统的分类（固定、单轴跟踪器、双轴跟踪器）由一组机器学习模型（随机森林、梯度增强）处理，这些模型基于来自1400多个光伏站点和合成样品的生产数据进行训练。模型特征包括发电统计数据以及与建模太阳能参数的关系。只要数据质量足够，分类准确率（F1分数接近1.0）即可实现。
参数推断与优化
确定安装类型后，太阳能资源模型和光伏模拟引擎生成多种可能配置的模拟屈服序列。最佳拟合配置是通过在参数搜索空间的模拟级数和测量级数之间最小化自定义误差度量（ESIGN，一种专注于惩罚过度表现的加权RMSE变体）来找到。该方法系统地找到最合理的有效配置。
评估与结果
该系统通过86个已知元数据（倾斜、方位、容量）的运行PV站点进行了验证。预测参数与真实参数之间的典型偏差均在可接受范围内，但因地理区域和数据分辨率而异。在一项投资组合预测案例研究中，还展示了额外的益处：对于24个中欧站点，利用估计的配置参数提升了24个案例中的23个产量预测准确性。改善幅度各异，但在某些情况下显著，尤其是元数据不准确时。
局限性
最佳结果需要至少一年的亚小时颗粒产出数据（优先15分钟）
相对间距和追踪器限制的推断较不稳健，且依赖于数据质量
无法处理基于区间（时变）的配置;如果系统特性在系列中期发生变化，建议对数据进行分段
检测到的配置在模拟模型中代表了“有效”的最佳拟合，而模拟模型可能与真实的现场硬件配置不同，尤其是在复杂或混合站点中
相关性与应用
能够访问准确的光伏配置数据，为电网运营商、资产管理者和服务提供商提供了更好的监测和预测能力。该系统促进了光伏资产元数据的对账和持续验证，减少了因输入参数配置错误导致的预测错误，并实现持续记录改进的反馈循环。
Solargis 在预报增强过程中将这种方法纳入 预报服务 。
延伸阅读
“光伏安装配置自动检测系统” ，作者：Oliver Osvald、Tomáš Hruška、Artur Skoczek、Tomáš Cebecauer、Markéta Hulík Jansová