核心观点
- 性能损失率（PLR）是评估光伏系统性能的重要指标，它反映了光伏系统功率输出随时间的下降速度，包括不可逆的组件退化以及因运维不当导致的性能下降事件。
- IEA PVPS 任务 13旨在通过国际合作，提升光伏系统运行、可靠性和组件质量，并评估不同气候区光伏系统的 PLR。
- PLR 计算框架包括四个步骤：数据清洗和过滤、性能指标选择、时间序列特征校正以及统计建模方法应用。
- 数据质量对 PLR 计算结果有显著影响，需要进行探索性数据分析（EDA）来评估和量化数据集的质量，并根据情况选择合适的数据插补、过滤和校正方法。
- 不同的 PLR 计算方法之间存在差异，没有一种方法被证明是绝对更优越的。选择合适的方法需要考虑数据质量、缺失数据率、过滤程度、性能指标和统计方法等因素。
- 性能指标的选择（如功率或性能比）对 PLR 结果的影响不大，两者可以提供可比的结果。
- PLR 的不确定性由数据质量决定，当比较不同类型 PLR 计算结果时，应使用 95% 置信区间进行标准化。
- 在缺乏本地气象数据的情况下，可以使用基于卫星的气象数据。
- 高阶时间序列数据（如 I-V、Pmpp）为光伏系统性能和退化分析提供了新的机会，但需要仔细的数据过滤才能获得可靠的分析结果。
- PLR 在光伏系统长期发电量评估中发挥着重要作用，但需要考虑其不确定性，并进行适当的标准化处理。
关键数据
- 本研究评估了 19 个高质量研究光伏系统和 4 个模拟光伏系统的 PLR，并使用了多种可用的 PLR 计算方法。
- 研究结果表明，单晶硅系统退化速度最慢，而薄膜系统退化速度最快。
- 大多数 PLR 计算方法在高质量数据集上表现出了相对较低的不确定性。
研究结论
- 目前还没有一种标准化的 PLR 计算方法，但可以通过综合多种方法来获得更准确和可靠的 PLR 估计值。
- 数据质量检查和仔细的过滤方法是计算 PLR 的关键步骤。
- 探索性数据分析（EDA）对于评估数据集质量和识别潜在偏差至关重要。
- 温度校正可以提高 PLR 计算结果的准确性。
- PLR 不确定性的适当报告可以帮助更全面地了解系统的性能。
