首先从SunPower的一项研究讲起。在2010年左右，SunPower开始测试使用减反射膜玻璃封装的组件，减反射膜的材料为多孔二氧化硅。通过普通的组件测试仪测量，在标准测试条件下（STC），减反射膜玻璃组件的发电功率比普通组件平均高出2.7%。但SunPower随后为进一步准确测定减反射膜玻璃组件的性能，与NREL合作进行了2年的实地测试，结果显示其发电量比普通组件高出3.5%到5%。大大高于组件测试仪给出的数值。
这一差异的原因后在后文中说明，但这个故事一方面说明了现有的组件测试方法的局限性，同时也是反映了新一代太阳能电池和组件的光学设计（比如先进的陷光结构或减反射膜玻璃等）中可能遇到的难题。即如果组件测试仪给出的结果并不能百分百反应实际使用情况，而在设计和优化过程中，又难以制造实际产品进行长时间的实地测试，那究竟该如何指导比如组件玻璃减反射膜的设计呢？我的答案是采用可靠的仿真工具，模拟太阳能电池和组件在系统中的工作情况，用其结果指导优化和设计。不过目前光伏行业常用的器件仿真工具往往针对太阳能电池，而系统方面的仿真工具又仅考虑简单的器件模型，使用现有的仿真工具很难解决上述的问题，目前业界需要的是一款能进行从电池，到组件，然后直到系统级的全等级仿真工具。
我的博士研究从先进陷光结构的仿真出发，提出了光学特性角度矩阵框架（Angular Matrix framework，AMF），解决了电池正反两面采用不同仿真算法的兼容性问题。之后我把这一框架进一步推广，利用这一框架，我们可以对太阳能组件的光学特性进行仿真，进而对仿真整个系统的光学特性。基于这一推广，首先我们可以更准确的计算一个太阳能系统的理论发电功率和发电量，从而为系统设计和监控提供更准确的指导。另一方面，我们可以以系统发电量为指标对电池和组件进行优化（System-Oriented Modellingand Optimisation,SOMO）。优化的指标不再是标准测试条件下的发电功率或AM1.5G，也不是使用灯泡的组件测试仪，而是真正针对系统所处环境的长时间的太阳光辐射。比如我们可以使用这一方法来计算，如果一个系统以某个角度安装在地球的某个角落，那么这个系统所使用的组件的最佳减反射膜厚度是多少。下面我就来给大家详细介绍一下这一基于AMF的系统发电量计算方法。
一、原理
首先简单回顾一下传统的光伏系统发电量预测算法。如图1所示，首先从组件的datasheet中得到组件的额定功率以及温度系数。其次收集一段时间的气象数据，从中提取太阳辐照量、气温和风速。通过水平表面的辐照度计算出组件倾斜面的辐照度；通过气温和风速计算组件温度。组件面辐照度与标准测试辐照度的比值Ip/1000作为计算直流功率的系数，之后在通过组件温度修正得到直流发功率，最后通过分析系统的拓扑结构、线损和各个设备的效率计算出最终的交流发电量。那这一方法潜藏着怎样的问题的，让我们来思考下面三个问题。
图1.传统系统发电量预测计算流程
【1】下面两个组件所受的太阳辐照度相同，但（a）的辐照垂直于组件，（b）太阳光斜入射组件，他们的发电功率相同吗？
图2.两种辐照度相同的情况，（a）垂直入射组件，（b）斜入射组件
答案当然是否定的，组件表面以及电池表面对不同角度的入射光反射和吸收都会不同，即使（a）与（b）太阳辐照度相同，透射进电池并被最终吸收的能量不同。由于系统发电量预测算法需要考虑太阳光辐照随时间的变化，在一天之中，除了辐照度幅值本身随时间变化，其对组件的入射角也会改变。一些现在人们常用的系统发电量预测算法都对这一误差进行了修正，在PVWatts中，对这一差异的修正称为AOIcorrection，在PVSyst中称作IncidenceAngleModifier。这一问题基于AMF的算法也从根本上进行了处理。
>
>
