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。
【2】下面两个组件所受的太阳辐照度相同，但(a)的辐照斜入射组件但角度一致，(b)太阳光斜入射组件，在某一方向辐照集中，但其余角度也有少量的太阳辐照。两种情况组件发电功率一样吗?
图3.两种辐照度相同的情况，(a)仅直射，(b)直射加散射
(b)中的情况其实更接近真实情况，即太阳光的能量集中在某个角度(太阳辐照的直射分量)，但由于大气、云或者周围环境的散射，太阳辐照还有一部分散射到各个角度(散射分量)。正式这些散射光让我们在白天也可以看到处在太阳阴影处的物体。由于(1)中说明的问题，入射角不同，组件的吸收不同，因此本问中(a)与(b)的发电功率也不相同，不过传统的组件功率算法往往很难解决这一问题，基于AMF的方法则可以解决。
【3】下面两个组件所受的太阳辐照度相同，但(a)与(b)中太阳辐照在不同波长的能量分布不同。两种情况组件发电功率一样吗?
图4.两种辐照度相同的情况，但光谱不同
我们一般在优化太阳能电池设计的时候使用太阳光谱AM1.5G，这其实是太阳高度角48.2度时对应的太阳辐射光谱。同一地点，太阳光谱一天之中随太阳高度角变化，一年之中随季节变化，阴天晴天，甚至PM2.5的浓度都会对地面太阳光谱产生影响。而地球上不同纬度地区对应的平均太阳光谱也是有有所不同。对太阳能电池来说，大家熟知量子效率QE这一概念，太阳能电池对不同波长的光子响应不同，短波光子能量高，但也只能激发一个电子空穴对，高出禁带宽度的能量随之耗散，而对长波光子，即使数量再多，可能也无法激发一个电子空穴对。所以对这一问题答案同样是否定的。组件在(a)(b)情况下发电功率并不同。传统的系统功率预测算法往往没有对组件和电池考虑的这么深入，而这一点对基于AMF的方法也是从根本上支持的。也因此基于AMF的方法可以用来针对不同地区的光伏辐照情况优化组件和电池的设计。
基于AMF的系统预测方法流程如下图所示，通过对组件参数的分析，使用AMF方法仿真计算组件的角度响应量子效率，即组件对不同入射角的不同波长的光子的转换效率。其次通过对气象数据中太阳辐照的分析，利用太阳光谱仿真算法计算给定辐照度，在所在地点和时间的直射分量光谱和散射分量光谱。通过对组件的仿真和太阳光谱的仿真，对传统预测方法的输入值(组件参数，系统地点气象)进行了预处理，而正是这些预处理利用已知的一些信息(例如组件结构，系统地点)，挖掘出了输入值中潜藏的更深入物理基本的信息，从组件额定功率拓展到组件的角度响应量子效率，从太阳辐照拓展到辐照的光谱。而这些深挖数据的结合从更“根本”上计算了组件理应的发电功率。因此基于AMF的方法有潜力会更加精确，也有潜力用于优化组件或者电池的物理结构。究竟事实如何，让我们继续往下看。
图5.基于AMF的系统发电量预测算法
二、验证
为了验证基于AMF的系统发电量预测方法的准确性，我使用这一方法与传统的方法对同一个系统2014年的发电量进行了计算并进行了对比。使用的实测数据来自昆士兰大学的一套13.4kWp系统。计算中采用PVWatts基于统计得出的平均直流转交流效率77%。从下标中数据可以看出，首先基于AMF的方法其全年发电量预测值的误差是传统方法的五分之一。其次，更为重要的一点是预测值与实测值比值的标准差，这一指标衡量了预测算法对实际发电量的“跟踪”能力。这一标准差越小，说明比值越恒定，即预测算法对每天太阳光情况的反应与实际系统的反应更相似，也即仿真的更“真”。从下表可以看出，基于AMF的方法比值的标准差要小于传统方法，说明基于AMF的方法对系统的仿真更加真实。
当然，这里仅引用一个系统的对比数据也许说服力并不十分充足，我也希望能与读者合作，通过更多的实测数据来检验这一基于AMF的系统发电量计算方法。
三、应用
3.1、系统发电量预测
这一基于AMF的方法的应用可以从两个方向展开，首先是正向沿着电池–组件–系统的方向，通过AMF框架计算电池和组件的角度响应量子效率，然后结合实测太阳辐照度仿真得到对应的光谱，得到系统的发电量的计算值。也就是上面第3部分给出的使用方法。作为一个潜在的更精确的系统发电量预测方法，又究竟有什么用呢。(1)系统发电量预测方法其实从系统的设计阶段就可以发挥作用，对组件更精确的物理描述可以帮助工程师选型和设计，例如针对某一地点选择更合适的组件，或者针对某一限制条件更合适的安装角度。(2)其次，在项目融资阶段，更精确的系统发电量计算方法可以让根据其计算出的投资回报率更具说服力。(3)在项目运营中，更精确的系统发电量算法可以作为监控平台的理论对照，通过对比发现问题，并通过对组件自身问题的仿真实现一定程度上的诊断。(4)最后对安装光伏的用户，一个更精确的发电量预测方法可以帮助他们调整自己的用电习惯，从而实现环保和成本角度的最大节约。
3.2、基于发电量的组件和电池的仿真及优化
而反过来考虑，沿系统–组件–电池方向使用基于AMF的发电量预测方法，就可以实现上文中提到的基于发电量的组件和电池的仿真及优化，这一方法不但使优化更加真实可靠，还能实现针对不同需求的优化，甚至根据用户需求定制的光伏产品。下面就以组件玻璃ARC的优化说明这一流程。首先我们使用AMF框架仿真一个使用PERC电池的组件，假设组件采用多孔二氧化硅作为其玻璃上的额外的减反射层ARC。通过改变多孔二氧化硅的厚度，计算不同厚度情况下组件的角度响应量子效率。然后针对汉堡(53°33′55″N)、布里斯班(27°28′0″S)新加坡(1°17′0″N)和布里斯班三个不同纬度的城市计算其一年中的理论发电量。图6中对全年发电量对没有组件ARC的情况进行了归一化。从其结果可以看出，新加坡和布里斯班的最优厚度相似，在最优厚度情况下，其发电量比不使用组件ARC相比提高了约3.6%，而对汉堡，由于其纬度更高，大气厚度更厚，对太阳光谱中短波的散射和吸收更强，因此其组件ARC的最优厚度比低纬度地区更厚。而其使用组件ARC带来的提高也更显著，接近4%。
图6.组件发电量随组件玻璃ARC厚度的变化
下面我们回到文章开头提到的SunPower的组件测试仪与实地系统测试结果不一致的问题，虽然这里电池类型不同，但结果有其相似性。下面我们将组件测试仪加入图6，即不同组件ARC厚度在AM1.5G直射情况下的发电功率。可以看出其趋势与考虑太阳角度和光谱的实际情况大不相同，其最优厚度要原高于对实际系统的仿真，而如果SunPower采用了虚线位置组件ARC厚度，那么其在组件测试仪中就会表现的比没有组件ARC的情况发电功率高约2.7%，但在实际场地测试中有组件ARC的系统比没有的发电量却能高出超过3.5%。这是因为标准测试终究与实际使用情况不同，在实际使用中入射光角度会不断变化，太阳辐射光谱也会变化，其中还会包含直射和散射的成分。而这些差异都在基于AMF的仿真中真切的反映出来。(为什么SunPower没有采用AM1.5G对应的最佳厚度，好问题，也许SunPower也在设计中使用了针对实际系统的优化方法。)
同样的流程也可以用于优化电池的光学设计。由于AMF本身就是针对结合不同的光学仿真方法而设计，因此无论是普通的酸碱制绒，还是黑硅，plasmonic，甚至正面黑硅背面碱制绒等等方法，都可以在AMF的框架下兼容仿真。看了上面这些，作为电池或者组件制造商，你是希望自己的产品以AM1.5G为标准优化，还是以系统发电量为目标优化?
下面是脑洞大开的时间。在这一方法逐渐成形的过程中，我也就自己构思中的这一算法的应用与一些同学和学长交流过。虽然很多想法被证明“还太早”，但是我还是忍不住在这里晒出。
如果说搜索是互联网上最基础的需求之一，那搜索引擎就是互联网上的对应基础服务。在能源互联网上，搜索引擎所对应的基础服务是什么呢?在我看来，实时能源供给量的查询将会是很底层，使用量很高的服务。仅以光伏领域来说，我们假设一个使用家庭光伏系统的独栋住宅，假设其中的家用电器都已经实现部分“智能”，即能通过一个中央控制器控制。那么其智能能怎样体现呢?仅仅是主人回家前遥控打开热水，或者调整空调是不够的。在其控制系统中，应该能计算每天太阳能发电功率曲线，并使整个建筑的用电曲线尽量与之匹配，从而实现最大程度的自发自用和节能。再比如未来可能会出现的太阳能车甚至太阳能飞机等交通工具，其行驶里程的估计和行驶路线的优化将很大程度上取决于对太阳能发电量预计的准确程度。
索比光伏网 https://news.solarbe.com/201601/06/94647.html
