《Sustainable Energy Technologies and Assessments》：Decoding Climatic Drivers of Solar Photovoltaic Output in Arid Climates: Integrating Sensitivity, Lag Dynamics, and Principal Component Analysis for Forecasting Accuracy
编辑推荐：
光伏性能优化与环境因子敏感性分析，发现辐照度是主要驱动因素（±10%变化导致12%能量增加），温度经调整后影响减弱（约1.4%），湿度和风速影响较小。随机森林模型（日R2=0.977，时R2=0.988）优于线性回归，为光伏预测和气候适应性设计提供依据。
Ghadeer N. Al Shabaan | Ibrahem S. Altarawneh
电气工程系，Al-Balqa应用大学，As-Salt 19117，约旦
摘要
在极端干旱的气候条件下，光伏系统的性能受多种复杂环境因素的影响，但许多研究往往忽视了时间滞后动态和混淆效应。本研究提出了一个新的框架，结合了单变量和多变量敏感性分析、交叉相关滞后分析以及主成分分析来识别这些驱动因素。利用来自约旦的高分辨率数据，该研究测量并分离了辐照度、温度、湿度和风速的影响。
分析方法包括敏感性测试、皮尔逊（Pearson）、斯皮尔曼（Spearman）和肯德尔（Kendall）相关性分析、季节性分解、交叉相关滞后分析以及主成分分析。
结果表明，辐照度是主要驱动因素；辐照度变化±10%会导致能量增加约12%。温度最初看似显著（+32%–24.7%），但在调整辐照度后，其影响变得较小（约1.4%）。湿度和风的影响微乎其微。交叉相关分析显示辐照度的影响是即时的，而温度的3小时滞后效应在调整后减弱为较弱的即时效应。径向基函数（RF）模型的预测性能优于线性回归（R2=每日0.977，每小时0.988），使其成为最佳的能源预测工具。
研究结果强调，通过最佳选址、面板朝向、清洁和被动冷却来最大化辐照度，可以减少温度和湿度对光伏系统的影响。考虑时间滞后动态可以提高预测准确性，从而支持更准确的光伏性能预测和具有气候适应性的设计，进而提升太阳能的可靠性。
引言
太阳能光伏（PV）技术是全球向低碳能源转型的核心，在过去二十年里由于成本下降和气候问题的关注而得到迅速发展[1]、[2]、[3]、[4]。2024年全球光伏装机容量已超过600吉瓦，并预计到2030年将达到数太瓦[5]、[6]。约旦每年有超过300个晴天，光伏技术在住宅、商业和公用事业领域的应用迅速扩展，减少了化石燃料的依赖并增强了能源独立性[7]、[8]、[9]、[10]。
目前的光伏系统从提供分散电力的小型屋顶安装，到为国家电网供电的大型太阳能电站都有涉及[11]、[12]。这种广泛的采用突显了全面了解光伏性能的必要性，尤其是它如何与不同的环境条件相互作用。准确的预测和系统优化对于最大化能源产出、电网稳定性和太阳能技术的经济效益至关重要[13]、[14]。
本研究使用了来自约旦死海地区Karama站点的高分辨率数据，该地点位于北纬31.8°、东经35.6°，这里具有具有挑战性但至关重要的可再生能源研究条件。
光伏输出受辐照度、温度、湿度、风速和污染的影响。辐照度提高能量产出，高温会降低效率，湿度会降低透射率，风可以提供一定的冷却效果。灰尘和污染是持续存在的问题，需要有效的清洁和维护[13]、[14]、[15]、[16]、[17]、[18]、[19]、[20]。除了环境影响外，系统本身的特性（如模块类型、朝向、遮挡和逆变器效率）也会影响性能，而长期的热循环、紫外线辐射和湿度会加速组件的老化[21]、[22]、[23]。
理解这些驱动因素的影响对于准确的性能建模和预测至关重要。本研究考察了这些高度变化且通常不可预测的环境因素，它们是干旱气候下光伏系统可靠性和产量的关键决定因素。
先前的研究表明，辐照度是光伏输出的主要驱动因素，温度会降低效率，湿度会降低产量，风能提供的冷却效果有限[7]、[24]、[25]、[26]、[27]、[28]、[29]。大多数研究依赖于总体相关性分析，未能将温度效应与辐照度区分开来，也没有考虑时间滞后结构，这限制了预测的准确性和系统的优化[30]。经典的技术如皮尔逊（Pearson）、斯皮尔曼（Spearman）和肯德尔（Kendall）的Tau常用于量化光伏与环境之间的关系[27]、[31]。然而，这些方法通常只能捕捉到静态或线性的关联。时间序列分解方法通过分离趋势和季节性成分提高了可解释性[2]、[32]，但尽管有证据表明时间依赖性对光伏预测和控制有显著影响，自相关和交叉相关的应用仍然较少[34]、[35]。降维方法（如主成分分析（PCA）在可再生能源研究中越来越受到重视，用于突出关键变量[15]、[16]、[36]。然而，在光伏性能研究中，将PCA与单变量相关性和滞后分析相结合的情况仍然很少见。
在干旱和沿海工业地区，灰尘堆积和污染是影响光伏系统可靠性的主要限制因素，但在性能模型中常常被忽略。在沙特阿拉伯Yanbu进行的一项为期两年的实地研究表明，单晶硅（mono-Si）模块虽然通常效率更高，但污染损失更大。将面板倾斜24°可以减少约40%的平均功率损失[37]。此外，一项全球性研究指出，灰尘沉积是一个受颗粒大小、倾斜角度和风速影响的动态过程，对光线传输和表面温度有显著影响；自清洁涂层被证明是减少这些影响的有效方法[38]。综上所述，这些发现强调了在评估干旱环境中的光伏性能时，考虑污染机制与气候因素的重要性。
2025年发表的最新系统评价确认，灰尘积累和污染仍然是干旱和半干旱环境中光伏系统最持久的性能限制因素。这些评价强调了需要综合方法，结合灰尘监测、预测建模、缓解技术和多标准决策（MCDM）框架来优化清洁计划并减少长期能源损失[39]、[40]。同时，对机器学习模型的长期比较分析表明，当将包括灰尘相关指标在内的环境驱动因素明确纳入预测框架时，光伏性能预测可以显著提高[41]。然而，这些数据密集型方法通常需要大量的历史数据集，并可能面临可解释性降低的问题，因此需要互补的、透明的分析框架，能够在现实的数据限制下分离出气候驱动因素，正如本研究所追求的那样。
最近的研究越来越多地关注长期相关性和预测建模，以提高光伏性能预测的准确性。它们表明，多年数据驱动的模型在捕捉环境变化方面优于传统的回归方法[41]。此外，其他研究还表明，长期数据集和精细的辐射建模可以改善不同气候条件下的光伏产量预测[42]。这些进展表明，全球正朝着整合实证和机器学习技术以进行稳健的光伏性能建模的方向发展。基于这一基础，本研究应用敏感性分析、滞后动态相关性和PCA处理来自约旦死海地区的高分辨率数据，以应对干旱条件下的预测挑战。
表1提供了关于光伏性能环境驱动因素的代表性研究的比较概述。该表指出了方法上的局限性，如缺乏滞后分析、单独考虑温度效应以及多变量分解等问题，这些问题在本研究中得到了解决。虽然先前的研究报告了环境因素与光伏输出之间的弱相关或不一致的相关性，但没有研究将滞后动态和温度隔离结合起来。因此，在本研究中，一些在传统分析中看似不重要的关系成为了重要的驱动因素。这种方法上的区别，加上死海地区的独特气候背景，解释了为什么这里的发现与早期文献中的结果不同。
研究问题、目标和贡献
以往关于环境对光伏性能影响的研究通常依赖于总体相关性分析，忽略了时间依赖性和因素之间的相互作用。很少有研究将温度与辐照度分开，或者考虑时间滞后结构，这在机制理解和预测可靠性方面造成了空白，尤其是在干旱气候条件下。为了解决这些局限性，本研究开发了一个统一的框架，结合了单变量和多变量敏感性分析、交叉相关滞后估计等方法。
方法论
本研究使用了2024年4月至2025年4月期间在约旦死海地区Karama站点（北纬31°48′37.4″，东经35°39′22.6″）收集的一年内每小时的光伏和气象数据。数据集包含24×365小时的记录，仅限于白天时段（6:00至20:00），以避免夜间由于发电量极少而导致的失真。分析使用的是MATLAB R2025a软件。
环境参数和光伏输出的描述性统计
表2和图1、图2中的描述性统计数据显示了2024年4月至2025年4月期间关键环境驱动因素和光伏性能指标的变化情况，包括辐照度、温度、风速、湿度和光伏输出及性能比率。
表2显示了每个变量的中心趋势、分布范围和极端值。辐照度的变化范围很广，从接近零到约960 W/m2，标准差很高，表明存在明显的日变化和季节性周期。
结论
本研究通过引入一个综合框架，超越了传统的相关性分析方法，揭示了干旱气候下环境驱动因素与光伏输出之间复杂且常常混淆的关系。通过协同运用敏感性分析、滞后动态分析和PCA，我们证明了将温度视为主要正向驱动因素的观点是一种统计上的假象，并确定了辐照度作为无可争议的关键变量。
本研究的优势在于……
作者贡献声明
Ghadeer N. Al Shabaan：撰写初稿、可视化处理、监督、调查、正式分析、数据整理、概念构建。
Ibrahem S. Altarawneh：撰写修订稿、验证、软件开发、方法论设计、调查、正式分析、概念构建。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文所述的工作。
术语表
- 自相关函数（ACF）
- 一种统计方法，用于衡量变量在不同时间间隔内的相关程度，通常能揭示数据中的周期或持续性。
- 置信区间（CI）
- 用于表示统计估计值可信范围的统计量。
- 对流冷却
| 通过风将热量从光伏模块传递到周围空气的过程，从而降低电池温度并提高效率。 |
- 交叉相关函数（XCF）
| 一种统计工具，用于确定一个时间序列变量（例如温度）与另一个时间序列变量的关系。 |
