光伏（PV）技术已成为全球向可再生能源转型的关键组成部分，为不断增长的能源需求和环境问题提供了可持续的解决方案。近年来，已经开展了许多相关研究[[1], [2], [3], [4], [5]]。美国能源信息署（EIA）预测，2015年至2040年间全球能源消耗将增加28%，即每年增长1.12%。能源需求的增加是这一趋势的催化剂[6]。为应对这一挑战，特别是在中东和北非（MENA）地区，这些地区每年接收到的阳光量超过6千瓦/平方米，许多地方开始建设大规模的太阳能发电设施。目前，该地区的太阳能装机容量已达5700兆瓦（MW）[7]。随着中东地区更多太阳能项目的开发，这一数字可能会继续增加，例如卡塔尔在多哈西部阿尔-卡萨赫（Al-Kharsaah）地区建造了一座700兆瓦的太阳能发电厂[8]。MENA地区的极端环境要求定期监测光伏系统的性能，因为高温和高灰尘积累是常见现象[9]。此外，卡塔尔靠近阿拉伯湾，导致频繁出现露点现象，使灰尘粘附在玻璃上，形成了最近沙漠污染研究中提到的磨蚀性和亲水性污染机制的恶劣组合[10]。长期监测光伏性能有助于减少能源产量预测的不确定性，并为解决光伏系统在极端环境中的挑战提供基础。因此，数据采集系统（DAS）对于监测光伏系统至关重要，但高昂的商业价格以及无法适应各种情况限制了光伏系统的本地监测，尤其是对于大规模的光伏发电厂。针对这一问题，许多研究实施了带有自己传感器和数据采集方法的光伏监测系统[11,12]。值得注意的是，在[13]中，开发了一种内部DAS，可以从传感器中获取八个关键参数。每个传感器都针对多哈的极端天气条件进行了定制的信号处理电路。该定制的光伏系统使用Xbee?和LabVIEW?进行无线数据传输，以实现远程监测。
监测光伏系统中的多个环境参数有助于利益相关者更好地了解这些因素对系统的影响，从而制定相应的对策。图阿蒂等人[14]发现，在多哈，灰尘对非晶硅和单晶硅光伏电池板的效率影响比温度或相对湿度更大。他们强烈建议定期清洁面板或进行技术改造，以实现可靠的电力输出。本研究将利用疏水涂层来探讨疏水涂层是否有助于减轻污染的影响。疏水涂层在减少灰尘和颗粒积累方面显示出巨大潜力。这种减少污染不仅提高了光伏面板的效率，还降低了维护需求，即使在具有挑战性的沙漠环境中也能保持稳定的能源输出。
最近，为了提高光伏系统的性能，建立了性能预测模型。这些预测包括每小时功率变化和闪烁预测、调度管理、控制操作以及每日负荷消耗和生产监测[15]。其中一些预测使用了参数模型，其准确性主要受到各个模型功能及其复杂参数的影响[[16], [17], [18]]。因此，提出了基于数据驱动的输入和输出变量之间相关性的机器学习（ML）作为替代方案。已经有许多研究对此进行了探讨，例如[19]，其中使用ML估计瑞士屋顶的潜在太阳能。李等人[20]利用机器学习（ML）和马尔可夫模型（Markov model）以及回归分析来准确预测光伏系统的输出。在[21]中，穆罕默德等人提出了一种混合机器学习（ML）方法，结合皮尔逊相关系数（PCC）和多元线性回归（MLR），以提高德国不同容量太阳能发电设施的中期预测准确性。特别是强调了在间歇性太阳能输出背景下控制大数据方面的必要性。在[22]中，使用了基于变压器的先进AI方法来预测太阳能光伏发电量。所提出的策略结合了后处理方法、改进的变压器结构和数据插补。通过使用XGBoost和PMM进行缺失数据插补后，再使用GRU进行后处理。利用台湾的天气预报和太阳能电站的历史数据，该模型的性能优于其他现有预测算法。根据数据，预处理和后处理对于获得强大的预测性能至关重要。范等人[23]介绍了一种创新的光伏能源预测模型，该模型结合了特征工程、数据准备和带有误差校正的后处理。该模型的性能优于标准模型，并提高了准确性。它强调了特征工程的重要性，特别是在使用PCC和KPCA时，并突出了该模型在能源规划和系统操作中的实用性。在[24]中提供了2020年至2022年机器学习（ML）在太阳能研究中的应用概述，强调了ML在故障检测和系统优化等关键领域的应用价值。该综述还强调了缺陷检测统一方法的重要性、强化学习在最大功率点跟踪（MPPT）中的价值，以及由于数据不足而带来的深度学习的局限性。此外，它还促进了关于光伏面板回收和在实际系统中有效利用ML的研究。总体而言，从制造到实施，该综述涵盖了整个过程，并提供了关于ML在光伏业务中可能的应用和挑战的见解。此外，它还强调了ML研究在钙钛矿太阳能电池（PSCs）中的重要性。此外，除了标准ML模型外，最近在随机神经网络架构（如随机向量功能链接（RVFL）网络）方面的发展也展示了其在预测和回归任务中的巨大潜力，因为这些架构简单且训练速度快。[25]提供了对这些发展及其未来方向的全面回顾。
大多数研究没有考虑涂层对光伏发电量预测的影响。因此，本研究利用机器学习在多哈进行预测，以进一步探讨应用疏水涂层的效果。在这项工作中，提出了一种新颖的增量机器学习框架，随着新数据的出现不断改进预测模型。通过将这种自适应方法与堆叠策略（使用XGBoost元模型）相结合，我们确保了在动态环境条件下的稳健性能和高预测准确性。
在这个项目中，开发了一个定制的光伏监测系统，该系统是远程且自给自足的。使用专用的灰尘积累系统（DAS）来监测和比较疏水涂层的灰尘积累情况，并使用额外的太阳能面板进行疏水涂层系统效率的对比测试，以收集相关的环境和电气特性数据。
该系统设置在卡塔尔大学电气工程系运营的太阳能实验室。该地区的气候温暖且恶劣。卡塔尔位于该国东南部，阿拉伯湾环绕其海岸。作为一个沙漠国家，卡塔尔从5月到9月夏季炎热，平均高温轻松超过38°C，经常超过50°C。此外，由于靠近阿拉伯湾，夏季湿度水平超过90%[26]。
本文的主要贡献在于概述了用于测试疏水涂层可行性的专门设计的光伏监测系统的总体设计。这包括两个部分：软件和硬件。利用六个月的环境和性能数据，分析了疏水涂层对光伏发电量的影响。开发了一个先进的机器学习模型，该模型利用涂层特性和气象数据来准确预测光伏发电量。基于上述发现，本文做出了三个独特的贡献：我们设计并部署了一个低成本、自供电的数据采集系统（硬件+软件），适用于卡塔尔恶劣的沙漠气候，能够以一分钟为分辨率记录11个环境和电气变量。利用该平台，我们提供了首个长期实地证据（夏季+冬季），证明商用疏水涂层平均可提高直流功率约4%，并通过减少污染引起的异常值提高了数据一致性。我们提出了一种先进的预测框架，结合了增量学习和堆叠集成（XGBoost元学习器）。该模型在线更新，具有同类最佳的准确性（R2 = 0.9794），在统计上优于最近的六个基线模型。这些贡献直接解决了在多尘、高温地区进行可靠光伏产量预测的实际需求，并为基于涂层的、数据驱动的性能管理建立了蓝图。
本文的其余部分包括第二节，详细介绍了数据收集和记录过程；第三节解释了机器学习方法；第四节分析了涂层和非涂层光伏面板的实验结果。最终，在第四节中展示了和分析了疏水涂层和非疏水涂层的光伏面板实验结果。
