一种基于模拟的框架，用于利用长期气候数据对太阳能光伏系统的安装前可行性进行评估

《Next Energy》：A simulation-based framework for pre-installation solar PV feasibility assessment using long-term climatic data

　　阿兹法尔·拉苏尔｜穆罕默德·阿姆贾德｜曼南·哈桑｜穆罕默德·沙菲乌拉｜穆罕默德·沙希德·马斯特奥伊
巴基斯坦巴哈瓦尔布尔伊斯兰大学电气工程系，巴哈瓦尔布尔63100

**摘要**
利用太阳能光伏（PV）板发电是一种经济、清洁且可再生的能源解决方案；然而，在安装过程中实现预期的功率输出仍然是一个具有挑战性的任务。本研究提出了一种在特定地点建立太阳能发电厂之前估算太阳能潜力的方法。由于环境因素、系统损耗以及光伏电池效率的影响，安装后的光伏系统容量与实际容量之间往往存在差异。为解决这一问题，研究人员使用基于“扰动-观察”技术的最大功率点跟踪算法，结合了一个平均电压源转换器控制器，对一个100千瓦的并网光伏系统进行了建模。从美国国家航空航天局（NASA）的POWER数据库中获取了巴哈瓦尔布尔地区（巴基斯坦旁遮普省）的长期气候数据（包括温度和辐照度数据）。这些数据被用作MATLAB/Simulink模型的输入，以模拟在不同直射辐照度、散射辐照度和温度条件下的发电情况。结果显示理论与预期结果吻合良好。在不同运行条件下，发电量变化范围为23.43%至87.07%，而功率损失范围为12.93%至76.57%。所提出的方法适用于其他地区，前提是具备相关的气候数据。

**1. 引言**
随着化石燃料发电带来的负面影响，能源生产趋势正在向可再生能源转变。地球上的主要能源来源是太阳。因此，地球上的所有自然循环都以某种方式围绕太阳运转，从光合作用、风流到太阳能的直接利用。太阳能的重要性不容忽视，因为它提供了一种丰富且清洁的能源，且不会产生有害的温室气体排放。全球范围内，太阳能电力的使用始于30年前，并自1990年以来出现了显著增长，尽管相关技术本身已有半个世纪的历史。截至2017年，太阳能领域已注册了86,000项专利。这表明科学家们热衷于开发这项技术，以满足未来世界的能源需求。21世纪以来，研究者们在太阳能的高效利用方面不断进行研究，改进了太阳能发电厂的基础设施，以实现最高功率的积累[3],[4],[5],[6]。一个关键挑战在于太阳能光伏发电厂中未被转化为电能的部分能量，需要采取措施来提高其捕获和利用率。工程师、研究人员和科学家们正在努力解决这一问题。

研究机构与工程公司之间存在差距，尤其是在解决实际问题（如全天最大太阳辐射的吸收）方面——例如，这些问题的解决可能直接影响太阳能光伏发电厂的运行效率。太阳能投资者对投资太阳能技术的积极性较低，因为他们更倾向于投资回报较高的风能技术。高昂的资本成本和大规模投资是降低产品价格、使其更易于大众使用的唯一途径。因此，在许多地区，太阳能技术仍然难以普及[7]。

传统的太阳能工程实践已经过时，因为它们可能无法实现最高效率的太阳能捕获。目前，物联网和可编程逻辑控制技术的应用较为有限，仅限于住宅和商业领域的监控系统[8]。在大多数国家（尤其是发展中国家，这些国家的人口占全球三分之二）中，仍主要使用传统的开关设备[9]。光伏发电厂普遍存在安装容量与实际发电能力之间的显著差异。这种能量损失需要在发电过程中得到详细分析，以增强投资者对光伏技术的信心[10],[11],[12]。本研究的目标是建立一个模型，解释并解决这些问题，提供可行的解决方案，以实现光伏能源的最大化生产。此外，该模型可以方便地应用于新基础设施的建设或现有光伏发电厂的改进。本工作的重点在于找到一个全面的框架，以分析和验证光伏发电过程中的功率损失问题，从而支持太阳能产量的准确预测。

**2. 方法论**
2.1. 数据集生成
本研究的基础在于实时模拟来发现太阳能潜力。之前的研究使用美国国家航空航天局（NASA）的Power Data Access Viewer来探讨太阳能潜力的评估方法[20],[25]。然而，这些研究缺乏实时结果。本研究旨在生成与实际情况相符的光伏发电潜力结果，例如实际数值与软件模拟结果之间不应存在显著差异。为此，构建了一个100千瓦的光伏模型，作为在全球任何地点评估太阳能潜力的基础。用户需要从太阳能研究中心的档案中获取气候数据。接下来，将数据以Excel表格的形式进行处理，每列分别代表辐照度和温度。

图1显示了研究对象——Quaid-e-Azam太阳能公园的位置坐标。数据来自NASA POWER Data Access Viewer（经度71.78°E，纬度29.33°N）。根据NASA POWER Data Access Viewer提供的巴哈瓦尔布尔地理坐标，对原始数据进行了处理[22]。过去35年的气候数据被汇总为12个月的数据点（从1月到12月）。每个参数的日平均值构成了一个月的30个数据点。表1列出了辐射与辐照度之间的转换因子。

**3. 研究案例**
本研究以位于巴哈瓦尔布尔地区的Quaid-e-Azam太阳能发电厂为例进行案例分析。在最初的建设阶段，该发电厂的安装容量为100兆瓦，但实际运行容量仅为18兆瓦，这也导致了后续扩大容量至900兆瓦的延迟。因此，政府分析了这一100兆瓦试点项目的失误，并将其转移给了土耳其和中国的一些私营企业[13],[14]。导致下一阶段进展受阻的原因有两个：首先，太阳能选址调查不够充分；在夏季，巴哈瓦尔布尔的日平均温度高达45摄氏度，而光伏阵列的最佳运行温度为25摄氏度[15]。设计的光伏模块无法适应巴哈瓦尔布尔的气候条件[16]。其次，政府签订的合同基于的是发电厂的安装容量，而实际运行容量仅为其安装容量的15%至35%[17]。这导致了政府财政预期的不足，最终促使该发电厂采用了公私合作模式。

Hafez等人的研究[18]评估了沙特阿拉伯10个地点的太阳能可行性，利用National Renewable Energy Laboratory的软件进行了评估。通过在HOMER软件中进行混合模型测试（包括光伏、风能和柴油组合），考虑到环境温度、全球太阳辐射和风速等因素，结果表明化石燃料节省了69%[19]。原型光伏系统的数据记录显示，在多个地点使用250瓦光伏板时，太阳能吸收效率有所提升[20],[21],[22]。RETScreen清洁能源管理软件用于分析基于单轴和双轴跟踪技术的50兆瓦光伏发电系统的性能[23]。地理信息系统用于数据生成，以提供资源映射。本研究采用的算法是分析层次过程（Analytic Hierarchy Process）和多标准决策（Multicriteria Decision Making）。然而，本研究的主要目的是通过提高效率来分析减少化石燃料使用的可行性[24]。同时，该研究还指出了基于卫星数据记录的太阳能可行性分析中的问题。MATLAB/SIMULINK用于生成太阳能实际发电量的数据集[25]。

现有的光伏能量产出估算研究主要集中在系统优化、跟踪机制或短期辐照度输入方面。虽然一些模型考虑了环境和系统参数，但它们通常依赖于有限的时间分辨率或特定地点的条件。本研究的关键创新在于使用长期（数十年）气候数据来开发简化的能源产量估算模拟框架，这在现有文献中较少探讨。本研究的方法适用于世界任何地区的应用，前提是具备相关的气候数据和数据的有效性。例如，本研究选择了巴哈瓦尔布尔地区作为研究对象。

- 基于长期气候数据的模拟可以让我们了解特定地区的实际情况，并将其推广到全球其他地区。
- 该方法可以在详细现场研究之前支持初步的可行性评估。
- 它提供了一种无需进行土地物理调查即可评估全球任何地点太阳能潜力的方法。

本研究强调了模拟发电量与实际发电量之间的差异，这种差异反映了由于环境变异性、系统损耗和非理想运行条件导致的潜在能量损失。在标准的光伏系统分析中，此类差异通常与损耗机制和性能指标相关。对于巴哈瓦尔布尔案例研究，结果表明理论发电潜力与实际发电性能之间存在明显差异。太阳辐射转换为太阳辐照度的转换因子
转换因子：W/m2
kW·h/(m2·day)
日照小时/天：
W/m2：141.66666
41.66666
kW·h/(m2·day)：0.02411
日照小时/天：0.02411

数据预处理步骤的平均方案：
(1) 月平均值
M = 12
4*DM*35
∑y=1
35
∑d=1
DM
∑h=1
24f,d,M,y

公式（1）给出了35年数据集的12个数据点的月平均值；M = 月份（1月至12月）；
其中：
1月 = 1，
其他月份 = 12；
DM = 月份中的天数；
1月、3月、5月、7月、8月、10月和12月 = 31天，
2月、4月、6月、9月和11月 = 30天，
2月 = 28天或29天；
f (h, d, M, y) = 年y、月份M、日期d和小时h的每小时值。

该太阳能模型基于MPPT扰动与观测（P&O）算法的工作原理，借助VSC的平均模型，将单相电源转换为稳定的三相电压波形。升压转换器将单相电压转换为三相电压，以便VSC系统稳定运行。低电压的三相电源通过变电站转换为高压电源，然后接入电网进行商业使用。在微电网概念出现之前，它也可以作为一个独立系统运行，在夜间借助电池供电以满足当地市场需求。本研究中使用的PV太阳能发电厂模型支持政府、投资者、研究人员和工程师在不使用任何外部资源的情况下寻找太阳能潜力。因此，如果有人在世界任何地方使用该模型来评估太阳能潜力，测试成本几乎为零。此外，逐步采用本研究中的方法非常有益。基本输入参数是表面温度和太阳辐照度。然而，这些参数可以细分为多个类别以获得科学结果，如图1所示。在Bahawalpur地区的记录中，日照时间的最大值和最小值分别为6.67小时和8.33小时[26]。

因此，同一月份的月平均值提供了12个数据点。此外，其余的气候数据通过取平均值转换为12点数据集，以便在MATLAB的SIMULINK模型中实现所需的结果。原始数据使用平均方案修改为9个不同参数的12点数据集。具体包括3种直射辐照度（DNI）和散射辐照度（DI）情况，每种情况构成6个参数，以及3种PV模块的表面温度情况。因此，这9个参数根据逐个步骤的策略进行组织和执行，分别在不同的仿真中进行测试。9个参数的细化数据列在表2中。这9个参数的组织和分类为进行仿真提供了基础。

表2. 1月至12月的气候数据（功率访问）
月份
平均散射辐照度
日照时间（分钟）
散射辐照度（最大）
直射辐照度（分钟）
直射辐照度（最大）
每天平均温度（°C）
最高温度（°C）

接下来，这些数据用于创建12点数据集，以便在MATLAB的SIMULINK模型中进行处理。原始数据被修改为9个不同参数的12点数据集，具体包括3种直射辐照度（DNI）和散射辐照度（DI）情况，每种情况构成6个参数，以及3种PV模块的表面温度情况。因此，这9个参数根据逐个步骤的策略在单独的仿真中进行组织和执行。表2中列出了这些参数的组织和分类，为进行仿真提供了基础。

2. 生成可行性报告的方案
主要模型是由电压源转换器（VSC）控制器控制的100千瓦并网PV阵列[27]。考虑了最大功率点跟踪（MPPT）技术，该技术基于爬山算法原理来跟踪最大功率。这种技术以高达98%的效率处理直流（DC）电源，并在升压侧提供最大功率输出[28][29]。整个系统基于两个基本输入运行：即PV模块的表面温度和特定区域的太阳辐照度值。在本研究中，选择Bahawalpur地区进行实验以获得可行的结果。当输入有效且在合理范围内时，系统向电网供电。P&O命令帮助执行MATLAB的工作命令窗口中的扰动与观测（Perturb & Observe）算法[30]。

图2展示了涵盖此仿真的基本步骤，说明了模型的顺序工作过程。从Power Access导入的数据被视为100千瓦太阳能PV电站的温度和辐照度输入。输出是提供给当地电网的分散式电力。输出功率在逆变器的交流（AC）母线上测量。正号表示注入电网的功率，而负值表示暂态条件下的反向功率流动。为了确保分析的准确性，只考虑稳态数据，并从统计计算中排除初始暂态期。

下载：高分辨率图片（92KB）
下载：全尺寸图片

2.3. 辐照度建模方法
平面法（POA）辐照度是在特定时期（通常是四分之一年）内，来自现场各个气象站的平均累积辐照度。这可能受到诸如光束角度、散射因子、反照率、倾斜角度/方位角/入射角、板安装角度等因素的影响[31]。将NASA的长期数据集（35年）中的DNI和DI数据转换为POA时，会考虑许多可能每年变化的物理因素。然而，DNI和DI不一定依赖于上述物理因素，例如DI对倾斜角度、方位角和太阳跟踪的敏感性较低。此外，DNI和DI与PV表面几何形状无关，而POA则与之相关。DNI为捕获太阳光线提供了最佳模式[32]。这创建了对给定DNI和DI输入的太阳能PV系统敏感性研究。POA为仿真提供了比DNI和DI更具物理代表性的结果。平均DNI和DI的长期数据集符合模拟敏感性分析，有助于确定PV阵列安装容量和运行容量之间的差异。不过，本研究未包括太阳跟踪器的假设，以便与DNI进行对比分析。此外，“日照时间”用于表示一天中的日照小时数。

图3总结了太阳能PV系统每个阶段的功率损失；然而，在此研究中，为了检查功率损失，DNI、DI和温度的输入参数是固定的。虽然未来工作可能需要考虑其他变量来测量功率损失。

下载：高分辨率图片（175KB）
下载：全尺寸图片

3. 建模、仿真和系统描述
3.1. 主要模型
主要模型是由VSC控制器控制的100千瓦并网PV阵列，如图4所示。PV阵列收集的直流电压通过升压转换器进行提升。考虑了最大功率点跟踪（MPPT）技术，该技术基于爬山算法原理来跟踪最大功率。这种技术以高达98%的效率处理直流电源，并在升压侧提供最大功率输出。VSC提供参考值，将升压后的直流电源转换为三相交流电源，然后通过变压器升压后供应给附近的电网。整个系统基于两个基本输入运行：即PV模块的表面温度和特定区域的太阳辐照度值。在本研究中，选择Bahawalpur地区进行实验以获得可行的结果。

当输入有效且在合理范围内时，系统向电网供电。PandO命令帮助执行MATLAB的工作命令窗口中的扰动与观测（Perturb & Observe）算法。图5展示了涵盖此仿真的基本步骤，说明了模型的顺序工作过程。MPPT中使用的扰动与观测（Perturb & Observe）算法也在图6的流程图中给出，以帮助理解算法的基本步骤。

3.2. 升压转换器
升压转换器用于提升从PV阵列收集的直流电源，其建模如图7所示。比例系数使用单位常数值进行缩放，增益设置为一半，以展示平均值。电压和电流的乘法因子给出了相当于供应给电网的交流电功率。

3.3. VSC主控制器
VSC主控制器帮助VSC使用锁相环调整参考值，将直流电源转换为三相交流电源。电流和电压调节器分别记录电流和电压的平滑度，从而调整参考值。这样，每次都可以调整参考值，以在充足输入的情况下提供稳定的交流电源。VSC主控制器的建模如图8所示。

3.4. PV阵列
PV阵列的建模如图9所示，其中两个输入是使PV电池处于激活状态的核心需求。温度和太阳辐照度通过函数生成器、信号构建器或外部Excel表格输入到PV电池中。输出以电压和电流的形式生成。

表3给出了本仿真中使用的SunPower SPR-305E-WHT-D PV模块的规格参数：
- 最大功率（W）：305.2
- 开路电压（Voc）：64.2
- 最大功率点电压（Vmp）：54.7
- Voc的温度系数（%/°C）：0.272
- 每个模块的电池数量（Ncell）：96
- 短路电流（Isc）：5.96
- 最大功率点电流（Imp）：5.98
- Isc的温度系数（%/°C）：0.06174
- 光生电流（IL）：6.0092
- 二极管饱和电流（I0）：6.3014×10^-12
- 二极管理想因子（n0）：0.9450
- 并联电阻（Rsh）：269.59
- 串联电阻（Ω）：0.3715

4. 结果与讨论直接法向辐照度的特性曲线
直接法向辐照度（DNI）在最大值、最小值以及全天（24小时）条件下的特性曲线分别如图10、图11和图12所示。这些特性曲线包括太阳辐照度、光伏组件表面温度、平均功率、电压曲线以及占空比。
下载：下载高分辨率图像（241KB）
下载：下载全尺寸图像
图10. 最大日照条件下的DNI特性曲线。DNI = 直接法向辐照度。
下载：下载高分辨率图像（243KB）
下载：下载全尺寸图像
图11. 最小日照条件下的DNI特性曲线。DNI = 直接法向辐照度。
下载：下载高分辨率图像（247KB）
下载：下载全尺寸图像
图12. 全天（24小时）条件下的DNI特性曲线。DNI = 直接法向辐照度。

4.2. 直接法向辐照度的影响
从NASA的功率数据访问视图中获得的数据是DNR（散射辐照度），然后将其转换为DNI。图13展示了在最大日照、最小日照和24小时DNI情况下产生的功率。
下载：下载高分辨率图像（118KB）
下载：下载全尺寸图像
图13. 通过电网输出的功率：(a) 最大日照DNI，(b) 最小日照DNI，(c) 全天（24小时）DNI。DNI = 直接法向辐照度。

4.3. 散射辐照度的影响
从NASA的功率数据访问视图中获取的数据是DR（扩散辐照度），即照射到太阳能面板上的辐射，其中云层遮挡小于10%。因此，DR被转换为DI（直接辐照度），作为100千瓦光伏太阳能模型的正确输入参数。图17分别展示了在不同日照条件下产生的功率：(a) 最大日照DI，(b) 最小日照DI，(c) 全天（24小时）DI。
下载：下载高分辨率图像（115KB）
下载：下载全尺寸图像
图17. 通过电网输出的功率：(a) 最大日照DI，(b) 最小日照DI，(c) 全天（24小时）DI。DI = 散射辐照度；DNI = 直接法向辐照度。

4.4. 光伏组件温度建模
光伏组件的工作温度是一个影响其电气性能和整体能量产出的关键因素。在实际应用中，组件温度并不等于环境温度，而是受环境和系统特定参数的影响，包括太阳辐照度、环境温度、风速以及安装配置。
在本研究中，使用从NASA POWER数据访问视图器获取的长期气候温度数据（35年平均值）作为主要的热输入。这些值代表了选定地点（Bahawalpur地区）的环境条件，并为不同辐照情景下的对比模拟提供了稳定的依据。
下载：下载高分辨率图像（146KB）
下载：下载全尺寸图像
图18. Bahawalpur市光伏组件的气候表面温度范围。PV = 光伏。
为了考虑环境条件与光伏组件温度之间的物理关系，采用了基于标准名义工作温度（NOCT）的公式来表示组件温度：
\[T_{cell} = T_{ambient} + NOCT - 2080 \times G\]
其中\(T_{cell}\) 是光伏电池温度（℃），\(T_{ambient}\) 是环境温度（℃），\(G\) 是入射太阳辐照度（W/m2），\(NOCT\) 是标准测试条件下的名义工作温度。然而，由于使用了月平均值数据且缺乏高分辨率输入（如风速和安装特定参数），上述模型并未在模拟中完全实现。相反，环境温度被用作光伏组件温度的近似基线。这种简化方法可以在保持计算效率的同时，允许在不同辐照条件下进行一致比较。需要注意的是，这一假设可能会引入实际运行条件的偏差，特别是在高辐照度或低风速的情况下，组件温度通常会超过环境温度。因此，本研究中的温度相关结果应被视为指示性趋势，而非精确的现场值。

4.5. 温度的影响
可再生能源承包商和投资者普遍认为高温会导致较高的功率输出；然而，在太阳能光伏面板的技术原理中并非如此。图19详细说明了这一现象，展示了最高和最低温度范围。需要注意的是，最小DNI与初始输入的温度一起被用作评估结果的依据。在这里，最小DNI值被视为常数参数。
下载：下载高分辨率图像（86KB）
下载：下载全尺寸图像
图19. 通过电网输出的功率：(a) 最高温度。

已进行了大量工作来通过改进逆变器和最大功率点跟踪（MPPT）技术来提高光伏面板的能量利用率。这可能使能量利用率最高达到99%，某些技术甚至能将其提升至超过99%。类似地，先前的研究也报告了DNI变化的趋势，表明日变化和季节性波动显著影响太阳能发电量[35]、[36]。这些工作进一步强调了准确辐照度测量对于可靠评估光伏系统性能的重要性。然而，仍需验证和改进太阳能的能量产出。为实现这一目标，需要实时了解任何地点由于环境因素、基础设施和材料特性导致的实际发电量增减情况。一旦实现这一点，将有助于大幅提高现有和新安装的光伏电站的能源产出。

表4展示了预测的年产量与实际测量结果的对比。结果显示，Quaid-e-Azam太阳能公园的装机容量（100兆瓦）与实际运行输出（18兆瓦）之间存在显著差距。2025年的实际年能量产出约为预测值的18%，这验证了数据集的准确性（该数据集整合了NASA 35年的气候数据，共12个代表性月份）。数据来源于NASA的功率数据档案，票号为#97881。
表4. 100兆瓦模拟的预测产量与2025年实际测量结果的对比
| 月份 | 全天功率（千瓦） | 月能量产量（千瓦时） | 直接法向辐照度 | 散射辐照度 | 平面阵列辐照度 |
|------|-----------|-------------|-----------|---------|-------------|
| 1月 | 22.2 | 125 | 165 | 16.8 | 300 | 122 | 27.0 |
| 2月 | 25.3 | 181 | 188 | 23.2 | 133 | 212 | 43.3 |
| 3月 | 23.7 | 21.7 | 176 | 28.1 | 161 | 144 | 160 |
| 4月 | 24.1 | 28.8 | 179 | 30.4 | 214 | 27.2 | 152 |
| 5月 | 24.9 | 30.6 | 185 | 25.6 | 227 | 147 | 246.5 |
| 6月 | 24.8 | 31.1 | 184 | 51.2 | 138 | 232 | 52.2 |
| 7月 | 21.3 | 12.1 | 158 | 47.2 | 232 | 128 | 134 |
| 8月 | 20.3 | 148 | 80 | 223 | 126 | 64.8 |
| 9月 | 23.1 | 24.6 | 171 | 186 | 230 | 126 | 46.8 |
| 10月 | 23.9 | 18.3 | 177 | 81 | 136 | 15.2 | 139 |
| 11月 | 23.5 | 14.5 | 174 | 84 | 107 | 89 |
| 12月 | 23.3 | 12.9 | 173 | 35.2 | 59 | 76 | 19.9 |
| 100兆瓦年能量产量（千瓦时） | 2083 | 442 | 400 | 48 | 48 |

表5进一步提供了按月份划分的模拟预测能量产量，并与实际运行条件下的测量结果进行了对比。对比显示，在大规模光伏系统中，预期产量与实际发电量之间存在差距。在最佳条件下，DNI可贡献高达每日最大功率的87.07%，而100兆瓦光伏系统的相应损失为12.93%。

表5. 数据集的月度能量产量估算
| 月份 | 全天功率（千瓦） | 月能量产量（千瓦时） | 直接法向辐照度 | 散射辐照度 |
|------|-----------|-------------|-----------|-------------|
| 1月 | 22.2 | 125 | 165 | 16.8 | 300 | 122 | 27.0 |
| 2月 | 25.3 | 181 | 188 | 23.2 | 133 | 212 | 43.3 |
| 3月 | 23.7 | 21.7 | 176 | 28.1 | 161 | 144 | 160 |
| 4月 | 24.1 | 28.8 | 179 | 30.4 | 214 | 27.2 | 152 |
| 5月 | 24.9 | 30.6 | 185 | 25.6 | 227 | 147 |
| 6月 | 24.8 | 31.1 | 184 | 51.2 | 138 | 232 | 52.2 |
| 7月 | 21.3 | 12.1 | 158 | 47.2 | 232 | 128 | 134 |
| 8月 | 20.3 | 148 | 80 | 223 | 126 | 64.8 |
| 9月 | 23.1 | 24.6 | 171 | 186 | 230 | 126 | 46.8 |
| 10月 | 23.9 | 18.3 | 177 | 81 | 136 | 15.2 | 139 |
| 11月 | 23.5 | 14.5 | 174 | 84 | 107 | 89 |
| 12月 | 23.3 | 12.9 | 173 | 35.2 | 59 | 76 | 19.9 |
| 100兆瓦年能量产量（千瓦时） | 2083 | 442 | 400 | 48 | 48 |

表5还提供了按月份划分的模拟预测能量产量（分为DNI和DI），以及实际运行条件下的测量结果。对比强调了大规模光伏系统中预期产量与实际发电量之间的差异。在最佳条件下，DNI可贡献每日最大功率的87.07%，相应的损失为12.93%。

图20展示了6种辐照度参数对电网输出功率的对比分析，其中DI表示散射辐照度，DNI表示直接法向辐照度。图21展示了3种温度参数对电网输出功率的影响，表明最高温度可能会因 optimal 板温度而降低功率效率。

图20和图21分别展示了6种辐照度参数对电网输出功率的对比分析，以及3种温度参数的影响。这些结果强调了工程优化的重要性，以确保太阳能跟踪系统的准确性，从而实现与模拟结果一致的性能。只有通过实际的光伏电站才能充分利用照射到太阳能板上的最大DNI。目前，通过各种方法和技术，这一目标的实现效率仅为15–25%。表5提供了模拟输出的统计和描述性总结，包括不同辐照度和温度条件下的关键指标（如平均值、峰值和变化率）。初步模拟中观察到的负功率值与系统初始化和控制器稳定过程中的瞬态行为有关。这些值通过应用稳态筛选窗口被排除，表5中的统计结果反映了稳定运行条件下的情况。

由于投资者对太阳能发展的理解有限，他们可能对太阳能业务及其活动缺乏兴趣。因此，太阳能领域的许多发展是由政府推动的。投资者通常因对技术合同了解不足而无法获得预期回报。例如，投资者投入资本建设光伏电站，但由于初始投资较高，能源回报较低。本研究有助于投资者在签订重大合同时了解特定地区的真实太阳能潜力，避免资本回报过低的情况。提出的框架可供研究人员、工程师和政策制定者利用，基于长期气候数据评估不同地点的光伏可行性。这种基于数据的决策方法有助于规划和评估光伏系统。

针对光伏电站的性能分析可以扩展到本研究之外。只需使用安装公司的太阳能板规格值，并使用适用于特定地区的用户默认输入重新进行整个模拟即可。通过这种方式，可以从基于气候的模拟到实际现场结果衡量光伏电站的性能。结果验证有助于提高现有光伏电站的能源产出。

5. 结论
本研究旨在验证光伏电站装机容量与实际运行容量之间的功率差异，从而识别世界各地任何地点的太阳能潜力。此外，该研究还探讨了与光伏电站相关的技术方面，证明了基于气候模拟的研究的可信度。基于NASA数据点的MATLAB/SIMULINK模型产生了实用的结果，为统计和图形分析提供了支持，揭示了光伏电站的真正潜力。这有助于在不进行昂贵土地调查的情况下，评估光伏电站的可行性。研究结果表明，模拟（预期）功率输出与实际发电量之间存在差距，这部分潜力未得到实现，是由于环境变化、系统损耗和非理想运行条件共同作用的结果。在标准的光伏系统分析中，这种差异通常与损耗机制和性能比率相关。以Bahawalpur案例研究为例，结果显示理论发电潜力与实际电站性能之间存在明显差异。这一概念可以在未来的研究中进一步探讨，通过分析使用现有的100千瓦并网光伏模型（用于下一代能源应用）所获得的模拟结果与实际结果之间的差异来实现。本研究采用了35年的气候学数据，并将其汇总为月平均值，但这些数据无法捕捉到短期变化或年际波动。研究中没有明确建模几个实际因素，包括系统朝向、积灰、遮挡、性能衰减、电力限制以及详细的热效应。此外，与地面测量相比，卫星数据可能会引入不确定性，并且研究结果也没有与其他模拟工具进行交叉验证。因此，所提出的方法应被视为一种初步的可行性和产量估算方法，而非详细的性能分析方法。

作者贡献声明：
Md Shafiullah：撰写、审阅与编辑、可视化、数据分析、正式分析。
Muhammad Shahid Mastoi：可视化、正式分析、数据管理。
Azfar Rasool：撰写（初稿）、验证、软件开发、方法论、数据管理、概念化。
Muhammad Amjad：撰写、审阅与编辑、可视化、项目监督、资源协调、项目管理工作。
Mannan Hassan：撰写、审阅与编辑、可视化、验证、数据分析、正式分析、概念化。