尽管可靠性表现对光伏的成本竞争力至关重要，但目前对光伏电站发电性能进行大规模高水平调查的数据集还相对较少。国家可再生能源实验室Dirk C.Jordan、Chris deline、Bill Marion和Teresa Barnes以及劳伦斯伯克利国家实验室的Mark Bolinger研究了美国10万个光伏系统的独立数据集，并为世界其他相关地区提出了改进可靠性方面的建议。
通过对美国100,000个光伏项目的数据进行分析，我们对光伏系统的性能和可靠性有了崭新的认知
在光伏与传统能源的成本竞争中，可靠性表现起着至关重要的作用。世界上许多研究小组和机构都致力于光伏系统的性能、退化和失效机制的量化研究。然而，对在该领域发生的问题进行大规模、系统性的高水平论述的数据集还很难找到[1]。
为应对2008年的全球金融危机，美国国会于2009年颁布了《美国复苏与再投资法案》(ARRA：America recovery and Reinvestment act)。ARRA第1603条规定，符合条件的可再生能源项目可以选择现金支付代替联邦投资税收抵免(ITC)。该法规指出，光伏系统需要对每年光伏发电情况以及发电性能相关的评论进行报告。
目前，该报告的数据集已经包含了大约10万个光伏系统，总体超过7GW直流侧(DC)装机容量(约占2019年底美国发电量的7%)的光伏系统信息。该数据集为研究美国光伏发电项目的性能和可靠性状态提供了有价值的信息。虽然该数据集仅包括美国的光伏系统，但得到的经验总结是普遍适用于世界其他地区的。
光伏项目性能
该数据集包括了每个光伏系统近五年的年度数据、额定安装容量、预估发电量和项目位置等信息。通过该数据集可计算出所有系统的实测与预估发电量的比值，以评估系统性能的健康状况。数据集根据系统装机规模大致分为住宅（1-25kW）、商业（25kW-1MW）和公共事业规模系统（＞1MW）这三组。虽然各组数据集之间的划分有欠严谨，导致个别系统可能被错误分类，但却反映了不同类型系统之间的总体趋势。另外，对于5MW以上的光伏系统，除了第1603条规定，我们还使用劳伦斯伯克利国家实验室获得的单独数据集生成了我们自己的发电量预估值，其中还包括了比第1603条规定更详细的系统细节数据，如安装配置等。总的来说，我们发现自己的估计值与第1603规定得到的估计值有很好的一致性，这说明1603数据集具备一定的可信度。
图1：分别展示了未受特定性能问题影响的正常系统（上半部分）和受特定问题影响的系统（下半部分）的实测/预测产量比与五年平均值的累计分布函数，并将在以下章节中详细讨论。不同规模的系统用不同的颜色表示：中位数（P50）、P90和单位比率分别用水平虚线和垂直虚线表示。单位值（1）左右10%区间用灰色表示。
图1以累积分布函数（CDF：cumulative distributionfunctions）的形式显示了实际发电量与预测发电量之比的五年平均值。与直方图相比，CDF的优点是它更容易对多个大型分布值进行比较。
该图上半部分显示了所有“正常”—即不受某些问题影响的系统统计结果。图中使用不同颜色对不同规模的系统进行区分，参照金融模型中常用的P90分位数方法，用黑色水平虚线表示中位数或P50。
单位值，即代表系统按预期运行，用一条垂直虚线和该虚线左右10%灰色区间表示。可以看到，在中位数上，“正常”运行系统的CDF发电量略高于预期发电量。此外，公用事业规模类别系统的分布更为紧密，曲线更为陡峭，这很可能是因为在规划和运营阶段的监督更加紧密和/或预测发电量的偏差在10%以内。CDF的总体不对称表明发电量比率的上升空间有限，但能量损失风险更大。少数系统的发电表现远低于或超过预测值，显然该系统本身、发电量预测或评估报告出现了问题。然而，由于没有输入性能相关的评论，这些系统不得不被当成“正常运行”的系统并被列入其中。不确定性的另一个来源可能是公用事业规模系统中通常使用的收入等级电表和户用系统中更常用的标准电表存在精度差异。
图1的下半部分显示了五年报告期内受某些特定问题影响的光伏系统的类似CDF。与“正常”运行系统类似，由于有些问题对系统发电性能的影响不同，有些系统的实测运行表现远低于或远高于预测。不过，通过大致观察，我们可以知道：与“正常”运行系统相比，公用事业规模系统在中值处的性能有所下降，但它们的性能远远高于户用住宅系统。我们将在下面更详细地探讨这一差异。商业系统则介于公用事业系统（中位数处的性能相似）和户用住宅系统（P90处的性能相似）之间。
发电设备(硬件)可靠性经验
与性能相关的评论是通过自动和手动程序的组合来挖掘的，例如关键字搜索、排序、分类和读取。如果在一年内记录了多个影响性能的问题，则每个问题都被计入其各自的子类别中，尽管绝大多数性能评论都是单条目问题。然后通过简单地累加每个子类别的问题数，除以每年报告的系统总数。由于不总是知道是否所有系统每年都运行了整整12个月，因此每个子类别的五年平均值如图2所示。
通过检查受影响年份的后几年或前几年结果，并通过性能评估确定运营的正常性，可以获得每个子类别的损失发电量。然后对每个受影响系统的正常生产的性能进行平均，从而对影响性能的问题进行初步估算。由于报告的不确定性和多个条目的混杂效应，这些数字应视为估计值。
图2：展示了每个硬件子类别的硬件问题发生比例（顶部）和发电量损失（底部）。不同规模的系统由不同颜色符号表示。
如前所述，逆变器是光伏系统中发生问题比例最高的硬件类别[2]。户用住宅系统的发生率略低于商业和公用事业规模的系统，可能是因为前者逆变器（微型逆变器或组串逆变器）的可靠性更高或存在漏报现象。然而，从图表中可以看出，公用事业系统的产量损失大大低于商业和住宅系统。这种趋势不仅适用于逆变器，而且适用于许多硬件问题，很可能是因为系统规模越大得到的监控越密切。电表是一个问题发生率高得出人意料的硬件设备，其中四分之三需要进行更换。“未指定修复”是发生的故障事件，但从注释中无法推断哪些项目失败了，哪些项目已修复。值得注意的是，维护事件（主动处理）的发生率通常低于维修（被动处理），但它们对量产损失的影响较低，这一总体趋势并不局限于光伏行业。接下来的三个子类别是断路器、保险丝和电线，这可能有些出乎意料，并可能表明安装工作存在改进空间。还可以想象，降低安装成本的压力导致项目采购和验收不合格，例如断路器被发现是美国最常见的电气产品之一[3]。
这里还包括变压器的问题，虽然变压器只在公用事业规模的光伏系统中出现，但其中大约一半问题是需要进行设备更换的。例如，由于变电站变压器遭受三次雷击，导致附近的光伏系统中断，因此发生率似乎相当高。接下来的两个子类是跟踪器和微型逆变器或直流优化器问题；后两种是组合在一起的。然而，这两个子类都存在一个共同的问题，即从这个数据集中提取的发生数很可能被低估了。原因是安装配置仅适用于几百个大于5MW的系统，而不适用于5MW以下的系统。
因此，为了计算发生率，我们必须使用可用系统的总数。很可能不是每个低于5MW的商业或公用系统都使用跟踪器，就像不是每个户用住宅系统都使用微型逆变器一样。因此，我们可以得出结论，我们很可能低估了这两个子类别的数字。住宅类跟踪系统很可能是区分住宅类和商业类的产物，因为住宅类系统通常以固定倾斜支架安装。接下来是与组件相关的问题，这些问题似乎相对较低，在0.02%到0.2%的历史范围内。但是，这里可能没有完全捕捉到表现不佳组件的影响。组件串问题通常是由反向连接引起的，这种问题最常发生在住宅系统中。最后两点子类别是接地故障和连接器问题。连接器和组件连接特别相关，组件连接器压接不当和/或在负载下开始分离。这两个子类并不经常发生，但会引起火宅，从而对安全造成严重影响；因此值得我们充分关注。
图3：解决按安装规模大小划分的特定硬件问题的天数
通过检查解决特定问题所需的时间，可以进一步了解硬件问题。一些（但不是所有）注释记录了特定维修问题的开始和结束时间。不幸的是，这明显减少了每个子类别可用的数据点的数量，如图3所示。
只有逆变器和断路器子类别允许对所有三种规模光伏系统类别的问题解决时间进行估计。对于每个子类别，还显示了带有横杆表示的中位数的箱线图。与产量损失类似，公用事业系统的逆变器问题的解决速度最快，中位数为6天，其次是商业和住宅系统，中位数分别为20天和37天。对于断路器问题，可以看到趋势类似，但决策时间略短。解决住宅系统的电表问题比解决商业系统的电表问题花费的时间要长得多，尽管由于可用的电表数量相对较少，存在很大差异。保险丝显示出类似的趋势，但也与逆变器有着类似的决策时间。值得注意的是，其他硬件问题(如接地故障、跟踪器和电线)可能需要相当长的时间才能解决，这可能是由于检测和维修的复杂性导致的。
表1：展示了所有硬件问题的损失生产天数和估计损失发电产能的平均值和中位数（按系统规模区分）
综合所有硬件问题后，表1给出了损失生产天数的中值和平均值。此外，还可以估计系统规模损失容量的近似值。在公用事业规模上，损失产能通常用天数计算，即1-2%的产能。对于商业系统，则通常损失数周的生产时间，而住宅系统则损失超过一个月。
可恢复和不可恢复的性能损失
长期不可恢复的性能下降或性能损失率对光伏项目的经济性有很大影响。由于只有5年的数据和有限的天气修正，从这一数据集得到的性能损失率将具有很高的不确定性。不过，逆变器子类别包含了足够的数据点，用标准最小二乘回归法从每年的P50值中计算每个系统规模类别的性能损失率，并将其与系统停机时间相关联，如图4（a）所示。
图4：逆变器停机时间（a）引起的性能损失率，以及（b）组件与系统性能损失的对比
因为逆变器造成的中断对于公用事业规模系统来说只有几天时间，所以这类系统没有明显的“退化”。然而，由逆变器引起的商业和住宅系统中断的时间从几周到一个多月不等。这些明显的“性能损失率”由于逆变器停机以外的不确定性是显而易见的，并可能是可恢复的。这清楚地强调了在评估系统级性能损失时，必须仔细考虑操作和维护（O&M）记录。图4（b）更清楚地说明了组件和系统性能损失之间的区别，尽管性能损失机制不同，例如RdTools中包含的同比方法可能会导致不同的系统性能损失率[4]。然而，可以看出，特定系统平衡（BOS）组件的停机时间从一个平均组件累积到一个更大的系统性能损失[5]。
安装质量
一些BOS组件故障引发了有关安装质量及其对可靠性的影响的问题。图5显示了安装人员的数量与每个安装人员所安装的系统数量，这些数字是用不同颜色的空心圆对已安装系统的中值大小进行区分。大型商业安装人员可以在图的右侧找到。相反，左侧显示的是大量只安装了一两套系统的安装人员。同一安装人员出现的硬件问题在右轴上以空心菱形表示。每年发生一次硬件时间将导致100%发生；因为每年可能发生多个问题，所以发生次数可能大于100%。尽管指标不完善，但安装较少系统数量都安装人员比安装大量系统的安装人员的硬件问题发生率更高。这强调了安装经验、标准和认证的好处，例如通过IECRE提供的那些，IECRE是IEC对可再生能源应用设备相关标准的认证体系。此外，对安装人员的培训和认证可对长期可靠性产生积极影响。
图5：安装人员数量与每个安装人员安装的系统数量，按安装的中间规模（左轴）进行颜色区分。每个安装人员出现硬件问题的百分比（右轴）
气候趋势和安装最佳实践—遮阳板组件
一个经常被问到的问题是，某些故障是否与温度、湿度和风速等气候条件有关。为了研究这个问题，我们采用了光伏特定的气候带，而不是常用但不充分的koppen-Geiger气候分类[6]。如图6（a）所示，在公用事业规模系统的较热气候区，可以看到逆变器故障的数量增加。然而，商业和住宅系统并没有遵循同样的趋势。
图6：逆变器故障发生率（a）是光伏特定温度区的函数（基于支架安装的模型）。系统规模用不同颜色进行区分，湿度PV气候区用不同的符号表示。回归线用虚线表示。每个区域的数据点数量显示在图表顶部。发生故障（橙色）和无故障（蓝色）的系统都逆变器方向如（b）所示。通过相邻建筑物或植被获得一些阴影的逆变器由交叉阴影图案表示。
对这种差异的解释可能是，公用事业项目通常是大型的地面安装系统，其中逆变器暴露在户外，可能并不总是被遮蔽。相比之下，许多商业系统（但不是全部）和住宅系统都是屋顶安装，根据建筑物的方向或建筑物内部的位置，可以发现逆变器朝向不同的方向。对发生逆变器故障的系统进行采样，使用谷歌地图记录方向，并在图6（b）中以橙色显示。不成比例地，更多的逆变器面相南方或西方而不是东方，只有极少数面相北方。此外，由于相邻的结构或植被，逆变器可能会经历一些阴影，这通过交叉阴影表示。相比之下，没有逆变器故障的系统是随机抽样的，因为数量很大，显示为蓝色条进行比较。这些逆变器也更有可能被遮住，这再次表明交叉阴影。北半球朝南的无阴影逆变器直接暴露在阳光下，比有阴影的逆变器经历更长时间的高温。西向逆变器经历了与每日最高环境温度一致的日照，这可能解释了高故障率。当然，逆变器制造商和类型也可能对故障数量产生影响，并可能导致一些数据噪声。
跟踪器通常用于公用事业规模的系统和地面安装吗商业设施，并同样暴露于各种天气条件。我们在不同的气候区测试跟踪器故障的可能性，如图7所示。需要更多的数据来证实在更热的气候区发生更高故障的微弱趋势，尽管更热的气候区也通常由更多的沙质气候组成，这可能与增加的故障风险有关。相比之下，图7（b）中可以看到更清晰的趋势，即在风速较高的位置出现更高的故障。
图7（a）: 跟踪器问题作为光伏特定温度区和（b）PV特定风速区的函数（支架安装）。跟踪器类型由不同的颜色和符号表示。标准最小二乘回归拟合用黑色实践表示，95%置信区间用虚线表示。每个区域的数据点数量显示在图表顶部。
光伏项目问题
硬件问题并不是对光伏发电产生重大影响的唯一类别。在本节中，我们将讨论一些与项目或站点相关的问题。如图8所示，这些损失中最常见的是光伏项目现场的安装后施工。屋顶维修或翻新期间，光伏系统必须关闭和拆除是常见的问题，电力损失主要发生在住宅和商业系统。损失的产量平均在20%的范围内。公用设施系统通常是地面安装的，并且在商业运行日期（COD）之前已经完成大部分施工：因此，这些系统通常不受施工的影响。COD的延迟可能是由于各种原因造成的，通常发生在第一年。原因包括延迟许可、并网、监控或其他设备安装。此外，如果目标COD进入冬季，天气往往会根据具体地理位置造成延误。在这一子类中，商业和住宅系统比公用事业系统更容易受到延误的影响。相比之下，项目融资是一个主要影响住宅和小型商业系统的子类别，其特点是随着时间的推移影响更大。项目融资子类别中任何类型的未付款都可能导致光伏系统关闭或搬迁，这可能对每年产生巨大影响。另外，火灾或热影响事件，是一个令人震惊的子类别，因为其广泛的能见度和对整个行业的影响力。然而，该子类别中报告的大多数事件不是由光伏系统引起的。公用事业规模系统的这两起事件是由光伏系统附近的森林火宅引起的，与光伏系统本身无关。两起事件涉及逆变器而非组件，表明组件（如逆变器和汇流箱）下游存在额外的潜在风险。其余的子类别主要影响住宅和商业系统。盗窃主要影响住宅系统中的组件，而商业系统受铜线盗窃的影响更大。动物造成的破坏可能并不经常发生，但它们会对每年发电量产生重大影响。最后，不可抗力事件（此处未显示）—系统被火灾或风灾摧毁而无法恢复至少部分系统性能的事件，平均每年每10000个项目发生一到两次。
图8：每个项目子类别的硬件问题发生（顶部）和生产损失（底部）。不同规格系统由不同的彩色符号表示。
结论
1603法规下的数据集包括了100,000个光伏系统，总装机容量超过7GW。该数据集为了解光伏系统的性能和可靠性表现提供了有用的信息。大多数系统（80-90%）的实际产量与预期产量的偏差都在10%以内，这对整个行业来说是一个积极的发现。
此外，我们还发现与组件相关的故障率非常低，约为每年0.2%，尽管性能不佳组件的全部影响可能尚未在该数据集中完全发现。这些积极方面与一些关注领域的调查结果相平衡，特别是一些系统平衡问题。例如，逆变器故障率很高，但也受到安装实践的影响。逆变器暴露在较少阳光直射下的安装表明故障率显著降低。
一般来说，安装质量对长期光伏可靠性起着重要作用，并强调了安装实践、培训、认证和标准的重要性，不仅在只要制造层面，而且在安装层面。此外，公用事业规模系统的一般硬件问题比商业和住宅系统的问题解决速度快得多，说明积极主动地在进行操作和维护以及快速发现问题方面还有改进的余地。最后，还需要进一步的研究，以更好地估计特定原因造成的产量损失，因为在本研究中，混杂因素并不总是能够清楚地分开。
致谢
作者要感谢E.Settle、J.CoughlinD.Gagne D.Peterson和Katherine Jordan。本研究的部分是由美国能源部（DOE）国家可再生能源实验室（nationalrenewable energy laboratory）的运营商Alliancefor Sustainable energy,LLC根据合同DE-AC36-08GO28308出版的。并由美国能源部能源效率和可再生能源办公室（EERE）根据太阳能技术办公室（SETO）第30295号协议提供的资金。文章中表达的观点不一定代表能源部或美国政府的立场。美国政府和出版商通过接受文章出版，对该文章保留非独家的、付费的、不可撤销的和世界范围的出版或复制（包括允许其他人这样做的权利）许可。
作者简介
自2009年以来，Dirk Jordan博士一直是国家可再生能源实验室的高级可靠性专家。他于1999年获得亚利桑那州立大学物理学博士学位和德国海德堡大学物理学学士学位。他专门研究光伏组件和系统的性能和退化机制。
Chris deline 博士是NREL的研发工程师，负责光伏系统退化率和双面电池性能建模的研究工作。他负责管理光伏电池性能数据计划，该计划汇总和分析第三方现场性能数据，并负责管理NREL的光伏试验场计划，以对新型光伏技术进行户外现场评估。
Bill Marion是国家可再生能源实验室的首席工程师。他拥有能源系统硕士学位，是一名注册专业工程师。Bill在光伏组件和系统测试和评估、建模和太阳能资源评估领域拥有超过35年的工作经验。
Teresa Barnes负责领导NREL的光伏可靠性和系统性能研究小组。她还是光伏组件材料研究DuraMat联合会的首席研究员和主任。Barnes博士的团队专注于光伏组件和系统可靠性，包括加速测试开发、户外现场测试、能源产量评估、退化率分析、户外现场性能基准测试和材料科学等。她是一名化学工程师，拥有科罗拉多矿业学院的博士学位和马里兰大学的理学学士学位。
Mark Bollinger是劳伦斯伯克利国家实验室电力市场和政策部门的研究科学家，在那里他主要研究和分析可再生能源（主要是公用事业规模的风能和太阳能）相关课题，关注重点是成本、效益和市场分析。
