DOI: https://doi.org/10.1016/j.apenergy.2025.126132
تاريخ النشر: 2025-05-29
المؤلف: Xin Chen وآخرون
الموضوع الرئيسي: تقنيات تحسين أنظمة الطاقة الشمسية
نظرة عامة
تقدم هذه القسم مراجعة شاملة لمجموعات البيانات مفتوحة المصدر المتعلقة بتقييم تدهور الطاقة الشمسية (PV)، مع تسليط الضوء على أنواع البيانات المتاحة، ووظائفها، والأدوات لمعالجتها. ويؤكد على ضرورة هذه المجموعات لفهم آليات تدهور الطاقة الشمسية، ونمذجة أداء النظام، وتعزيز الموثوقية على المدى الطويل. يصنف المؤلفون مجموعات البيانات بناءً على عوامل مختلفة، بما في ذلك الظروف البيئية، ومواقع الأنظمة، ومقاييس الأداء، والتفتيش القائم على الصور، وخصائص المواد، مما يعالج التحديات المتعلقة بإمكانية العثور على البيانات وقابليتها للاستخدام.
تؤكد الخاتمة على أهمية الالتزام بمبادئ FAIR – إمكانية العثور عليها، والوصول إليها، والتشغيل البيني، وإعادة الاستخدام – في المنشورات المستقبلية للبيانات لضمان سلامة البيانات وشفافيتها. تدعو إلى مركزية مجموعات البيانات على منصات مثل DuraMAT DataHub، باستخدام مخططات ومعايير بيانات موحدة لتحسين التشغيل البيني. كما يدعو المؤلفون إلى تطوير مجموعات بيانات مرجعية لتسهيل المراجع الموحدة، مما سيمكن من إجراء تحليلات أكثر قوة وقابلية للمقارنة في أبحاث تدهور الطاقة الشمسية. بشكل عام، تهدف هذه العمل إلى تقليل تجزئة البيانات وتوجيه مجتمع أبحاث الطاقة الشمسية للاستفادة من البيانات المتاحة لتعزيز الدراسات حول متانة الطاقة الشمسية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية الطاقة الشمسية كمورد متجدد محوري في الجهود العالمية للحد من انبعاثات الكربون وتعزيز التنمية المستدامة. تشير إلى انخفاض كبير في تكلفة الكهرباء المستوية (LCOE) للطاقة الشمسية على نطاق المرافق، حيث انخفضت من 0.445 دولار أمريكي/كيلوواط ساعة في 2010 إلى 0.049 دولار أمريكي/كيلوواط ساعة في 2022، مما يبرز الجدوى الاقتصادية للطاقة الشمسية مقارنة بالوقود الأحفوري. ومع ذلك، تؤكد الورقة على التحديات التي تطرحها البيئات التشغيلية وتدهور المواد، مما يتطلب استراتيجيات مراقبة وصيانة تنبؤية قوية لتعزيز طول عمر وموثوقية أنظمة الطاقة الشمسية (PV).
يحدد المؤلفون الدور الحاسم للبيانات عالية الجودة في تنفيذ مراقبة فعالة وصيانة تنبؤية، باستخدام طرق مدفوعة بالبيانات متنوعة، بما في ذلك التعلم الآلي (ML) لتوقع الأداء واكتشاف العيوب. على الرغم من إمكانيات هذه الطرق، تشير الورقة إلى التحديات الكبيرة المتعلقة بتجزئة البيانات، وعدم التناسق في تنسيقات البيانات، وصعوبات جمع البيانات على المدى الطويل. يجادل المؤلفون بأن معالجة هذه القضايا من خلال تنسيقات بيانات موحدة وتحسين سياسات مشاركة البيانات أمر ضروري لتقدم أبحاث الطاقة الشمسية. تهدف الورقة إلى سد فجوة في الأدبيات من خلال تقديم مراجعة شاملة لمجموعات البيانات المتاحة للجمهور ذات الصلة بأداء وتدهور الطاقة الشمسية، ملخصة ميزاتها، موصية بالأدوات ونماذج التعلم الآلي للتحليل. تسعى هذه المراجعة إلى تعزيز قابلية استخدام البيانات وإلهام الأبحاث المستقبلية في هذا المجال.
الطرق
في هذا القسم، يستعرض المؤلفون مجموعات بيانات فواتير المواد (BOM) لوحدات الطاقة الشمسية (PV) القائمة على السيليكون (Si)، التي تهيمن حاليًا على السوق، إلى جانب البيانات الناشئة لخلايا الطاقة الشمسية البيروفيسكايت. يتم التأكيد على متانة المواد كعامل حاسم لعملية التشغيل الطويلة الأمد لوحدات الطاقة الشمسية، التي تواجه مجموعة متنوعة من الضغوط البيئية مثل ضوء الشمس، وتغيرات درجة الحرارة، والرطوبة، والضغوط الميكانيكية مثل الرياح والثلوج. يمكن أن تؤدي هذه العوامل إلى تدهور المواد، بما في ذلك الشقوق الدقيقة في خلايا الطاقة الشمسية والأضرار التي تلحق بالمكونات الواقية، مما يؤثر في النهاية على الكفاءة والموثوقية. يشير المؤلفون إلى أن التحليل الشامل ونمذجة هذه المواد وآليات تدهورها أمران أساسيان لتحسين تصميم الوحدات، ومع ذلك تظل مجموعات البيانات المتاحة التي تفصل المواد المكونة محدودة.
يناقش القسم أيضًا هيكل وحدة الطاقة الشمسية السيليكونية النموذجية، التي تتكون من خلايا شمسية سيليكونية بلورية متصلة، ومواد تغليف بوليمرية، وزجاج واقٍ أو صفائح بوليمرية، جميعها محاطة بإطار من الألمنيوم. يتم تسليط الضوء على تعقيد تحليل تدهور المواد بسبب التأثيرات التآزرية لمختلف مسارات التدهور. على سبيل المثال، يمكن أن يؤدي دخول الرطوبة إلى التحلل المائي للبوليمر، مما يؤدي إلى تآكل الاتصالات المعدنية وهشاشة الطبقة الخلفية. يشير المؤلفون إلى نقص الوصول العام إلى بيانات BOM الشاملة، مما يخلق عدم اليقين لمشتري الوحدات بشأن تفاصيل المواد الضرورية لتقييم الأداء على المدى الطويل. يقدمون قاعدة بيانات خصائص مواد الطاقة المتجددة (REMPD) كمورد رئيسي يوثق متطلبات المواد لمختلف أنظمة الطاقة الشمسية، مع الإشارة أيضًا إلى ندرة بيانات الاستقرار لخلايا الطاقة الشمسية البيروفيسكايت. يقترح المؤلفون أن البحث في الأدبيات العلمية يمكن أن يساعد في إنشاء مجموعات بيانات كبيرة تربط بين المواد ومعلمات المعالجة والاستقرار، مما يعزز فهم أداء خلايا الطاقة الشمسية البيروفيسكايت.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على الدور الحاسم للبيئة التشغيلية في التأثير على أداء وتدهور أنظمة الطاقة الشمسية (PV). يؤكد على أن العوامل البيئية مثل الإشعاع الشمسي (المقاس كإشعاع مباشر عادي (DNI)، وإشعاع أفقي منتشر (DHI)، وإشعاع أفقي عالمي (GHI))، ودرجة الحرارة، والرطوبة، وظروف الرياح تؤثر بشكل كبير على كل من إنتاج الطاقة وطول عمر صفوف الطاقة الشمسية. يستشهد القسم بدراسات توضح الارتباطات الإحصائية بين هذه العوامل البيئية ومسارات التدهور، مشيرًا إلى أن الأحداث الجوية القاسية والملوثات يمكن أن تزيد من إجهاد المواد وفقدان الأداء. يتم التأكيد على الحاجة إلى استراتيجيات مراقبة وتخفيف شاملة، بما في ذلك التنظيف المنتظم واستخدام الطلاءات المضادة للتلوث، لتعزيز موثوقية أنظمة الطاقة الشمسية.
بالإضافة إلى ذلك، تستعرض الورقة مجموعة متنوعة من مجموعات البيانات العالمية والإقليمية التي توفر معلومات أرصادية وبيئية أساسية لتحليل أداء الطاقة الشمسية. توفر قواعد بيانات بارزة مثل قاعدة بيانات الإشعاع الشمسي الوطنية (NSRDB) وERA5 بيانات مكانية زمنية شاملة، يمكن دمجها مع مقاييس أداء الطاقة الشمسية لتحسين نمذجة التدهور. يناقش القسم أيضًا أهمية البيانات عالية الدقة والموقع المحدد لتطبيقات التعلم الآلي التي تهدف إلى اكتشاف الأعطال وتوقع الأداء. تعتبر الرؤى المستخلصة من هذه المصادر البيانية ضرورية لتطوير نماذج تنبؤية يمكن أن تُعلم ممارسات الصيانة وتطيل العمر التشغيلي لأنظمة الطاقة الشمسية، بينما تعالج أيضًا التحديات التي تطرحها الظروف البيئية المتغيرة والحاجة إلى طرق تعلم آلي قابلة للتفسير لتعزيز فهم آليات التدهور.
DOI: https://doi.org/10.1016/j.apenergy.2025.126132
Publication Date: 2025-05-29
Author(s): Xin Chen et al.
Primary Topic: Photovoltaic System Optimization Techniques
Overview
The section provides a comprehensive review of open-source datasets pertinent to assessing photovoltaic (PV) degradation, highlighting the types of data available, their functionalities, and the tools for processing them. It emphasizes the necessity of these datasets for understanding PV degradation mechanisms, modeling system performance, and enhancing long-term reliability. The authors categorize the datasets based on various factors, including environmental conditions, system locations, performance metrics, image-based inspections, and material characteristics, thereby addressing challenges related to data findability and usability.
The conclusion underscores the importance of adhering to FAIR principles—Findability, Accessibility, Interoperability, and Reusability—in future data publications to ensure data integrity and transparency. It advocates for the centralization of datasets on platforms like DuraMAT DataHub, employing standardized schemas and metadata to improve interoperability. The authors also call for the development of benchmark datasets to facilitate uniform references, which would enable more robust and comparable analyses in PV degradation research. Overall, this work aims to mitigate data fragmentation and guide the PV research community in leveraging available data to advance studies on PV durability.
Introduction
The introduction of this research paper highlights the significance of solar energy as a pivotal renewable resource in global efforts to mitigate carbon emissions and promote sustainable development. It notes a dramatic decrease in the levelized cost of electricity (LCOE) for utility-scale solar power, dropping from 0.445 USD/kWh in 2010 to 0.049 USD/kWh in 2022, which underscores the economic viability of solar energy compared to fossil fuels. However, the paper emphasizes the challenges posed by operational environments and material degradation, necessitating robust monitoring and predictive maintenance strategies to enhance the longevity and reliability of photovoltaic (PV) systems.
The authors identify the critical role of high-quality data in implementing effective monitoring and predictive maintenance, utilizing various data-driven methods, including machine learning (ML) for performance prediction and defect detection. Despite the potential of these methods, the paper points out significant challenges related to data fragmentation, inconsistencies in data formats, and the difficulties of long-term data collection. The authors argue that addressing these issues through standardized data formats and improved data-sharing policies is essential for advancing PV research. The paper aims to fill a gap in the literature by providing a comprehensive review of publicly accessible datasets relevant to PV performance and degradation, summarizing their features, and recommending tools and ML models for analysis. This review seeks to enhance data usability and inspire future research in the field.
Methods
In this section, the authors review bill-of-materials (BOM) data sets for silicon (Si)-based photovoltaic (PV) modules, which currently dominate the market, alongside emerging data for perovskite solar cells. The durability of materials is emphasized as critical for the long-term operation of PV modules, which face various environmental stressors such as sunlight, temperature changes, humidity, and mechanical stresses like wind and snow. These factors can lead to material degradation, including microcracks in solar cells and damage to protective components, ultimately affecting efficiency and reliability. The authors note that comprehensive analysis and modeling of these materials and their degradation mechanisms are essential for optimizing module design, yet available data sets detailing component materials remain limited.
The section also discusses the structure of a typical silicon PV module, which consists of interconnected crystalline silicon (c-Si) solar cells, polymer encapsulants, and protective glass or polymer sheets, all housed within an aluminum frame. The complexity of analyzing material degradation is highlighted due to the synergistic effects of different degradation pathways. For instance, moisture ingress can lead to polymer hydrolysis, resulting in corrosion of metal contacts and embrittlement of the backsheet. The authors point out the lack of public access to comprehensive BOM data, which creates uncertainty for module buyers regarding material specifics crucial for assessing long-term performance. They introduce the Renewable Energy Materials Properties Database (REMPD) as a key resource that documents material requirements for various PV systems, while also noting the scarcity of stability data for perovskite solar cells. The authors suggest that mining research literature could help create large data sets linking materials and processing parameters to stability, thereby enhancing understanding of perovskite solar cell performance.
Discussion
The discussion section of the research paper highlights the critical role of the operational environment in influencing the performance and degradation of photovoltaic (PV) systems. It emphasizes that environmental factors such as solar irradiance (measured as direct normal irradiance (DNI), diffuse horizontal irradiance (DHI), and global horizontal irradiance (GHI)), temperature, humidity, and wind conditions significantly affect both the power output and longevity of PV arrays. The section cites studies demonstrating statistical correlations between these environmental factors and degradation pathways, noting that extreme weather events and pollutants can further exacerbate material fatigue and performance loss. The need for comprehensive monitoring and mitigation strategies, including regular cleaning and the use of anti-soiling coatings, is underscored to enhance the reliability of PV systems.
Additionally, the paper reviews various global and regional data sets that provide essential meteorological and environmental information for PV performance analysis. Notable databases such as the National Solar Radiation Database (NSRDB) and ERA5 offer extensive spatio-temporal data, which can be integrated with PV performance metrics to improve degradation modeling. The section also discusses the importance of high-resolution, site-specific data for machine learning applications aimed at fault detection and performance prediction. The insights gathered from these data sources are crucial for developing predictive models that can inform maintenance practices and extend the operational lifespan of PV systems, while also addressing the challenges posed by varying environmental conditions and the need for explainable machine learning methods to enhance understanding of degradation mechanisms.