光伏（PV）技術已成為全球向可再生能源轉型的關鍵組成部分，為不斷增長的能源需求和環境問題提供了可持續的解決方案。近年來，已經開展了許多相關研究[[1], [2], [3], [4], [5]]。美國能源信息署（EIA）預測，2015年至2040年間全球能源消耗將增加28%，即每年增長1.12%。能源需求的增加是這一趨勢的催化劑[6]。為應對這一挑戰，特別是在中東和北非（MENA）地區，這些地區每年接收到的陽光量超過6千瓦/平方米，許多地方開始建設大規模的太陽能發電設施。目前，該地區的太陽能裝機容量已達5700兆瓦（MW）[7]。隨著中東地區更多太陽能項目的開發，這一數字可能會繼續增加，例如卡塔爾在多哈西部阿爾-卡薩赫（Al-Kharsaah）地區建造了一座700兆瓦的太陽能發電廠[8]。MENA地區的極端環境要求定期監測光伏系統的性能，因為高溫和高灰塵積累是常見現象[9]。此外，卡塔爾靠近阿拉伯灣，導致頻繁出現露點現象，使灰塵粘附在玻璃上，形成了最近沙漠污染研究中提到的磨蝕性和親水性污染機制的惡劣組合[10]。長期監測光伏性能有助于減少能源產量預測的不確定性，并為解決光伏系統在極端環境中的挑戰提供基礎。因此，數據采集系統（DAS）對于監測光伏系統至關重要，但高昂的商業價格以及無法適應各種情況限制了光伏系統的本地監測，尤其是對于大規模的光伏發電廠。針對這一問題，許多研究實施了帶有自己傳感器和數據采集方法的光伏監測系統[11,12]。值得注意的是，在[13]中，開發了一種內部DAS，可以從傳感器中獲取八個關鍵參數。每個傳感器都針對多哈的極端天氣條件進行了定制的信號處理電路。該定制的光伏系統使用Xbee?和LabVIEW?進行無線數據傳輸，以實現遠程監測。
監測光伏系統中的多個環境參數有助于利益相關者更好地了解這些因素對系統的影響，從而制定相應的對策。圖阿蒂等人[14]發現，在多哈，灰塵對非晶硅和單晶硅光伏電池板的效率影響比溫度或相對濕度更大。他們強烈建議定期清潔面板或進行技術改造，以實現可靠的電力輸出。本研究將利用疏水涂層來探討疏水涂層是否有助于減輕污染的影響。疏水涂層在減少灰塵和顆粒積累方面顯示出巨大潛力。這種減少污染不僅提高了光伏面板的效率，還降低了維護需求，即使在具有挑戰性的沙漠環境中也能保持穩定的能源輸出。
最近，為了提高光伏系統的性能，建立了性能預測模型。這些預測包括每小時功率變化和閃爍預測、調度管理、控制操作以及每日負荷消耗和生產監測[15]。其中一些預測使用了參數模型，其準確性主要受到各個模型功能及其復雜參數的影響[[16], [17], [18]]。因此，提出了基于數據驅動的輸入和輸出變量之間相關性的機器學習（ML）作為替代方案。已經有許多研究對此進行了探討，例如[19]，其中使用ML估計瑞士屋頂的潛在太陽能。李等人[20]利用機器學習（ML）和馬爾可夫模型（Markov model）以及回歸分析來準確預測光伏系統的輸出。在[21]中，穆罕默德等人提出了一種混合機器學習（ML）方法，結合皮爾遜相關系數（PCC）和多元線性回歸（MLR），以提高德國不同容量太陽能發電設施的中期預測準確性。特別是強調了在間歇性太陽能輸出背景下控制大數據方面的必要性。在[22]中，使用了基于變壓器的先進AI方法來預測太陽能光伏發電量。所提出的策略結合了后處理方法、改進的變壓器結構和數據插補。通過使用XGBoost和PMM進行缺失數據插補后，再使用GRU進行后處理。利用臺灣的天氣預報和太陽能電站的歷史數據，該模型的性能優于其他現有預測算法。根據數據，預處理和后處理對于獲得強大的預測性能至關重要。范等人[23]介紹了一種創新的光伏能源預測模型，該模型結合了特征工程、數據準備和帶有誤差校正的后處理。該模型的性能優于標準模型，并提高了準確性。它強調了特征工程的重要性，特別是在使用PCC和KPCA時，并突出了該模型在能源規劃和系統操作中的實用性。在[24]中提供了2020年至2022年機器學習（ML）在太陽能研究中的應用概述，強調了ML在故障檢測和系統優化等關鍵領域的應用價值。該綜述還強調了缺陷檢測統一方法的重要性、強化學習在最大功率點跟蹤（MPPT）中的價值，以及由于數據不足而帶來的深度學習的局限性。此外，它還促進了關于光伏面板回收和在實際系統中有效利用ML的研究。總體而言，從制造到實施，該綜述涵蓋了整個過程，并提供了關于ML在光伏業務中可能的應用和挑戰的見解。此外，它還強調了ML研究在鈣鈦礦太陽能電池（PSCs）中的重要性。此外，除了標準ML模型外，最近在隨機神經網絡架構（如隨機向量功能鏈接（RVFL）網絡）方面的發展也展示了其在預測和回歸任務中的巨大潛力，因為這些架構簡單且訓練速度快。[25]提供了對這些發展及其未來方向的全面回顧。
大多數研究沒有考慮涂層對光伏發電量預測的影響。因此，本研究利用機器學習在多哈進行預測，以進一步探討應用疏水涂層的效果。在這項工作中，提出了一種新穎的增量機器學習框架，隨著新數據的出現不斷改進預測模型。通過將這種自適應方法與堆疊策略（使用XGBoost元模型）相結合，我們確保了在動態環境條件下的穩健性能和高預測準確性。
在這個項目中，開發了一個定制的光伏監測系統，該系統是遠程且自給自足的。使用專用的灰塵積累系統（DAS）來監測和比較疏水涂層的灰塵積累情況，并使用額外的太陽能面板進行疏水涂層系統效率的對比測試，以收集相關的環境和電氣特性數據。
該系統設置在卡塔爾大學電氣工程系運營的太陽能實驗室。該地區的氣候溫暖且惡劣。卡塔爾位于該國東南部，阿拉伯灣環繞其海岸。作為一個沙漠國家，卡塔爾從5月到9月夏季炎熱，平均高溫輕松超過38°C，經常超過50°C。此外，由于靠近阿拉伯灣，夏季濕度水平超過90%[26]。
本文的主要貢獻在于概述了用于測試疏水涂層可行性的專門設計的光伏監測系統的總體設計。這包括兩個部分：軟件和硬件。利用六個月的環境和性能數據，分析了疏水涂層對光伏發電量的影響。開發了一個先進的機器學習模型，該模型利用涂層特性和氣象數據來準確預測光伏發電量。基于上述發現，本文做出了三個獨特的貢獻：我們設計并部署了一個低成本、自供電的數據采集系統（硬件+軟件），適用于卡塔爾惡劣的沙漠氣候，能夠以一分鐘為分辨率記錄11個環境和電氣變量。利用該平臺，我們提供了首個長期實地證據（夏季+冬季），證明商用疏水涂層平均可提高直流功率約4%，并通過減少污染引起的異常值提高了數據一致性。我們提出了一種先進的預測框架，結合了增量學習和堆疊集成（XGBoost元學習器）。該模型在線更新，具有同類最佳的準確性（R2 = 0.9794），在統計上優于最近的六個基線模型。這些貢獻直接解決了在多塵、高溫地區進行可靠光伏產量預測的實際需求，并為基于涂層的、數據驅動的性能管理建立了藍圖。
本文的其余部分包括第二節，詳細介紹了數據收集和記錄過程；第三節解釋了機器學習方法；第四節分析了涂層和非涂層光伏面板的實驗結果。最終，在第四節中展示了和分析了疏水涂層和非疏水涂層的光伏面板實驗結果。
