光伏发电基础：从光子到电能的完整链路
各位同学好，我是老张。今天咱们聊聊光伏发电的基础知识。说实话，这部分内容我讲了不下几十遍，但每次备课还是会发现新的感悟。光伏这东西，看着简单——太阳一晒就有电，但真要把它用好，里面的门道可不少。
咱们做光储充协同调度，光伏是能量来源的起点。你连光伏怎么发电、怎么出力都不清楚，后面谈什么调度策略？所以这一节，我带你从原理到实践，把光伏的底裤扒干净。
2.1 光伏电池原理：光生伏特效应
光伏电池的核心原理，说白了就是「光生伏特效应」。什么意思呢？
想象一下，你拿一束光打到半导体材料上。光子携带能量，如果这个能量大于材料的禁带宽度，就会把电子从价带「撞」到导带上去。电子跑了，留下一个空穴——这就形成了电子-空穴对。
但光产生电子空穴对还不够，你得把它们分开才能形成电流。这时候就需要PN结出场了。P型半导体多空穴，N型半导体多电子，两者接触后形成一个内建电场。这个电场会把光生电子推向N区，把空穴推向P区——于是，一个光生电压就产生了。
关键参数：
- 开路电压Voc：光照下电池两端最大电压，一般在0.5-0.7V（单晶硅）
- 短路电流Isc：电池短路时的最大电流，与光照强度成正比
- 填充因子FF：衡量电池质量的指标，通常在0.7-0.85之间
- 转换效率η：光电转换效率，目前量产单晶硅电池约20-24%
我记得刚入行那会儿，有个项目用了一批多晶硅组件，效率只有16%左右。当时觉得还行，现在回头看，那效率简直没法看。技术迭代是真的快。
2.2 I-V特性曲线：光伏电池的「心电图」
光伏电池的I-V特性曲线，就是它的「心电图」。你拿到一块组件，测一下I-V曲线，基本就能判断它的健康状况。
典型的I-V曲线长什么样？横轴是电压V，纵轴是电流I。曲线从短路点（V=0, I=Isc）开始，随着电压升高，电流缓慢下降，到开路点（V=Voc, I=0）结束。曲线拐弯的地方，就是最大功率点MPP。
这里有个坑，我踩过好几次——温度和光照对I-V曲线的影响非常大。
| 影响因素 | 对I-V曲线的影响 | 实际表现 |
|---|---|---|
| 光照强度↑ | Isc线性增大，Voc略微增大 | 晴天中午电流最大 |
| 温度↑ | Voc明显下降，Isc略微增大 | 夏天电压偏低，效率下降 |
| 阴影遮挡 | 曲线出现台阶，功率骤降 | 一片树叶就能让整串组件出力减半 |
避坑指南：我曾经在某个分布式光伏项目上，发现组件实际出力只有铭牌功率的60%。排查了半天，结果是组件表面有一层鸟粪。别笑，这种问题在实际运维中太常见了。所以做光伏预测时，一定要考虑清洁度衰减因子。
2.3 MPPT最大功率点跟踪技术
光伏电池的I-V曲线上，只有一个点能让输出功率最大。这个点就是最大功率点MPP。但问题是，光照和温度一直在变，MPP的位置也在漂移。你怎么办？
答案就是MPPT——最大功率点跟踪。说白了，就是让逆变器或DC/DC变换器不断调整工作点，始终「咬住」那个最大功率点。
常用的MPPT算法有几种：
- 扰动观察法（P&O）：最经典的方法。给电压加一个小扰动，看功率变化。功率增加了就继续同方向扰动，减少了就反向。简单粗暴，但稳态时会在MPP附近振荡。
- 电导增量法（INC）：通过判断dP/dV的符号来调整。精度高，响应快，但计算量稍大。
- 恒定电压法：近似认为MPP电压约为开路电压的0.76倍。简单，但精度差，适合低成本场景。
// 扰动观察法伪代码，我习惯用这个做快速原型
float V_old = 0, P_old = 0;
float V_step = 0.5; // 电压扰动步长
while (1) {
float V_now = read_voltage();
float I_now = read_current();
float P_now = V_now * I_now;
if (P_now > P_old) {
// 功率增加，保持扰动方向
V_ref += (V_now > V_old) ? V_step : -V_step;
} else {
// 功率减少，反向扰动
V_ref += (V_now > V_old) ? -V_step : V_step;
}
V_old = V_now;
P_old = P_now;
delay(10); // 采样间隔
}
我的经验：实际项目中，我很少用单一的MPPT算法。我习惯用「双模式切换」——光照剧烈变化时用电导增量法快速跟踪，光照稳定时用扰动观察法降低计算开销。你想想看，一个光伏电站几千个组件，每个逆变器都在跑MPPT，计算量省一点是一点。
2.4 光伏出力预测方法
做光储充协同调度，最头疼的就是光伏出力不确定性。你调度方案做得再好，明天突然来一片云，出力直接腰斩，全白搭。所以，光伏出力预测是调度策略的「眼睛」。
预测方法分几类：
2.4.1 物理模型法
基于气象数据和光伏组件物理模型。输入：辐照度、温度、风速。输出：直流功率。公式其实不复杂：
P = G * A * η * (1 - β * (T_cell - 25))
其中：
G = 辐照度 (W/m²)
A = 组件面积 (m²)
η = 标准测试效率
β = 温度系数 (约0.004/°C)
T_cell = 电池温度 (°C)
这个方法的好处是物理意义清晰，但缺点也很明显——你很难拿到精确的辐照度数据。气象站的数据是小时级的，而光伏出力变化是分钟级的。
2.4.2 统计学习法
用历史数据训练模型。常见的有：
- ARIMA时间序列模型：适合短期预测（15分钟-1小时）
- 支持向量回归SVR：适合中期预测（1-6小时）
- 神经网络/深度学习：适合复杂场景，但需要大量数据
2.4.3 混合方法
我目前在项目中用的最多的就是混合方法。先用物理模型算一个基准值，再用机器学习修正误差。说白了，就是「物理骨架 + 数据血肉」。
实际案例：去年我在一个工业园区做光储充项目，光伏装机2MW。我们用了LSTM神经网络做超短期预测（未来15分钟），结合数值天气预报NWP做短期预测（未来24小时）。最终预测误差控制在8%以内——这个精度对于调度策略来说已经够用了。
知识体系总览
下面这张图，是我梳理的光伏发电基础的知识结构。你可以把它当作这一节的「地图」——先看原理，再理解特性曲线，然后掌握MPPT技术，最后学会预测方法。四步走，光伏这块你就拿下了。
好了，光伏发电基础这部分就讲到这里。记住一句话：光伏不是「有光就有电」那么简单，它的出力特性受温度、光照、阴影、组件老化等多重因素影响。做调度策略时，一定要把这些因素都考虑进去，否则你的「最优策略」到了现场就是一张废纸。