Oleg Olikh · Oleksii Zavhorodni · Solar Energy · 2025年1月 · Vol.300

摘要 本研究提出了一种基于机器学习（ML）的创新方法，用于量化硅太阳能电池中的铁杂质。通过对80种模型进行综合分析，采用随机森林（RF）、梯度提升（GB）、极端梯度提升（XGB）、支持向量回归（SVR）和深度神经网络（DNN）等算法，根据FeB对解离引起的光伏参数变化来预测铁浓度。研究识别了训练数据集为最小化预测误差所需满足的条件，以及能够产生最准确预测的特征组合。此外，评估了使用主成分分析（PCA）进行数据预处理的有效性。结果表明，XGB和DNN模型优于其他模型，在合成数据上达到的均方误差（M...

解读: 该机器学习铁杂质检测技术对阳光电源SG系列光伏逆变器和iSolarCloud平台具有重要应用价值。通过XGB/DNN算法实时监测组件铁污染导致的效率衰减,可集成至MPPT优化算法中实现动态功率预测修正。建议将此方法嵌入智能运维系统,结合光伏参数变化特征实现组件质量分级与寿命预测,提升电站资产管理精度...