光伏积灰（Soiling）损失 — Sarver 2013 综述与气象关联

光伏电站投运后，业主常常发现一个让人意外的现象：组件、逆变器、设计都没问题，理论出力曲线也算得很漂亮，但实测发电量就是比预期低了一截，而且随着时间推移、连续几周不下雨之后越拉越大。把组件表面擦干净的那一天，出力又会"跳"回来一个台阶。这个反复出现的台阶，背后往往就是积灰（soiling）——灰尘、沙粒、花粉、鸟粪等颗粒物沉积在组件玻璃表面，遮挡并散射了本该打进电池的阳光。

积灰是一个"看不见但持续放血"的损失项。它不像组件衰减那样缓慢而不可逆，也不像阴影那样在设计阶段就能算清楚；它高度依赖当地的气象条件和环境——同样的组件，装在多雨的沿海和装在干旱的内陆戈壁，积灰损失可能差好几倍。更麻烦的是，它和清洗成本、用水、人力是一组耦合的决策：清洗太勤白花钱，清洗太懒丢发电量，而最优的清洗节奏完全取决于当地"多久下一场能把灰冲干净的雨"。

要把积灰这件事从"凭感觉擦玻璃"做成"基于数据排期"，第一步是理解积灰损失的物理机理和影响因素，第二步是用长期气象序列把"高积灰风险时段"和"有效自清洁降水事件"识别出来。本文以 Sarver、Al-Qaraghuli 与 Kazmerski 在 2013 年发表于 Renewable and Sustainable Energy Reviews 的系统综述为锚点，梳理积灰研究的共识，并给出在运梦气象 API 上用降水、风速、湿度等序列量化积灰风险、优化清洗排期的工程做法。

关键要点

• 颗粒物沉积在组件表面会遮挡和散射入射光，降低玻璃透过率，从而直接拉低光伏输出功率——这是积灰损失最核心的物理机理。
• 积灰损失的程度随地区、季节、组件倾角、颗粒物性质差异很大，没有一个适用于所有场景的通用百分比；干旱、多尘、少雨地区（如中东、沙漠环境）通常最严重。
• 降水（雨）对组件有自然清洗作用，但小雨可能反而把灰尘和水混成泥点，加重不均匀积灰，因此并非所有降水都等于"洗干净了"。
• 缓解手段是多管齐下的：人工/机器人清洗、防尘涂层、倾角优化、静电除尘等，原文将其归纳为"恢复表面"与"防止沉积"两条路线。
• 积灰损失的量化必须结合当地气象与现场实测，这正是用长期气象序列（降水、风速、湿度）做积灰风险分析与清洗排期的出发点。

背景与定位

这篇综述的三位作者中，Lawrence L. Kazmerski 是光伏可靠性与器件领域的权威学者，长期在该领域有深厚积累；论文发表在 Renewable and Sustainable Energy Reviews（RSER）2013 年第 22 卷，页码 698–733。RSER 是可再生能源领域影响力很高的综述类期刊，这篇文章正是一篇"把灰尘对太阳能利用影响这件事讲透"的系统性综述。

文章的副标题点明了它的覆盖面：History、Investigations、Results、Literature 与 Mitigation approaches——也就是说，它不只是罗列几个实验数据，而是从历史脉络、研究方法、实测结果、文献综合到缓解方法，做了一次全景式梳理。对工程师而言，它的价值在于把散落在各地、各时期、各种气候条件下的积灰研究放到同一个框架里比较，让人看清"为什么不同文献给出的积灰损失数字差这么大"。

之所以这件事值得专门写一篇综述，是因为积灰是一个"常被忽视却可能决定项目成败"的问题。在阳光资源丰富、最适合建光伏的很多地区，恰恰也是干旱多尘的地区，积灰带来的发电损失叠加清洗带来的运维成本，可能显著影响电站的实际收益与投资可行性。理解积灰的机理与影响因素，是把电站从"理论装机"做成"长期高可用资产"的必修课。

方法 / 它做了什么

作为一篇综述，这篇文章的"方法"是系统性地收集、归纳并比较已有研究，而不是做某一个单点实验。它把全球太阳能资源丰富地区的积灰问题作为对象，重点关注由灰尘（dust）以及灰尘与水汽（dust-moisture）共同作用造成的污染，把这些研究放进一个统一的叙事框架里。

在机理层面，文章梳理了积灰造成损失的物理过程：颗粒物落在组件透光面上，一方面直接遮挡阳光，另一方面改变了表面的光学特性，使一部分光被散射或反射掉，最终结果是到达电池的有效辐照减少、组件透过率下降、输出功率降低。这条机理链是后面所有定量讨论的基础。

在影响因素层面，文章系统讨论了积灰随时间在不同环境下的演化，以及灰尘颗粒本身的性质（粒径、成分、是否带湿）如何影响沉积与黏附。它强调积灰不是一个静态量，而是随地区气候、季节更替、组件安装倾角、当地颗粒物来源持续变化的动态过程，这也解释了为什么不同研究得到的损失结果差异巨大。

在缓解方法层面，文章把对策归纳为两条路线：一是"恢复表面"，即通过清洗（人工冲洗、机械/机器人清洗等）把已经沉积的灰尘去掉；二是"防止沉积"，即通过防尘涂层、表面处理、倾角优化、静电除尘等主动技术减少灰尘黏附与积累。文章对这些手段的适用条件与权衡做了综述式的讨论。

贯穿全文的一个核心立场是：积灰损失的量化离不开当地气象条件和现场实测，不存在一个可以直接套用的通用百分比。这一点对工程落地极其重要——它意味着任何积灰损失评估都必须"本地化"，而气象序列正是本地化分析最现成、最可获取的输入。

关键结论

1. 颗粒物沉积在组件表面会遮挡并散射入射光，降低玻璃透过率，进而降低光伏输出功率——这是原文确认的积灰损失核心机理（定性结论）。
2. 积灰损失的程度随地区、季节、倾角与颗粒物性质差异很大，原文明确指出没有单一通用的损失百分比可以适用于所有场景；评估必须结合当地气象与现场实测。
3. 干旱、多尘、少雨地区（如中东、沙漠环境）的积灰问题通常最严重，长期不清洗会累积出显著的发电损失，这是原文的定性判断。
4. 降水具有自然清洗作用，但原文同时指出小雨可能反而形成泥点，加重不均匀积灰——也就是说"下了雨"不一定等于"灰被洗干净了"。
5. 缓解手段是多元的，原文归纳为"恢复表面"（清洗）与"防止沉积"（防尘涂层、倾角优化、静电除尘等）两条路线；具体选型需结合当地条件权衡。

需要特别说明：原文以定性结论为主，并刻意回避给出"放之四海皆准"的损失百分比。本文若在工程示例中出现任何具体阈值（例如"连续 N 天无有效降水即视为高风险"），均属于工程经验/示意，并非原文给出的数字，请读者结合本地实测自行标定。

对新能源 / 运梦平台的意义

这篇综述对运营层最直接的启示是：积灰损失天然是一个"气象驱动"的问题。既然原文反复强调损失程度依赖当地气候、降水和颗粒物环境，那么把当地的长期气象序列接进来，就是做积灰风险评估和清洗排期最自然的切入点。运梦气象 API 提供的 era5 历史再分析序列，正好能把"这个站点过去多年下雨多不多、风大不大、湿度高不高"这些决定积灰行为的关键变量一次性拉齐。

第一类用法是积灰高风险时段识别。用 era5 拉取该站点的逐日/逐时降水（pr）序列，统计连续无有效降水的干旱时段长度——少雨、干旱、连续无雨的窗口，恰恰是原文所说积灰最容易累积的高风险阶段。叠加风速（ws）与湿度（hurs），还能进一步刻画扬尘与黏附条件：大风扬尘期沉积更快，高湿环境下灰尘更容易黏附结块、更难被自然冲走。

第二类用法是有效降水自清洁事件识别。原文指出降水有自清洁作用，但小雨可能反而形成泥点，所以不能把"任意降水"都当成一次清洗。结合 pr 的降水量级与时间分布，可以把降水事件区分为"足以冲刷组件的有效降水"与"可能加重泥点的小雨"，从而更准确地估计两次自然清洗之间的"积灰窗口"。这个窗口长度，直接关系到人工清洗该不该上、什么时候上。

第三类用法是清洗排期与收益权衡。把历史气象统计出的积灰节奏，和清洗成本、当地电价、组件容量放在一起，就能从"凭经验擦玻璃"升级为"基于数据的清洗排期"：在自然降水难以指望的干旱季加密清洗，在雨季则更多依赖降水自清洁、减少不必要的人工。对于短期的临门一脚——比如"这周要不要派人去清洗"——还可以叠加 ger（德国气象局）的降水预报，如果未来几天有一场足量的雨，就可以推迟清洗、把这场雨用满。

在运梦气象 API 上手

下面用一个最小示例说明思路：拉取目标电站近一年的逐时序列，重点关注降水（pr）以判断自清洁事件与干旱窗口，同时取风速（ws）、湿度（hurs）刻画扬尘与黏附条件，并用地表下行短波辐射（rsds）与气温（tas）做出力侧的对照分析。dataSourceId 选用 era5 历史再分析；如果要把短期清洗决策也纳进来，可再用 ger 拉取未来降水预报作为补充。注意运梦 API 已做单位后处理：pr 单位为 mm/h（逐时降水率）、tas 为 °C、hurs 为 %、ws 为 m/s、rsds 为 W/m²，无需再做量纲换算。

把拉回来的序列按日聚合后（逐时 pr 为 mm/h，按日对各逐时值累加即得当日累积降水量 mm），先统计"连续无有效降水天数"识别积灰高风险时段，再用降水量级把每场雨标记为"有效自清洁"或"可能成泥点的小雨"，最后结合清洗成本与电价做排期。下面是一个 downloadSync 的请求示例：

{
  "dataSourceId": "era5",
  "lat": 38.47,
  "lon": 106.27,
  "stime": "2025-06-01 00:00",
  "etime": "2026-06-01 00:00",
  "fields": ["pr", "ws", "hurs", "rsds", "tas"],
  "timezone": "8"
}

常见问题

问：积灰一年大概损失多少发电量？ 答：原文明确指出没有通用百分比——损失高度依赖当地气候、降水、倾角和颗粒物性质，差异可以很大。正确做法是用本站点的长期气象序列结合现场实测来标定，而不是套用别处的数字。任何脱离本地条件的"固定损失率"都不可靠。

问：只要下雨，组件就会被洗干净吗？ 答：不一定。原文指出降水确有自然清洗作用，但小雨可能反而把灰和水混成泥点，加重不均匀积灰。所以要区分"有效降水"和"可能成泥点的小雨"，这正是要看降水量级而非仅看"有没有下雨"的原因。

问：为什么干旱地区的积灰特别严重？ 答：因为这些地区往往多尘、少雨、连续无雨期长，灰尘持续沉积却长期得不到降水冲刷，损失会随时间累积。原文把干旱多尘少雨环境（如中东、沙漠）列为积灰最严重的场景之一。这类站点尤其需要主动清洗排期。

问：除了清洗，还有别的缓解办法吗？ 答：有。原文把缓解手段归纳为"恢复表面"（清洗）与"防止沉积"两条路线，后者包括防尘涂层、表面处理、倾角优化、静电除尘等主动技术。具体选型要结合当地气候、水资源和成本权衡，没有一招通吃的方案。

问：用运梦 API 怎么决定下周要不要清洗？ 答：先用 era5 的历史 pr 序列算出本站点典型的积灰窗口长度（即两次有效降水之间能积多少灰），结合当前距上次有效降水/清洗的天数判断当前风险；再叠加 ger 的未来降水预报——如果近期有足量的雨，就推迟清洗把雨用满，否则安排人工清洗。

引用与原文

Sarver, T., Al-Qaraghuli, A., & Kazmerski, L. L. (2013). A comprehensive review of the impact of dust on the use of solar energy: History, investigation, results, literature, and mitigation approaches. Renewable and Sustainable Energy Reviews, 22, 698–733. doi.org/10.1016/j.rser.2012.12.065