发电量低了，是谁的锅
发电量低，可能是天气、组件衰减、停机限电，也可能是组件脏了。
能靠清洗改变的，只有最后一项。但清洗一次到底能多发多少电，行业里长期没有答案。
于是清洁靠感觉决定：看组件脏不脏，看预算松不松。清洗预算也常常第一个被砍：因为没人说得清它值多少钱。
怪虫把这套算法叫灰电方程。它只做三件事：损失有多少，增益是多少，洗到第几次为止。
下面几节，就是这三件事。
偷走发电量的，不止灰尘
行业统计口径下，灰尘、积垢、工业粉尘、积雪等覆盖因素平均影响电站发电量约 8%。但电站的现场实测值，通常并不等于这一均值。
干扰一，辐照。 辐照是发电量的一阶变量。云量多一层，发电量就掉一截，与组件干净与否无关。清洗后第二天发电量上升，可能主要来自天气转好。
干扰二，组件衰减。首年衰减约 2%~3%，此后每年约 0.7%。这个下降是长期的、确定的、每年都在发生的。它的方向和积灰一致，两者混在一条曲线上，肉眼分不出来。
干扰三，停机与遮挡。逆变器限电、组串故障、局部遮挡、除草不及时，任何一项都会在曲线上留下一个坑，而它和清洁没有任何关系。
三项叠加，就解释了为什么"清洗前后发电量相减"这个最直觉的方法不能用。
举例：清洗后第二天发电量涨了6%，其中4个百分点是天气带来的，清洁只有2%；不拆开，会高估。
反过来，清洗后遇上连续阴天，发电量没涨甚至下降，清洁的作用被天气盖住；不拆开，又会低估
所以真正的问题不是要不要洗，而是洗了之后的效果能不能被单独看见。
算准不难，难的是三个条件
条件一：对照组。找一组条件几乎一致的组件，同朝向、同倾角、同型号、同样的运维动作；同样不洗，作为对照。
条件二：同周期。两组数据的起止时间必须完全一致。一组取整月、另一组取清洗前后三天，时间窗一错位，天气就不再是共同项。
条件三：统一基准。两组装机容量不同时，发电量不能直接比，要先归一化到单位容量，再扣除各自的有效发电时间。
三个条件看着简单，实际很难同时满足。
电站设计阶段很少预留对照区。运维动作往往覆盖全站，一次集中除草就能让对照失效。容量不同的两组，逆变器负载率、线损、组串匹配都不同，简单相减会带入系统性偏差；这个偏差的方向不固定，可能高估，也可能低估。
这就是这件事难的地方。难的不是公式，是数据条件。
清洁增益 9.13%
真实案例数据。华东某工商业分布式电站，清洁组1421kW、对照组 1568kW，履带式干扫机器人，统计 264 天。
最直觉的算法：两组等效利用小时直接相减，得5.92%。
但是这个数值不够完整；两组容量相差147kW，负载率、线损、组串匹配都不同，这些差异进了相减结果。
所以做三步修正：容量归一化、剔除单侧停机时段、扣除清洁前的先天差异。
修正后用比值归因：η = K_after / K_before − 1，其中 K_before = 0.9711，K_after = 1.0592。
计算值 9.07%，报告系统显示 9.13%，差0.06个百分点，来自统计周期精度与年均化处理，不做抹平，供核对。
回应一个疑问：修正后高了 3 个百分点，是不是在美化数字？
不是。三步修正是把两组放到同一个尺度，任何一步做反，结果都会偏低而非偏高。判断标准不看结果大小，看依据是否可查、能否通过外部真值检，后者是下一节。
一个数要过三道关
灰电方程的验证由三个独立的环构成。
真实环。电站实际计量数据，外部真值，不受算法影响。
模拟环。算法基于气象、组件特性、运行状态、积尘模型独立预测的发电量。
灰损环。从损失端反推；先算理论应发电量，逐层扣减辐照、温度、线损、限电、失配等已知损失，剩余差额归入灰尘。
验收标准是写死的：真实环与模拟环的差值小于 1 个百分点。达不到，模型不通过，这套方法在项目上不予采用。
第三环不参与验收，作用是交叉校验。三环结果如果互相矛盾，说明某一环的假设出了问题，需要回到模型里查。
灰电方程的可信度不仅来自算法本身，还来自能被外部真值反复检验，并把验收线提前写死。
一次清洁，到底值多少钱
前面的内容解决"增益怎么算准"。这一节解决"算出来怎么用"。
灰电方程的核心，是一个很简单的式子：
G = f × P − C
G 是清洁带来的净收益，f 是清洁次数，P 是单次清洁多发的电折成的钱，C 是清洁成本。
含义：每次多赚的钱乘以次数，减去花掉的清洁成本，剩下的才是真正到手的收益。下面三步，就是把这个式子拆开算。
第一步，算电量。
年发电量 = 装机容量 × 年等效利用小时。
单次清洁增发电量 = 年发电量 × 单次清洁增益。
这里有一个必须先说清的前提：增益的基数是"不清洁情况下同期会发的电"，不是清洗前后的实际发电量。 基数取错，后面全错。
第二步，折成钱。
单次增发收入 = 增发电量 × 结算电价。
第三步，减成本。
单次净收益 = 增发收入 − 清洗成本。清洗成本按元/平方米计，不按"次"计；不同作业方式对同一面积的报价才有可比性。
一张可以直接代数的表
注：以上数值仅为演示数据算法。
这一节最容易被忽略的一点：增益会递减。
不能把“单次净收益×次数”当作全年总收益，否则会得出“洗得越多越赚”，这是错的。
刚洗完可挽回的积灰损失有限，随着积尘重新累积，单次增益上升；但每次清洗成本固定。边际增益下降、成本不变，两者必然相交，交点就是最优频次。
把各频次的年净收益连成曲线，先升后降，最高点就是当年合理清洗次数：低于它，损失大于成本；高于它，成本大于收益。
灰电方程的价值，不在于说明清洗有好处，而在于为“一年建议清洗多少次”提供可核算的依据。
另一个变量：降雨量
灰电方程将降雨量纳入计算。雨水会冲刷组件，相当于一次天然清洁。
多雨季节，组件积灰速度慢，可挽回的增益本就有限，积灰较轻时甚至趋近于零；少雨季节，积灰持续累积，同样的清洁动作，可挽回的增益会成倍增加。
两个成本口径的参考区间
清洗成本因地区、水源、人工、作业方式差异很大，这里只给区间，具体请以当地实际报价为准：
- 人工清洗：约 0.5~1.5 元/㎡·次
- 机器人清洗：约 0.2~0.5 元/㎡·次
按上表9.5 万㎡ 折算，同样清一次，两者成本差距在数万元量级。这个差距直接改变净收益，也直接改变最优频次的位置；作业成本越低，经济上合理的清洗次数越多。
测算后的价值
用途一，预算报批。不再写"建议每年清洗 8 次"，改为写"8 次对应净收益 X 万元，12 次对应 Y 万元，最优在 9 次"。有曲线的预算，比有理由的预算更容易通过。
用途二，作业排程。最优频次不是终点，还要落到月度和季度计划：什么时候洗、洗哪几个方阵、下一个清洗窗口在什么时候。
用途三，对账基准。清洗作业完成后，用同一套归因方法核算实际增益，而不是看清洗前后的发电量对比。这套方法对双方都是保护：业主用它确认效果、安排付款；服务商用它证明作业质量，避免"这个月阴天多，怪清洁没做好"的误伤。
这套方法，哪些电站不适用
灰电方程有明确的适用边界，这里一次说完。
1.参数与设备同源标定。灰电方程中的积尘动力学参数、清洁效率参数，是在自有设备的运行数据上标定的。换用其他厂商设备，这些参数需要重新标定，直接套用会产生偏差。这不是排他设计，是标定的物理前提；不同设备的清洁方式、覆盖率、行进轨迹都不同，用同一套参数去算，等于用一把尺子量不同单位的东西。
2.预测偏差有验收口径。真实环与模拟环差值小于 1 个百分点是验收线。极端天气、连续限电、非计划停机占比高的时段，偏差会放大，这些时段的数据在核算时需要单独标注。
3.样本分布与个体差异。现有数据覆盖 4000+ 台在线设备、1200+ 个真实电站场景、32+万张标注图像，累计清洁量 100+GW。样本量大不等于每个电站都准。新建电站、特殊气候区、非标准安装方式，前期需要一段数据积累期，模型才能收敛。
4.组件衰减取行业均值。约 0.7%/年 是行业通用值，实际项目应按组件质保曲线取值。衰减率取错，长期归因会系统性偏移。
最后
从“经验判断”到“具体的数据报告”
从"该洗了"到"洗几次能实现收益最大化"
怪虫灰电方程把它算了出来：损失有多少，增益是多少，洗到第几次为止。
算清楚这些的意义不在于数字本身，在于科学清洁的实证数据依据。
