光伏系统财务模型中的不确定性传播

为什么不确定性对太阳能投资很重要

任何为太阳能电站提供资金的人，实际上都在对未来20到30年的日照、价格和成本下注。但这些要素都有不确定性：天气会波动，设备以不可预测的方式老化，未来电价从来没有保证。本文提出了一个与清洁能源转型密切相关的实用问题：财务表格中输入的不确定性究竟如何影响光伏（PV）项目的最终结论，当前常用的简化方法是否足够可靠？

从简单猜测到完整不确定性图景

传统的项目评估常把不确定性简化为几个粗略的“如果……会怎样”情景，或压缩为平均值和标准差这样的摘要数字。一本被广泛采用的工程指南（即GUM）给出了一些近似公式，描述输入的变动如何传递到净现值（NPV）和平准化发电成本（LCOE）等输出。这些捷径把模型视为近似线性的，并通常假定输出遵循整齐的钟形分布。当波动很小且方程“温和”时，这种做法有效。但太阳能受天气和故障驱动，可能表现出高度不规律的行为，而且较长的项目寿命意味着相同的不确定过程会年复一年地重复。在这些情况下，熟悉的公式可能悄然失效，特别是当模型包含像比值这样的非线性部分时。

通往完整概率分布的更快捷路径

为了解决这一问题，作者引入了一种名为ACME（Accelerating Conversion of Mapping Equations，加速映射方程转换）的新方法。ACME不只是跟踪均值和波动范围，而是将输入变量到财务输出的整个概率分布一并处理。它将逐年发电量和与维修相关的运维成本视为由实测数据指导形状的随机量：发电量服从一种灵活的分布，既可近似高斯，也可表现出强偏态；而维修成本则具有指数型特征，表现为许多小事件和少数大事件。ACME利用一个数学事实：独立随机贡献的和在傅里叶空间（即所谓的特征函数）中可以高效处理。通过在这种表示与更常见的概率曲线之间切换，该方法把原本庞大、高维的积分问题压缩为少数几个一维积分。结果是一种数值上轻量的方式，可以在不诉诸大量蒙特卡洛模拟的情况下，得到NPV和LCOE的完整分布。

检验三种不确定性世界

研究在一个典型屋顶规模光伏系统的案例中，将ACME与标准GUM近似进行了比较。作者构建了三种情景，这三种情景在期望的发电量和成本水平上相同，但逐年产量的不确定性不同。在“O”情景中，产量几乎固定，只有维修成本波动。“YO”情景代表中等的产量变动，类似许多现有研究中的假设。“wYO”情景将产量不确定性推向极端，模拟一个气候高度波动或长期条件知之甚少的未来。在这些情景中，团队不仅计算了NPV和LCOE的均值和标准差，还计算了投资者常用的保守基准P90值、NPV为正的概率，以及这些量随项目寿命从1年到30年的变化。

风险与回报会发生什么变化

若干模式浮现出来。由于NPV在所选不确定输入上是线性的，其均值主要取决于预期的发电量和成本，而不是不确定性的大小，但其波动随项目寿命和输入变动性增大而增大。LCOE的行为则不同：更大的产量不确定性会提高每千瓦时的预期成本，尤其在短期寿命时更明显，其不确定性随着项目运行时间增长反而缩小。对于温和的不确定性和较长的寿命，标准近似与ACME的结果非常接近。但当产量不确定性很大并以非线性的方式进入LCOE公式时，捷径会系统性低估LCOE的均值及其变动性，并可能误判分布形状（往往强烈偏离钟形）。累计分布的分析显示，这些不匹配会扭曲广泛使用的风险度量，例如P90值和达到某一成本区间的感知概率。

这对投资者和规划者意味着什么

对非专业读者而言，结论很直接：光伏产量和维修成本的不确定性的数量和形状会显著改变对项目风险和竞争力的判断，即使长期平均值保持不变。假设小幅波动和钟形行为的简单公式，在条件稳定、寿命较长或模型近似线性时可能足够，但在不确定性较大或通过像LCOE这样的比值体现时，可能给出过于乐观的结论。ACME提供了一种实用的途径，可在远低于暴力模拟的计算成本下，获得可能的财务结果的完整图景，包括偏态或厚尾情况。随着光伏规模扩大以及气候和市场波动性增加，这种更丰富的不确定性建模可以帮助投资者、银行和政策制定者更现实地评估太阳能项目，并设计出既关注预期回报也反映风险范围的支持方案。

引用: Wieland, S., Gürsal, U. Uncertainty propagation in financial models of photovoltaic systems. Sci Rep 16, 5004 (2026). https://doi.org/10.1038/s41598-026-38053-1

关键词: 光伏金融, 不确定性传播, 太阳能投资风险, 平准化发电成本, 净现值