近年来,为实现全球可持续发展的目标,可再生能源受到越来越多的关注。其中太阳能凭借其分布广泛、易得易用、清洁绿色的特点被人们视为最具发展潜力的新能源之一。光伏（Photovoltaic,PV）,一种基于半导体光生伏打效应将太阳辐射转化为电能的技术,在能源领域扮演着越来越重要的角色。各类光伏发电系统迅猛发展,催生了对光伏系统,尤其是大型光伏系统进行精细化运行维护（Operation and Maintenance,O＆M）的需求。由于绝大多数光伏组件在户外工作且有一定倾角,表面会有灰尘积累,积灰会对太阳辐射产生遮挡效果,进而导致光伏系统发电效率的下降。于是,对于光伏系统来说,一项重要的运维工作便是组件清洗。对于大型光伏发电系统,清洗运维可以带来系统发电效率的显著提升,但同时又要付出高额成本。除了革新清洗技术以降低成本,利用系统运行、积灰状态和气象参数的历史与预测数据,结合清洗作业所需的人力、物资、交通成本,我们可以对清洗运维时间上的决策规划与空间上的路径规划进行优化,以平衡运维成本与发电损失,来提高系统的整体经济收益。然而,目前无论在工业应用还是学术研究中,清洗运维还处在较为粗放的阶段,清洗规划在时间维度上止步于固定频率或积灰阈值的优化;空间维度的优化研究更是几乎空白。本文综合考虑清洗运维带来的收益与付出的成本,以最小化系统总经济损失为目标,以积灰程度监测、清洗作业日程规划、清洗作业路径规划、清洗时空协同优化为脉络,进行了大型光伏发电系统清洗运维的时空协同优化理论与应用的研究,具体内容与主要贡献如下:1.调研总结了光伏系统、积灰问题、清洗运维的研究背景,积灰程度监测、清洗日程计划与清洗路径规划的研究现状,以及目前存在的研究挑战。2.针对积灰程度监测问题,提出了一种弱监督的数据驱动方法:改进型相似性建模方法,相比于已有方法在诊断准确性、响应速度、方法适用性、成本控制等方面有所进步。开展了一项光伏系统对比实验,分析了积灰对系统发电效率的影响,并基于实验数据验证了本文方法的优越性。3.针对光伏系统清洗日程规划问题,提出了一种动态优化决策方法。关于清洗作业优化的已有研究大多只考虑光伏发电与积灰影响的平均状态,优化的清洗方案往往是固定清洗频率或积灰阈值的形式。我们提出的方法考虑到光伏发电与积灰过程的日间变化,利用相应的预测信息,可以优化得到更加精细的每日清洗决策。同时考虑到预测的不确定性以及预测准确性随时间距离拉近逐渐提高的特性,清洗日程规划每日进行动态更新。通过案例分析,证明了该方法在不同情境下均可实现优于传统方法的优化效果。4.在动态优化方法的基础上,提出了一种两阶段混合调度优化方法。两阶段分别为静态周期优化阶段,负责在期望意义上对中长期的清洗周期进行优化;动态清洗调整阶段,负责对每一次清洗进行短期执行时间上的调整。在静态阶段,我们论证了当清洗次数固定时周期性清洗在期望意义上的合理性,同时提出了求取最优周期的方法。在动态阶段,基于静态阶段得到的最优周期,利用气象数据、光伏发电、积灰过程的历史数据和预测信息对每个周期内的清洗执行时间进行动态调整,以进一步最小化经济损失。此外,我们将预测不准确性纳入考虑,提出了一个新的参数:风险偏好（Risk-Taking Tendency,RTT）以量化运维决策者对于规划收益与风险的倾向性,并且分析了这一参数对优化结果的影响。通过案例分析阐明了该方法的优越性。5.对于一个大型光伏电站,往往需要根据积灰规律对所有组件进行片区划分,分别进行清洗方案调度,而对每个片区的一次清洗也要持续数日完成。针对由此带来的每日清洗任务分配和路径规划问题,分析了光伏清洗路径规划问题与旅行商问题（Traveling Salesman Problem,TSP）的共性与区别,建立了非线性0-1整数规划模型,基于清洗资源派遣问题分析得到结论:对于一次持续多日的清洗作业,当以最小化路径成本为目标时,每天都应该派出尽可能多的清洗资源,以尽量缩短清洗持续时间。由此简化了优化模型,并针对模型特点设计遗传算法（Genetic Algorithm,GA）进行了求解。通过一个实际大型光伏电站的案例展示了路径规划的过程和结果。6.将光伏清洗日程调度和路径规划问题统筹考虑,提出了一种光伏清洗时空协同优化方法。我们提出了一种新的旅行商拓展问题:生产驱动的带有时间依赖成本的旅行商问题（Production-Driven Traveling Salesman Problem with Time-Dependent Cost,PD-TSPTC）,来描述综合考虑日程调度和路径规划的清洗运维问题,该问题可以建模为一个更加复杂的非线性0-1整数规划模型,并针对其特点改进设计遗传算法进行求解。通过案例分析展示了时空协同优化方法优于单纯考虑清洗时间调度的方法和考虑到路径规划却没有进行时空协同的方法。本文最后总结了全文研究内容,并展望了未来可拓展的研究方向。