一切从三件事开始：测什么、测多准、测多频。
每条读数在进入系统时即被评级：合理性边界、与组串及全站合计值的交叉校验，以及通信质量标记（RS485 · PLC），在源头拦住坏数据。
可疑读数会被标记并自动排除在计算之外——绝不悄悄混入。数据缺口保持可见，不会被插值曲线掩盖。
下游每项分析都附带自己的置信度评级——底层数据有多可信、结果有多确定。本页下方有完整示例。
这样的分辨率是实验室级性能分析所必需的。多数现场系统只能在逆变器层面近似。SunSniffer 在每块组件、每个组串上持续提供——先校验、再评级，然后才交给下面的四个引擎。
两块完全相同的组件在不同日期测量——辐照度不同、温度不同——无法直接比较。原始的 kWh 读数几乎无法说明一块组件是否健康。
TrueSTC 对每块受监测组件的数千条合格电压与温度测量进行评估。数据质量规则会先排除不适用的运行阶段、云影、遮挡、数据缺口与离群值，然后才生成可重复的 STC 等效比较值。具体计算仍属于 SunSniffer 分析引擎的专有部分。
结果可以与数据手册起始值、单块组件的实验室参照、技术相近的组件或约定的性能阈值进行比较。重复得到的数值构成该组件的性能历史。
与另一种做法相比：实验室闪测是高质量参照——但它只是一张快照，组件装回支架的那一刻就结束了。TrueSTC 采用累积而非快照：数千条合格读数在数天与数周内不断累积，从而形成可重复的比较值与动态的性能历史。查看验证过程 ↓
当你需要那个数字时，它已经在那里了。
TrueSTC 以门户内订阅选件的形式提供。
旁路二极管是光伏组件中最易失效的电气元件。短路失效在出现可测发电量损失之前，对多数监测系统而言都是不可见的——而那时二极管可能已经承受了数月的持续热应力。在反向电流下失效的二极管，是光伏火灾的主要起火源之一。
DiodeVital 持续分析每个接线盒中每个旁路二极管的开关次数、持续时间与热行为，并对累积应力历史应用 Coffin-Manson 热疲劳模型。
它能在失效之前识别出应力升高——并给出具体数值，而不只是一个是/否的故障标记——同时近实时地标记真实失效。
任何异常检测系统都需要一个预期性能基准作对照。如果基准是随意的，它产生的告警同样随意。
SunSniffer 把 PVLib 直接集成进分析平台——这个事实上的开源光伏性能建模库由桑迪亚国家实验室与全球光伏研究界共同维护，业界普遍用它来模拟电站的预期性能。
预期输出按你现场实际观测到的辐照度、温度与光谱条件计算。偏差以物理为依据被标记为异常——而不是靠随意设定的阈值。
TrueSTC 与 DiodeVital 是专有引擎——但无法追问的数字就无法完全信任，更无法针对某座电站的具体问题做调整。
因此围绕它们的工作流是开放的。在门户内，可视化工作流编辑器让你看到每个输入与结果，调整阈值，或用组件、组串与气象数据组合出全新的计算——某座电站专属的阈值、自定义的质量指标、量身定制的模型。
保存下来的结果成为一等数据，可追溯到原始测量——直接供报告或 Ray 使用。无需导出，无需另开表格，中间没有说不清的步骤。
Ray 不是一个凭记忆作答的通用聊天机器人。每个问题都通过实时调用 TrueSTC、DiodeVital、PVLib 或你自己的 SunSniffer Engine 工作流（经 MCP）来回答，并且只叙述这些调用返回的内容。
这与本页其他部分遵循同一个架构选择：从测量到答案之间没有任何隐藏步骤。Ray 的职责是叙述与综合真实的工具输出——而不是创作。
这也是为什么每个答案都能像每个引擎结果一样，追溯到背后的 15 秒原始测量——下面即是示例。
Ray 依据经确认的测量、有文档记录的分析以及既定的经济或合同规则工作。缺失的信息会显示为缺口；负责的专业人员仍掌握决策权。
如果某个问题背后的数据太薄——干净读数太少、还没有晴天、组串上有缺口——Ray 会直接说明，并告诉你缺什么。它不会用听起来合理的猜测去填补空白。
现有证据不会把不同的测量任务压缩成一个人造的精度数字。它分别检验与实验室的绝对一致性、把单项参照迁移到已变化状态的能力，以及对照独立现场参考系统识别积灰损失的能力。
在三次测量活动中，TrueSTC 表现出与实验室闪测值良好的典型一致性、把逐块参照值稳健迁移到已变化运行状态的能力，以及对积灰损失的高精度识别。
不同的测量活动、不同的测量任务——不存在合并后的通用产品精度数值。
这些数据背后的完整来源列表德语工程界有一个词，形容损失确认、班组进场之后的处境：Sockelblindheit——站在上百块组件面前，却指不出任何一块。
组串中的组件是串联的：同一个电流流过所有组件，而接在逆变器同一个 MPP 输入上的组串处于同一电压。当某块组件变弱时，组串电流仍会被强行推过它——损失于是表现为该组件电压的下降。功率损失真实存在，可在组件处测得，却无法在 MPP 跟踪器的数字中归属到任何一块组件。
当一个组串中有很多弱组件时，情况会发生转变：累积损失最终会把组串电流本身拉低。特征变了——但“找不到地址”这一点没变。
这正是 SunSniffer 在每块组件上测量电压与温度的原因：损失就在它发生的位置显现。
定位损失能挽回什么热成像结果取决于飞行时的运行与观测条件。角度、辐照水平、温度状态、风况或反射的变化都可能改变图像。每次作业还需要图像处理，并将结论可靠地映射到实体组件位置。
在一项已发表的 Helmholtz 对比研究中，基于热成像推算的功率损失带有 8.3% 的不确定度。低于 5% 的电学损失未能被热评估准则可靠识别。
来源： Teubner et al. (2017), Comparison of Drone-based IR-imaging with Module Resolved Monitoring Power Data, Energy Procedia 124, pp. 560–566 · 见我们的文献列表
在热阈值以下，损失不是被低估——而是根本看不见。
查看无人机与连续测量的完整对比来自具备严格测试标准的机构与运营方的独立验证。
这些框架为光伏性能测量、验收以及快速关断接口提供技术背景。具体产品的符合性取决于适用的文档和项目配置。
SunSniffer 的全部数据处理与存储都在欧洲服务器上进行。
这不是营销说法，而是架构选择，体现了平台诞生于一个认真对待数据主权与工程精度的国家。符合 GDPR。面向机构型光伏运营方的可融资性与审计要求而设计。
完整技术文档、白皮书与同行评审文献可按需提供。