Soiling is a persistent challenge in photovoltaic (PV) systems, resulting in reduced performance and higher operational costs. This thesis develops data-driven methods to quantify, detect, and forecast soiling losses, with a focus on natural cleaning events, statistical benchmarks, and machine learning–based approaches. A benchmark model was established by normalizing PV power with irradiance and module area, providing a reference soiling ratio (SR) for cases without direct soiling measurements. Despite sensitivity to short-term noise, the benchmark proved valuable for detecting soiling patterns. Building on this, ten soiling detection and estimation models were implemented, revealing a trade-off between the robustness of simple statistical models and the adaptability of machine learning approaches, particularly under scarce or noisy datasets.

Rainfall was further investigated as a natural cleaning mechanism, leading to the definition of empirical thresholds for minimum effective rainfall, percentage gains and losses, and system-specific cleaning effectiveness. Results confirmed that rain cleaning effectiveness is strongly dependent on both system configuration and site conditions. By combining these insights with model predictions, the study also provides guidance on the best time to clean, balancing energy recovery with cleaning costs and avoiding premature or unnecessary interventions.

Overall, the thesis shows that integrating benchmark modeling, rainfall-based cleaning analysis, and advanced data-driven methods offers a scalable framework for soiling assessment. While rainfall thresholds remain site-specific, the methodological pipeline can be generalized across PV plants, enabling cost-effective maintenance scheduling and improved reliability of solar assets.        

Smutsning är en återkommande utmaning i solcellsanläggningar, vilket leder till prestandaförsämring och ökade driftkostnader. Denna avhandling utvecklar datadrivna metoder för att kvantifiera, detektera och prognostisera smutsningsförluster, med fokus på naturliga rengöringshändelser, statistiska jämförelser och maskininlärningsbaserade angreppssätt. En referensmodell etablerades genom att normalisera soleffekt med instrålning och modularea, vilket gav ett referensmått för smutsningskvoten (SR) i fall där direkta smutsningsmätningar saknas. Trots känslighet för kortsiktigt brus visade sig modellen vara värdefull för att identifiera smutsningsmönster. Utifrån detta implementerades tio modeller för detektion och uppskattning av smutsning, vilket avslöjade en avvägning mellan robustheten hos enkla statistiska modeller och anpassningsförmågan hos maskininlärningsmetoder, särskilt vid begränsade eller brusiga dataset.

Regn undersöktes vidare som en naturlig rengöringsmekanism, vilket ledde till definitionen av empiriska tröskelvärden för minsta effektiva nederbörd, procentuella vinster och förluster samt systemspecifik rengöringseffektivitet. Resultaten bekräftade att regnets rengöringseffekt är starkt beroende av både systemkonfiguration och platsförhållanden. Genom att kombinera dessa insikter med modellprognoser ger studien även vägledning kring bästa tidpunkt för rengöring, genom att balansera energivinster med rengöringskostnader och undvika för tidiga eller onödiga insatser.

Sammantaget visar avhandlingen att integrering av referensmodellering, regnbaserad rengöringsanalys och avancerade datadrivna metoder erbjuder en skalbar ram för bedömning av smutsning. Även om regntrösklarna förblir platsspecifika kan den metodologiska processen generaliseras över solcellsparker, vilket möjliggör kostnadseffektiv underhållsplanering och ökad tillförlitlighet hos solenergianläggningar.