识别设备相关误差
不同传感器的质量不同、当地状况也有差异，这些差异造成了设备或大或小的误差，误差来源包括余弦效应、温度响应、光谱敏感度、稳定性、非线性等等。通常情况下，我们会在检查传感器技术规格和校准认证的基础上对监测数据误差度进行预估。
在地面监测数据中识别出可疑值
为了对大型光伏电站进行性能监控，通常做法是对项目站点的太阳辐射量进行监测。在可能的情况下，在开发阶段也对太阳辐射量进行监测，以便降低长期建模时间序列的误差度。可疑值的频繁出现是监测太阳能辐照数据中的最大难题。
在将这些监测数据用于性能评估或建模时间序列校准前，应识别出监测时间序列中的所有可疑值，并通过质量管理步骤进行标记。如果你没有使用正确的工具、也没有充足的经验，质量管理会是一个单调且耗时久的过程。我们有着在全球数百个地点进行监测的经验和优质的数据质量管理服务，这有助于我们开发改进版方案和提升数据准确度。
采用Solargis方法对太阳辐射量监测值进行质量管理
识别安装相关误差
我们可以识别出传感器失准、受周边物体遮挡等相关安装误差，并且标记出受影响的监测数据。
识别运行相关误差
多数情况下，传感器受污（受尘土、积雪、水滴、冰霜、鸟粪等影响）都很难避免。由此引起的反常可以通过仔细观察数据识别出来。
标记和补全时间序列
所有数据都根据质量控制测试结果进行了标记。如有需要，采用Solargis时间序列数据补全遗漏值。
误差度详情
我们为质量管理数据集提供误差度详情，这样一来，这些数据可用于银行认可的性能评估和卫星建模历史时间序列的地面校准中。