确定太阳辐射的不确定性

我们能确定的少数事情之一就是，没有任何事情是绝对确定的。这一悖论与科学尤其相关，因为不确定性是每个模型的一部分。

在光伏发电量模拟方面，不确定性有助于用户了解他们所使用的软件所产生的结果中可能存在的偏差。了解这些偏差在选择发电厂的最佳设计以及评估财务风险和投资回报方面起着关键作用。

不确定性旨在反映模拟模型及其输入数据的局限性和假设。在计算光伏发电量不确定性时，最重要的输入数据之一是模拟中使用的太阳辐照度数据集。

在本文中，我将重点解释什么是太阳辐照度不确定性、太阳辐照度不确定性是如何计算的，以及为什么理解太阳辐照度不确定性对于可靠的项目评估至关重要。

太阳辐射不确定性不只是一个数字

不确定性量化了一个估算值的范围，在这个范围内，特定量级的真实值预计会下降，通常用预期偏差幅度和概率水平来表示。

这意味着，在处理不确定性时，我们必须考虑几个关键数据点，以避免混淆，并与其他值进行有意义的比较：

• 你到底在看什么：太阳辐射由不同成分组成（如直接辐射、漫射辐射），可以在不同平面上测量（与地面水平、与太阳垂直、倾斜等）。因此，必须明确指出估算所针对的太阳参数。GHI、DNI、DIF 和 GTI 是讨论太阳辐射时使用的标准参数。
• 如何汇总数值：除了说明物理单位（太阳辐射通常为 kWh/m²）外，还必须说明所用的汇总级别（如日、月、年）。使用适当的术语也很重要：辐照度通常指瞬时功率值，而辐照度则表示随时间累积的能量。
• 如何表达不确定性：不确定性通常以估计值的百分比表示。不过，为避免歧义，还应包括所使用的置信度（如 P90、P99、标准偏差）。

总之，完整的不确定性说明应包括

估计值 + 太阳参数 + 物理单位 + 集合程度 + 不确定性余量 + 置信度

让我们举例说明：

• 不完整的不确定性声明："对于本项目，我们预计太阳辐射量值为 1234 kWh/m²，不确定度为 ±4%"。
• 完整的不确定性声明： "对于本项目，我们预计太阳辐射量（GHI）为 1234 kWh/m²（一年的年度总和），不确定性为 ±4%（以 P90 表示）"。

如何计算不确定性

由于可以获得一致的高分辨率全球卫星数据，基于半经验卫星模型的太阳辐照度估算已成为一种标准。

然而，评估这些模型太阳辐射数据集准确性的过程有时并不清晰。让我们将这一过程总结为五个关键步骤：

步骤 1：模型与测量数据比较

该过程的第一步是在相同地点和相同时期，将一流的高质量仪器（太阳辐射二级标准测温仪和一级比热计）与模型估计值进行系统比较。

还需要对地面测量设备的质量和维护方法进行评估。这意味着要确保高温计、回热计和其他传感器符合国际校准标准，并定期重新校准。日常维护，包括定期清洁传感器表面，也应记录在案并严格遵守。

对于每个站点，都要计算不同的指标。这些指标通常被称为验证统计数据，因为它们也用于验证模型的性能。

这种比较应在尽可能多的地点和尽可能长的时间内重复进行。要正确评估太阳辐照度模型，应在代表所有地理区域的气象站进行，并遵循标准化流程，以便在不同地点和测量站之间进行比较。

必须强调的是，验证和不确定性在概念上是不同的：验证只是对有地面参考的站点收集一系列统计数据，而不确定性则更进一步，旨在估算参考网络之外站点的预期性能。

步骤 2：偏差特征描述

一旦分析了足够数量的验证站点，就可以对模型的性能进行初步估算。这一步包括检查模型估计值与测量值之间偏差的频率分布和幅度。

分析不同气候带和地理区域的偏差分布有助于确定模型和地面测量辐照度值之间可能存在较大或较小偏差的主要条件或区域。

这些研究结果通常发表在公开的报告中，为太阳模型用户提供太阳辐射年值预期精度水平的初步指导。然而，为了更准确地估计特定地点的不确定性，需要对所有验证统计数据进行更深入的了解，并对造成不确定性的因素进行全面分析（如接下来的步骤所述）。

步骤 3：非系统偏差

虽然偏差量化对于确定模型估计值与测量值之间的系统偏差至关重要，但评估非系统误差也同样重要。这通常通过计算均方根误差 (RMSE) 来实现，RMSE 可捕捉非系统偏差，并对模型的整体性能进行更全面的评估。

在进行不确定性估算之前，纳入额外的一致性指标，如 Kolmogorov-Smirnov 指数（KSI），有助于评估模型表示各种太阳辐照度条件的能力，并对模型行为提供更深入的见解。

只关注长期（年度）验证统计数据也会掩盖季节性的不一致性。因此，为了进行稳健的不确定性评估，还应分析月度统计数据。

步骤 4：影响太阳能模型不确定性的因素

现在要分析之前确定的不同经验误差分布的特征，并与每个验证地点和验证期的特征进行比较。目的是将站点和时段的特定属性与误差分布的相应特征联系起来。影响模型性能的关键因素可能包括

• 云的持久性
• 云的可变性
• 气溶胶光学深度
• 总水汽
• 积雪覆盖率
• 地形变化
• 与水面的距离
• 人为污染
• 卫星像素失真
• 高地层表面

因此，我们已经可以确定在哪些情况下太阳模型的性能会降低，包括高山地区、雪地条件、反射沙漠、海岸线附近或城市化环境。

步骤＃5：针对具体地点的不确定性估计

综合上一步的研究结果，现在的目标是估算所申请地点的不确定性水平。这意味着要针对具体地点，对已确定的影响模型性能的每个因素进行评估。

这并非易事，需要对模型、其内部算法和输入数据有深入的专业了解。由于某些相互作用的复杂性和某些地区有限的验证经验，不确定性估算过程的完全自动化仍具有挑战性。

某些地区的公共参考站有限，这也使得有必要使用较为保守的不确定性估算。不过，随着新太阳能项目的开发、更多气象站的安装以及科学认识的进步，我们对估算太阳辐射不确定性的信心也在不断增强。

图 1：估算太阳辐照度模型不确定性的步骤

比较太阳辐照度模型

模型之间的比较可能很棘手，需要仔细审查基本的验证过程。以下是一份关键问题清单，有助于比较不同的太阳辐照度模型：

• 模型是否经过相同的不确定性评估过程？
  这一点至关重要，因为只有在模型使用相同的方法进行评估，涵盖相同的统计指标（如偏差、RMSE）、聚合水平（月度、年度）和置信区间（如 P90）时，比较不同模型的不确定性值才有意义。如果没有一致的评估框架，就无法直接比较不同模式的不确定性数据。
• 是否有任何模型采用了针对具体地点的调整？
  如果是，尽管此类模型在选定地点可能会报告出色的验证结果，但在这些地区之外应用时，其性能可能会大大降低。此类模型提供的验证统计数据通常反映的是 "表面准确性"，而不是真正的预测性能。
• 对比研究是由数据提供商（或附属咨询公司）直接进行，还是由独立机构进行？
  除了数据提供者提供的准确性统计数据外，独立研究还可以使用标准化方法对模型进行平等评估。合作基准测试通常有公共研究机构和私人利益相关者参与。除了提高透明度，这些工作还能促进整个行业的知识交流，不断改进太阳能建模实践。
• 统计数据是否参考了相同的参考地点、验证期和质量控制协议？
  如果不是这样，依靠内部验证直接进行模型比较可能会产生误导，因为参考地点、数据期或数据过滤程序的不同可能会使结果偏向于一个模型而不是另一个模型。

不确定性可以很低，但绝不可能为零

正如本文开头提到的，不确定性不可能完全消除。但是，这并不意味着不确定性不能降到最低。

在太阳辐照度输入方面，可以采取一些明确的步骤来减少不确定性，例如，仔细审查输入数据集，选择最高质量的卫星数据提供商。

辐照度模型依靠公开的参考网络进行验证，这也是不确定性建模的基础（见上一章）。通过结合当地的测量数据，纠正卫星数据原始分辨率带来的偏差，调整数据的内部结构，可以进一步减少不确定性，这一过程被称为 "站点适应"。为此，需要开展持续至少一年的当地太阳辐照度测量活动。

尽管如此，地面测量并不完美。即使是质量最高、维护良好的全球水平辐照度（GHI）传感器，其固有的不确定性也在±2%到±3%之间。在估算数据模型的不确定性时，必须始终考虑到这一点。

在进行任何比较或站点适应之前，测量数据必须经过严格的质量评估，以消除受测量误差影响的数值。这些问题通常只有在高分辨率数据中才会显现出来--最好是每小时或每小时以下的数据。日或月分辨率的汇总数据不适合用于此目的，因为无法进行适当的质量筛选，也无法可靠地识别或量化测量误差。

不确定性、P50 和 P90：样本计算

要说明不确定性如何影响同一项目的预期值，一个有用的方法是查看太阳辐照度的不同概率分布图以及 P50 和 P90 值。

下面的示例说明了为什么选择基于准确性的评估而不仅仅是乐观的估计对于合理的项目开发和银行可担保性至关重要。

让我们考虑一个涉及两个模型的示例案例：

• 模型 A：
  • 它给出了较高的 P50 GHI（1250 kWh/m2），在运行模拟时可能会提供较高的 P50 产量。
  • 它的相关不确定性更高（P90 置信区间为 ±10.4%）。
• 模型 B：
  • 它给出的 P50 GHI 值较低，因此在进行模拟时，P50 产量可能较低。
  • 它的相关不确定性也较低（P90 置信区间为 ±6.6%）。

图 2：在斯洛伐克的一个样本点，两种模式得出的全球水平辐照度 (GHI) 估计值的不确定性。

虽然模型 A 的中心估算值较高，最初看起来更有吸引力，但其较宽的分布反映了更大的变异性和风险。

相比之下，模型 B 的分布较窄，因此 P90 辐照度较高，这可以为项目融资带来更好的财务条件，尤其是来自保守的贷款人。

增加其他不确定因素

太阳辐照度模型并不是影响软件提供的光伏产量估算的唯一不确定因素。在整个光伏模拟过程中，假定值与实际情况可能会出现偏差。

这意味着必须考虑其他不确定性来源，以计算年度 P90、P99 或其他 Pxx 值。

能源模拟： 虽然为模拟的每一步开发详细的不确定性模型具有挑战性，但正在进行的研究仍在这一领域取得进展。这一过程涉及评估引入不同类型不确定性的各种因素，包括

• 输入数据集中附加气象参数的质量，以及如何在转换模型中利用这些参数。
• 输入数据的粒度及其在模拟过程中的处理方式（某些软件会进行初步汇总，这意味着实际计算的时间分辨率可能与输入数据的时间分辨率不同）。
• 软件中使用的能量计算方法，如光线跟踪、简化视图系数模型等。
• 用户可调整的输入参数和软件提供的默认参考值。
• 光伏组件的技术规格，包括光伏组件和逆变器的特性验证。

逐年变化： 除了太阳辐照度和模拟模型带来的不确定性，计算年度 P90、P99 或其他 Pxx 值还需要考虑年际变化。这一因素反映了自然天气的波动，只有使用足够长的历史数据集才能可靠地估算出来。

要正确考虑年际变率，就必须检查输入数据的参考期以及模拟中的处理方式（有些软件只能使用单年期）。

图 3：Solargis Evaluate 2.0 中的综合 GHI 不确定性结果截图。

了解不确定性，开启融资

了解光伏产量的不确定性对于估算金融风险至关重要。对预期太阳能资源的可靠估计通常是确保项目融资的必要条件。

在太阳辐照度方面，数据提供商不仅要改进天气模型和测量技术（即提供更准确的数据），还要加深对模型性能的理解，特别是通过提供数据不确定性的可靠估计。

从技术设计的角度来看，在不了解数据不确定性的情况下优化发电厂的组件几乎是不可能的。工程师必须确保所选设备在制造商推荐的条件下运行，而要做到这一点，就必须对输入数据的可靠性有扎实的了解。高质量的太阳辐照度输入数据必须辅以准确、完善的计算模型，以最大限度地减少最终能源产量估算的不确定性。

虽然不确定性似乎介于概率和预期之间，但光伏项目始终需要对其进行全面、仔细的评估。评估不确定性是获得融资和估算实际项目回报的第一步。