Marketa Hulik Jansova
Oct 22, 2026
地面观测的太阳能数据通常被视为基准数据。它用于评估光伏电站的性能、验证模型、根据当地条件调整基于卫星的数据集、计算预期发电量，以及评估资产是否按预期运行。
但实测数据绝非完美。
仪器故障、安装问题、环境影响、污损、遮挡、校准漂移以及传感器对准偏差都可能引入误差。有些误差显而易见，有些则十分隐蔽，甚至可能在数据中潜伏数月之久。
问题不仅在于这些缺陷的存在，真正的症结在于它们会悄无声息地扭曲所有基于这些测量结果得出的结论。
这一主题是我们在 PVPMC 2026 大会上发表的 Solargis 研究报告的重点，该研究探讨了质量控制对光伏性能评估中不确定性的影响。在测量数据的分析和质量控制方面，我们使用了Solargis Analyst——这是一款用于可视化、比较、清理和分析太阳能及气象数据的软件。
我们的分析对从原始测量数据到最终性能指标的完整链条进行了量化，并提出了三个实际问题：
我们呈现的结果非常明确：质量控制绝非可有可无，而是确保测量数据能够被可靠应用的必要步骤。
我们的第一项发现或许最为重要。在我们分析的数据集中，100%的GHI和GTI时间序列都存在质量问题。
我们采用 Solargis 专家级质量控制流程，评估了 509 套 GHI 和 77 套 GTI 地面观测数据集。该研究既考察了各数据集中质量问题的发生情况，也分析了若不进行校正，这些问题对偏移量和均方根误差（MAE）的影响。
在典型的数据集中，受影响数据点的比例相对较低。受影响数据点的中位数为：GHI为3.2%，GTI为6.1%。
但分布的尾部情况则严重得多。
在第90百分位处，GHI受影响的数据点比例达到18%，GTI则为15%。若存在持续的校准或对齐问题，在第90百分位处，受影响的数据点比例最高可达47%。
这意味着，虽然数据集的中位数看起来尚可控制，但棘手的情况可能会受到严重影响。如果不进行质量控制，就无法知道特定数据集在这个范围内处于什么位置。
表1：GHI和GTI中按选定质量问题类型划分受影响数据集和数据点的比例。注：受影响数据点的统计数据仅基于存在相应问题的数据集计算得出。
质量问题无需影响数据集的大部分内容，便会产生实质影响。即使数量相对较少的问题数据点也会增加不确定性，特别是当该问题引入系统性偏差而非随机噪声时。
我们的分析表明，若对所有质量问题均不予标记，在P90水平下，GHI的偏差将放大5.7%，GTI的偏差将放大4.6%，均值绝对误差（MAE）也会出现类似幅度的增加。
对于光伏性能评估而言，这一点至关重要，因为许多决策取决于细微的差异。仅几个百分点的偏差就可能影响资产是否看似表现不佳、模型是否准确，以及预期和保守的发电情景是否被正确理解。
换言之，测量质量问题可能会悄无声息地渗入分析，但其影响却足以扭曲对性能的解读。
正因如此，最稳妥的初始假设其实很简单：
假设您的测量数据存在质量问题，因为几乎总是如此。
在研究的第二部分，我们探讨了自动化质量控制。
自动化至关重要，因为对庞大且高分辨率的测量数据集进行人工审查难以实现规模化。光伏项目会产生海量数据，尤其是在多个传感器上以一分钟或五分钟的分辨率进行长期测量时。
我们的研究分析了114个为期一年的数据集，每个数据集均包含两组GHI测量值，且已通过专家进行质量控制（QC）。每个数据集均经过以下几种方式的调整：聚合为更粗的时间步长、简化为单个GHI传感器，以及缩短至六个月和三个月。 此举旨在量化自动化质量控制的性能如何随数据分辨率、记录时长及传感器冗余度的变化而变化。
结果表明，自动化处理可以接近专家的性能，但仅在有利条件下才行。
在多传感器、一分钟分辨率的数据集中，自动化 QC 的性能接近专家 QC。在某些情况下，自动化 QC 带来的偏差/均方误差 (MAE) 降低幅度甚至大于专家 QC，这从专家/自动化比率中可以看出。
然而，当条件变得不那么有利时，性能就会下降。
单传感器配置和较粗的时间步长增加了过度标记和遗漏问题的风险。在没有冗余传感器的情况下，自动化质检会遗漏更多实际问题。在 P90 水平上，专家与自动质检的比率最高可达 2，这表明对于复杂的数据集，仍然需要专家的审查和干预。
有趣的是，数据长度较短的情况比预期的问题要少。六个月的数据表现几乎与一年数据完全一致。即使是三个月的数据，对于典型数据集来说也是可行的，尽管在更具挑战性的站点上，数据的一致性有所下降。
图1：以Solargis太阳能资源模型为基准，专家和自动化质量控制相对于原始测量值所获得的ΔBias和ΔMAE [%]，数据取中位数和P90。柱状图上的数字显示专家与自动质量控制的比例——小于1的值表示自动化质量控制优于专家质量控制，大于1的值则相反。
结论是：当测量设置完善时，自动化质控的效果最佳。冗余传感器、高时间分辨率以及至少六个月的数据，不仅为可靠的自动化质控创造了更佳条件，也为专家评估提供了更有利的基础。
对于高风险评估或复杂场地，自动化应作为专家审查的补充，而非完全取代后者。
另一项发现是，并非所有质量问题的影响程度都相同。自动化质控可能会遗漏细微且影响较小的缺陷，但仍能捕捉到最重要的异常情况，从而使偏差和均方误差（MAE）的降低幅度接近专家水平。
这一区别对业务规模化至关重要。
对于常规数据处理，如果自动化质量控制能够捕获那些对性能分析产生实质性影响的高影响问题，那么它将具有极高的价值。对于可融资评估，专家审查仍然很重要，因为低频或特定于现场的问题仍可能影响结论，特别是在不确定性范围较窄的情况下。
实际上，最佳工作流程既非纯手动也非纯自动化，而是混合模式。
自动化负责处理规模问题，专家则负责处理上下文、边界情况和最终判断。
我们分析的第三部分探讨了当测量不确定度传递到光伏性能评估时会发生什么。
该研究使用了一年份的五分钟全球总辐射（GHI）时间序列数据，并在数据中注入了受控的质量问题。使用Solargis Evaluate 软件针对三种具有代表性的光伏配置（最佳角度固定倾角、水平南北向跟踪器以及垂直双面单排）模拟了发电量（PVOUT）。模拟在三个气候条件迥异的站点上进行。
关键发现是：输入数据的质量直接影响最终的性能指标，但影响程度取决于系统设计。
对于单面固定倾角和跟踪系统，GHI中的测量问题通常会以类似但略微减小的幅度传递到PVOUT中。垂直双面系统则更为敏感，在某些情况下，对PVOUT的影响甚至强于原始GHI误差。
这在实践中具有重要意义：GHI的±2%偏差可能导致能源绩效指数（EPI）出现约±2%的偏差。负的GHI偏差会虚高EPI并掩盖实际性能不足，而正的GHI偏差则会压低EPI，使运行良好的电站看起来表现不如实际。
这就是为什么在计算EPI之前必须进行质量控制。如果未对测量问题进行核查，可能会导致一个运营困难的资产在纸面上看起来完全正常。
光伏性能评估通常用于回答一个简单的问题：电站的运行表现是否符合预期？但能否回答这个问题取决于参考数据的质量。
如果测得的辐照度有误，则性能比、EPI、模型验证以及性能欠佳分析都可能出现偏差。一座电站可能在实际表现不佳时看似运行良好，或者在实际问题出在测量基准时却被判定为表现欠佳。
正因如此，测量质量控制不仅仅是一个技术性的数据清理步骤，而是不确定性管理的重要组成部分。研究表明，跳过质量控制可能引入的误差，其程度可与更广泛的模拟不确定性链相当。
对于光伏项目团队而言，我们的分析有3个关键要点：
实测数据对于光伏性能评估、现场适应、模型验证和决策制定依然至关重要。但不应将其视为自动正确的。只有经过适当的质量控制，它才能成为降低不确定性、实现更可靠性能评估的坚实基础。
