太阳能数据应基于物理而非假设

在当今的太阳能产业中，我们面临着一个根本性的挑战：如何区分基于物理学和经过验证的科学方法得出的数据，以及那些通过主观操作和传统方法得出的数据。这种区分对决策质量和项目的长期成功有着深远的影响。

为什么这一讨论如此重要？因为从性能建模、系统设计到财务风险评估，开发商和投资者所做的每一个重大决策都取决于太阳能、气象和环境数据的质量。然而，许多项目仍然建立在低质量、未经验证的数据集基础上。

一些开发商使用的模型依赖于经验性的简化关联，而不是物理定律。还有一些开发者将多种来源的数据结合起来，将月度数据转换成合成的小时数据集。在最好的情况下，这些方法会产生很高的不确定性。最糟糕的情况是，它们产生了误导性的数字，导致项目设计不理想，经济效益被扭曲。

随着太阳能产业不断成为全球电力结构的重要组成部分，出错的余地也在不断缩小。利益相关者要求更高的准确性、透明度和问责制。因此，该行业必须摒弃 "黑箱 "数据做法，向经过验证的、基于物理学的、经得起科学检验的太阳能模型迈进。

为什么经验方法不足以提供可靠的估计值

根据定义，经验模型基于统计相关性。它们可以在特定条件下提供粗略的近似值，但缺乏处理复杂地理环境的物理基础。在大气变化较大的地区，这些模型尤其薄弱。

一些顾问会将不同来源的太阳数据进行混合和匹配，并转换成合成的每小时数据。这些方法主观性强，缺乏透明度，产生的数据产品不切实际，具有误导性。其结果无法独立复制或与地面测量结果进行验证。关键的物理关系，如全球辐照度、直接辐照度和漫射辐照度之间的平衡经常被打破。使用这样的数据就像试图坐在一个三条腿的凳子上，而凳子腿的长度却不匹配。

经验方法很容易进行调整，以便为商业案例提供最佳支持。挑拣数据和经验方法与科学关系不大。它们使项目面临表现不佳或受损的风险。

基于物理学的太阳能模型的优势

物理学不会屈服于商业案例。无论我们喜欢与否，物理学都会告诉我们真相。

基于物理学的模型遵循大气中的基本辐射定律。它们模拟太阳光如何穿过大气层，并考虑到云层动力学、气溶胶、水蒸气和当地地形的影响。这些模型借鉴了大量全球输入数据和严谨的科学方程--结合了气象卫星、全球天气模型和其他地理空间数据集的数据。

最高质量的太阳、气象和环境数据来自经过验证的物理太阳模型，这些模型在所有气候和地理条件下都具有一致的准确性。Solargis 为南纬 60 度至北纬 65 度之间的所有有人居住地区提供高分辨率的卫星数据，历史覆盖范围可追溯到数十年前，具体视地点而定。图片来源：SolargisSolargis。

严谨的物理模型无需进一步操作即可产生可接受的结果。基于物理的模型设计用于在所有气候区准确执行，并产生物理上一致、可追溯和可重现的太阳辐照度估计值。这些模型可以根据高质量的地面测量结果进行验证，并通过严格的模型调整--而不是投机性的调整--针对特定地点的条件进行改进。

将模型输出与参考站的地面测量数据进行比较，可确保太阳能模型的准确性，并减少所有气候条件下的不确定性。Solargis 利用全球 320 多个公共站点的高质量地面测量数据来验证其模型。图片来源：SolargisSolargis。

现在，机器学习技术越来越多地被用来补充这些模型。机器学习技术不是取代物理学，而是增强物理学，帮助填补数据关系中的空白，捕捉庞大数据集中出现的微妙模式。因此，新一代太阳能模型比以往任何时候都更加准确和强大。

金融利益相关者越来越需要这种科学严谨性，这也是理所当然的。他们现在需要客观的、基于物理学的、透明的、可独立验证的模拟。许多人甚至要求提供正式的 "信赖函"，以证明项目财务案例背后的数据和建模实践是以科学为导向的，没有商业偏见。这种转变有助于淘汰那些提供未经验证或不一致数据的供应商，从而提高整个市场的整体可信度。

太阳能建模发展的经验教训

在过去的 20 年中，太阳能数据行业取得了长足的进步，而在此之前，林克浊度系数曾是近似大气气溶胶对到达地面的阳光量影响的常用方法。

这一大气参数只能粗略地近似反映气溶胶的衰减（大气的 "污染 "程度），而且依赖于稀疏的晴空测量数据，通常仅限于月平均值。这些模型的地理可用性也很低，而且分辨率低，不适合许多地方。

得益于现代气象观测系统、云计算、深厚的知识和长期的实战经验，如今的模型要先进得多。它们利用来自卫星观测系统和全球天气模型的详细大气数据和复杂的云层相互作用，模拟太阳辐射在大气中的传输。这样，即使在大气和云层变化较大的复杂地区，如西非、印度尼西亚、印度北部或亚马逊盆地，也能准确估算太阳辐照度。多年来根据地面测量结果对这些模型进行验证的经验，有助于提高模型的可靠性和广泛适用性。

现代太阳辐射模型也更加灵敏。它们可以探测到野火烟雾或工业雾霾等局部异常现象，但这种灵敏度也需要小心谨慎：模型越先进，就越依赖于高质量和高分辨率的输入数据。此外，这些模型还需要专家校准、定期监测和维护。

将物理学与最新技术相结合，光伏系统就能在实践中可靠运行，而不仅仅是在理论上。

一个高质量的数据集就足够了

如果投资于基于物理学、经过科学验证的太阳辐射数据，就能避免主观操作和未经验证的数据带来的意外。最重要的是，你将拥有一个经济合理、有利可图的太阳能发电厂，其性能符合预期，通过尽职调查，并经得起投资者、银行和电网运营商的审查。

光伏开发商通常会获得多个数据集，以选择最能证明其商业案例的数据集。有些咨询公司则更进一步，将不同来源的数据组合成人工结构，然后提供给客户。这些方法可能会在项目融资阶段产生乐观的数字，但它们缺乏科学的严谨性和完整性，而且会在未来带来令人沮丧的意外。

因此，无论您是管理一个光伏电站，还是一个光伏电站组合，一个基于基本大气原理、经过地面测量验证、跨地域和跨时间的高质量数据集是您所需要的。

修修补补的方法看似灵活，但实际上会破坏数据集的物理完整性，带来不一致性，增加不确定性。尊重物理规律的单一数据集，即使是最复杂的经验假设拼凑，也总能胜出一筹。最重要的是，从德克萨斯到东京，它在任何地方都能始终如一地发挥作用。

您应该对数据提供商提出哪些要求？应该避免什么？

最后，这里有一份简短的清单，列出了选择太阳能、气象和环境数据提供商时需要考虑的关键标准。

对数据提供商的要求：

• 基于物理学的建模：基于基本的大气原理，而不是启发式或过时的假设。
• 透明的验证：以高质量的地面测量数据为基准，并公布精度统计数据。
• 高分辨率：1 到 15 分钟的时间序列数据，可捕捉短期变化，用于建立真实的光伏模型。
• 长期覆盖：历史档案跨越最大可能的时间范围，以支持 P50/P90 估计和趋势分析。
• 可追溯性：每个数据点、模型假设和调整都有据可查、可验证、可重现。

应避免什么？

• 混合来自多个提供商的数据集。
• 从月平均值生成合成的每小时 TMY。
• 没有物理验证支持的任意区域偏好。
• 在没有科学依据的情况下手动调整数据。

通过让数据提供商和顾问遵守这些标准，开发商可以确保他们的项目有科学依据，而不是假设--从而实现更可靠的性能、更强大的财务成果以及整个太阳能行业更高的信任度。