巴勃罗-卡瓦列罗
Jan 10, 2019
除了质量和准确性，还必须关注输入的太阳能和天气数据的原始时间粒度 。在这方面，我们看到在运行光伏模拟时有两种主要方法：
尽管使用人工合成的人工小时值是一种常见的做法，但我们并不推荐使用这种方法。
在本文中，我们将讨论使用真实的小时或子小时时间序列，而不是使用月平均值合成的小时数据的好处。
为此，我们使用从 Solargis 模型获得的以小时为单位的真实数据进行了光伏模拟。然后，我们将结果与使用合成的每小时数据（由原始每小时时间序列的月平均值得出）进行的相同模拟结果进行了比较。
光伏能源输出模拟所需的主要太阳和天气参数是入射太阳辐射和光伏电池温度（根据空气温度计算）。
要实现可靠的能量模拟，每个时间步的太阳辐射和温度之间的正确匹配 非常重要。否则，发电厂的输出和相关的能量损失可能会被高估或低估。
在使用合成数据时，应将这种影响作为不确定性 分析的额外因素加以 考虑。在 PVsyst 软件中对位于西班牙东南部（Plataforma Solar de Almería，此处提供样本文件）的一个默认 15 kWp 系统进行的样本模拟中，我们发现使用真实的每小时数据与使用合成生成的每小时数据相比，年发电量相差 1.2%。对其他地点的类似研究显示，差异更大，但大多在 ±2%以内 ，这可以视为使用合成数据时对额外不确定性的合理估计。对于太阳辐射和温度模式更为复杂的地点，预计额外的不确定性会更高。
考虑到所有的不确定性（有关如何计算 P90 的更多信息，请参阅之前的文章），我们可以在下文表 1 中比较样本地点的光伏能源模拟结果。
表 1：模拟简单固定安装系统获得的能量输出
(1）使用 pvPlanner 预先计算的长期平均值，不确定性略高，约为 1
(2) 年际变化率取自 PVsyst
(3) 包括使用合成剖面图产生的不确定性因素
在上述示例中，尽管使用合成的每小时数据时P50 值 更高（乍看起来更 "吸引人"），但由于不确定性更高，导致P90 值更低 （最终更不 "吸引人"）。下面的概率图说明了这种情况。无论如何，为了项目的成功，建议始终采用不确定性最小的方法。
图 1.两种不同模拟的 P50 和 P90 能量值，具有不同的不确定性
为了估算年度能源估算值的总不确定性，我们需要了解天气条件和预期能源产出的年度变化。如果我们知道近期历史上至少 10 年的年度总和，就能准确估算出这一数值。在没有多年时间序列的情况下，我们只能猜测年发电量的预期年变化，这非常困难，因为逐年变化具有非常复杂的地理规律。
在没有时间序列数据的情况下，一种替代方法是利用辐照水平和气候条件相似的地点的 GHI 年变化值。例如，PVsyst软件在计算 P90 时默认使用这种方法（见 http://files.pvsyst.com/help/meteo_notes_annual_variability.htm）。这种方法存在两个问题。首先，在气候条件和太阳辐射相似的不同地点，年变化率会有很大差异。其次，正如上一篇博客文章所解释的，GHI 的年变化并不等于光伏输出的年变化。
表 2：西班牙阿尔梅里亚样本地点的年际变化率（标准偏差
尽管真实数据和合成数据的月度总和相同，但逐时分析总会显示出临界差异。这意味着，在合成生成的每小时时间序列中，典型值和极端值并没有被完全捕捉 ，合成数据通常会出现系统性偏差。在使用合成数据时，要在不对预期天气条件进行较高风险假设的情况下选择最佳设计和组件，就成了不可能完成的任务。
对于本文使用的样本站点，在比较两个数据集（真实的每小时 TMY 和合成生成的年份）时，可以直接观察到这种差异。不仅数据中记录的最大值存在差异，而且每小时高于或低于某一临界值的统计发生率也存在差异。这一点很容易在模拟输入的所有参数中观察到，例如全球水平辐照（GHI）、漫射水平辐照（DIF）、气温（TEMP）和风速（WS）。样本点的相关统计数据如表 3 所示。
表 3：样本地点光伏模拟的主要天气参数平均值。
表 4：根据西班牙阿尔梅里亚样本地点的真实数据和合成数据计算得出的显示极端值的天气统计数据。
为获得更完整的结果，建议使用一套完整的历史时间序列（Solargis 中的 TMY 数据集提供）。
合成数据通常不能很好地反映每小时的分布情况，这会对预期收益分析产生重大影响。这不仅是因为发电价格的差异（可能是根据现货市场或最终购电协议（PPA）设定的每小时价格 ），还因为光伏系统是为自用而设计的。在这种情况下，还需要对发电曲线进行准确的长期预测，以便设计出光伏系统发电量最大化的计划。
下图 2 和表 5、表 6 显示了基于时间序列的模拟与真实和合成每小时数据在一天中每小时的差异。在年度水平上，合成数据的高估率最高，出现在下午。从月度偏差表中，我们还可以看到，一天中第一个小时和最后一个小时的差异明显，尤其是在某些月份。
图 2：每小时合成数据与真实数据的年度差异总值
表 5：各小时合成与真实小时数据差异的月度汇总值。
表 6： 各小时合成数据与真实小时数据之差的月度汇总值，以百分比表示
卫星太阳资源模型在特定地点的性能可以用一系列指标来表征：偏差或平均偏差（MBD） 表征特定地点的系统模型偏差 ，即系统性高估或低估；均方根 偏差 （RMSD） 和平均绝对偏差 （MAD）用于显示瞬时值的误差范围。
从项目现场获得的高质量地面测量 数据为计算此类统计数据和验证气象数据模型提供了独特的机会（表 7 和图 3）。不过，只有在每小时粒度的真实值相吻合的 情况下，我们才能进行适当的比较，并确定模型可能存在的偏差。合成数据或月平均值不适合用于验证太阳能资源模型，因为它们并不代表实际测量结果。
表 7：西班牙阿尔梅里亚样本点的验证统计数据。
图 3：样本地点基于卫星的模拟数据与地面测量数据（每小时、每天和每月的数值）之间的离散度。
验证模拟中使用的气象数据的质量将为结果提供可信度。但如果记录的时间足够长（至少 12 个月），也可用于模型的现场适应和数据关联。然后，经现场调整的模型可用于重新计算数据集，精度更高，不确定性更低。
气象数据模型可提供历史时间的每小时真实数据，但这些模型也可提供整个光伏电站生命周期内的实时数据计算（见图 5）。这意味着，用于电站选址、规划和设计的同一数据源在后期阶段也可用于电站运行。这样就可以将实际 性能评估与 项目开发期间最初计算的性能评估 进行一致的比较。当电站成为重新评估的对象时，这将变得非常有用，从而使交易更加透明，并对太阳能光伏资产的相关投资进行可靠的评估。
图 5：真实模型数据可在光伏电站生命周期内的所有评估活动中统一使用
使用由月平均值合成的数据是一种过时的方法，因为它允许的分析范围非常有限，而且模拟得到的结果具有较高的不确定性。因此，使用合成数据可能会导致错误的决策。在任何情况下，我们都倾向于使用可靠来源的真实小时数据：以获得最准确的结果，并对光伏电站进行完整的分析和优化。使用月平均值可用于项目前期阶段的场地勘探和非常基础的研究。
表 8：真实每小时数据与合成每小时数据的功能对比。
