为什么 TMY 数据不足以进行光伏模拟？

随着太阳能项目日趋复杂，对高质量太阳能和气象数据的需求也在增加，这些数据能够为光伏模拟提供尽可能高的精度。虽然典型气象年（TMY）数据集长期以来一直是值得信赖的行业标准，但其局限性日益明显--不仅对于复杂的公用事业级开发项目，甚至对于较简单的项目也是如此。

TMY 数据集仍然适用于早期阶段的预可行性评估。但是，这些数据集已不足以进行性能建模和财务分析。

如今，我们不再受制于过去的计算限制或数据匮乏。得益于基于卫星的模型和云计算的进步，我们现在可以使用高分辨率的数据集。既然可以随时获得更详细的数据，为什么还要依赖过时的标准呢？

正如我们曾经从低分辨率电视屏幕转向超高清电视屏幕一样，太阳能行业现在也必须实现同样的飞跃，将高分辨率时间序列数据作为新标准。

时间序列：更强大的光伏建模基础

目前，大多数行业模型仍依赖于每小时 TMY，它将历史数据汇总为一个合成的"典型 " 年份，平滑了自然变化，忽略了影响实际光伏系统行为的逐日和逐年天气波动。因此，TMY 无法反映天气条件的通常变化，无法为模拟提供可靠的依据。

例如，太阳辐射的突然下降或快速变化可能会令人措手不及，导致产量下降，进而影响收入和利润。因此，开发人员需要时间分辨率比小时更短的数据，以便更好地预测这些事件，并为高频率的天气变化做好准备。

相比之下，时间序列数据考虑的是过去每一年的实际情况，例如 30 年。就 15 分钟时间序列（TS）而言，每一年都进一步细分为 15 分钟的时间间隔，从而更好地考虑极端天气事件，并以前所未有的详细程度提供特定地点的数据。

因此，15 分钟时间序列数据是 TMY 更为可行的替代方案，因为它们通过解决天气变化问题，提高了光伏模拟的整体准确性和可靠性。

该图显示了每小时 TMY 和每小时 TS 数据所代表的 30 年（1994-2024 年）期间的最高气温。虽然 TMY 数据集显示的平均值为 34 摄氏度，但粒度更高的时间序列数据更真实地反映了每年的实际太阳能和气象条件。

为了进一步说明数据粒度对光伏模拟的影响，让我们比较一下长期平均 (LTA)、TMY 和 TS 数据集如何表示同一时期。

长期平均 (LTA) 数据假定每年二月的每一天都是相同的--阳光明媚、万里无云、太阳辐射无变化。这并不能充分准确地评估光伏性能，因为二月份的实际天气可能包括阴天、降雨、温度波动以及云层移动导致的辐照度不稳定。

二月份的长期平均 (LTA) 月度数据。资料来源：Solargis Analyst：Solargis Analyst。

如果 TMY 是根据 LTA 数据合成的，则会引入一些变化，但这是人为的。与实际情况相比，误差范围很容易达到 10%。此外，GHI 和温度等关键变量之间的不一致性会导致不切实际的情景--例如，GHI 低而温度高--最终导致低估光伏输出。

使用每小时典型气象年数据 进行光伏模拟意味着假设所有年份的所有二月天数都可以用一组 28 个 "典型 "天数来表示。

二月份的每小时典型气象年 (TMY) 数据。资料来源：Solargis Analyst：Solargis Analyst。

虽然 TMY 只涵盖 28 个实例（28 天），但它允许在二月份出现一些天气变化。但您已经可以考虑 GHI 超过 800 瓦/平方米（LTA 假设 GHI 最大值为 700 瓦/平方米）的日子，或阴天 GHI 甚至达不到 200 瓦/平方米的日子。您还考虑了移动云导致的 GHI 变化。

相比之下，时间序列（TS）数据可以捕捉到历史变化的全部范围。它记录了 30 年间每个实际的二月--超过 800 个二月--提供了太阳条件的详细描述，包括罕见和极端情况。

30 年间每个实际二月天的时间序列 (TS) 数据。资料来源：Solargis Analyst：Solargis Analyst。

基于 TMY 的模拟往往会产生过于乐观的预测和次优的系统设计，而时间序列数据则能让人真实地了解光伏电站在各种实际条件下的表现。它为运营、维护规划和经济建模中的准确预期奠定了基础。

以数据点的数量表示，粒度差异非常明显。大多数依赖每小时 TMY 数据的行业模型每年可提供 8,760 个数据点（24 小时 x 365 天），而 30 年期间的 15 分钟 TS 数据可提供 1,051,200 个数据点（30 年 x 8,760 小时 x 每小时 4 个间隔），提供的有用信息是 TMY 的 120 倍。

每小时 TMY、15 分钟 TMY 和 15 分钟时间序列数据每个参数的数据点比较。

与传统的 TMY 模型中的 8760 个数据点相比，使用每个参数超过 100 万个数据点不仅能显著改善能源产量模拟，还能进行更稳健的财务建模和更高的银行可行性。向时间序列数据的转变不仅仅是技术升级，它对于提高投资回报率、确保融资以及提供可靠的长期光伏性能至关重要。

高分辨率数据是提高项目银行可担保性的关键

准确的光伏性能建模是确保太阳能项目从银行和投资者获得资金的最关键环节之一。天气变化加剧，能源市场竞争更加激烈，电力价值不稳定，这些都使得金融利益相关者提高了他们的标准。如今，银行、投资者和保险公司要求对能源收益和运营风险进行更严格、更有依据的评估。仅依靠 TMY 数据的项目往往无法满足这些期望。

由于极端天气事件发生的频率和严重程度越来越高，对资产和能源生产造成的破坏也越来越大，因此开发商必须考虑极端天气事件可能造成的损失以及发生的可能性。毕竟，这些都是金融机构和保险公司关注的核心问题。

贷款人面临着对项目进行更彻底审查的压力，尤其是在保险费因气候相关损失而飙升的情况下。2024 年，可再生能源保险费比上一年增加了 20% 到 40%。这反映出，人们越来越意识到，低分辨率的预测无法预测在高影响事件中的表现不佳或设备故障。

由于 TMY 数据无法准确捕捉极端事件（如热浪、风暴或长时间云层覆盖）的频率或影响，因此基于 TMY 的模型会系统性地低估风险敞口并夸大性能一致性。

相比之下，时间序列数据具有多项战略优势：

• 更准确的损失建模： 开发人员可以模拟现实极端天气下的设备压力、缩减风险或生产变化。

• 改进尽职调查： 金融家可以获得详细的能源产量预测，帮助他们了解最佳和最差情况。

• 提高透明度和信任度： 建立在统一的、基于物理的时间序列数据基础上的模型可以进行验证、审计和复制，这对机构投资者来说是至关重要的。

• 符合保险要求： 高分辨率建模支持更稳健的风险评估，使保险条款更加优惠，并降低拒保风险。

最终，光伏项目现在不仅要在发电量和 LCOE 上竞争，还要在可信度上竞争。理论上运行良好但实际运行失败的太阳能发电厂将不再能满足融资者的要求。随着投资者的风险意识越来越强，光伏产业必须相应提高数据标准。这意味着要超越 TMY，将高分辨率时间序列数据作为光伏项目评估的新基础。

Solargis Evaluate 使准确可靠的光伏性能模拟成为现实

在 Solargis，我们的使命是为太阳能项目建模带来科学的严谨性、透明度和更高的准确性。我们围绕这一原则建立了Solargis Evaluate。

默认情况下，Solargis Evaluate 使用长达 30 年的 15 分钟时间序列数据，以无与伦比的准确性模拟光伏性能。这使开发人员能够更好地模拟逆变器行为，并设计出能适应突发状况变化的系统。电网运营商和开发商可有效预测实时性能变化，降低无法满足与能源供应商签订的合同规定的能源需求的风险，并最大限度地减少光伏电站运行的不稳定性。