你能相信你的Pxx吗？光伏发电量的不确定性为何对你的项目至关重要

在沙漠地区的项目中，积尘问题是人们最关注的问题之一。此类环境中的灰尘积聚速度极快，但在调试阶段往往被低估。

此外，如果不了解全部细节，很难做出准确判断。您使用了哪种污损模型？采用了哪些输入数据集和仿真器？

在我们的示例项目中，我们特意假设 P50 保持不变，以评估不确定性降低的效果。 实际上，更精细的方法可能也会优化 P50 的数值，但我们在网络研讨会中希望强调的主要优势是缩小不确定性范围，这意味着 P75/P90 或任何其他 Pxx 值都会更接近 P50。

是的，已确认，我们在“评估”模块中提供的太阳辐射量不确定度估计值是针对特定地点的，而非区域平均值。

用户可在某个章节中按需请求该数据，分析完成后，该数据将显示在在线结果中。

年际变异性也可以从 PVOUT 的标准差中轻松提取。

请注意，该平台目前尚未涵盖光伏模拟的不确定性，必须单独进行估算。

这取决于覆盖特定地区的卫星观测任务何时开始。因此，根据具体位置的不同，可用的数据记录可能始于1994年、1999年或2007年。更多详情请参见此处。

数据记录越长，对年际变异性的估计就越可靠。

话虽如此，由于卫星观测数据会持续整合到辐照度模型中，因此通常最好使用可获得的最新数据集。

这样既能利用更长的历史记录，又能捕捉到可能相关的近期趋势。

这取决于具体场地和电厂的复杂程度。在日照模型表现较好的知名地区，对于较为复杂的项目而言，光伏模拟可能是决定性因素。

同样，在预计辐照度模型偏差较大的地区，对于相对简单的项目，太阳能辐照度模型可能成为主要影响因素。

另一方面，在难以准确捕捉云层变化（例如，10–15 分钟内云层变化剧烈）的地区，年际变异性可能非常显著，在某些情况下甚至可能成为影响最大的因素。

我们通常不建议采用这种方法。因为这涉及将来自不同模型的数据进行整合，而这些模型在一致性、方法论和准确性方面可能存在差异。

一般而言，在测量任何参数时，最好依赖现有最准确且经过充分验证的数据源。这一原则同样适用于太阳辐射模型。将多个模型的结果进行整合并不一定能降低不确定性，在某些情况下，甚至可能会引入新的不一致性来源。

这些指标都会被使用，但用途各不相同。P50通常作为财务建模的基础情景，而P90则是计算债务偿付覆盖率（DSCR）的常用指标。

一般而言，任何Pxx值均可根据项目利益相关方的要求进行计算。

我们使用自主开发的Solargis卫星模型来获取太阳辐射数据，并采用高质量的数值天气预报（NWP）再分析模型（主要是ERA5）来获取温度、风速、湿度等其他气象参数。

更多信息请参见此处。

数据年份越长越好。主要限制因素是覆盖该地区的卫星任务的开始日期。

从实际操作角度来看，通常建议至少使用11年的数据，才能得出具有统计意义的Pxx值。

不过，更长且更新的数据集更为理想，因为它们不仅能提供更可靠的年际变异性估计，还能反映近期趋势。

在全球范围内，Solargis GHI 与 320 个参考观测站进行对比时，其年均值的平均偏差为 0.5%，标准差为 3%。

关于各区域的具体结果，建议查阅 Solargis 发布的最新验证报告，该报告还包含其他指标，用于展示模型在小时和月度时间尺度上的性能和一致性。

您可在此处查阅详细的验证统计数据。

我们确实会使用实地观测数据来验证模型。模型验证完成后，会将其应用于项目现场，并以再分析模型（主要是CAMS）提供的PM数据作为输入。

关于Solargis污损模型工作原理的完整说明请参见此处。

如果您的项目现场附近有当地的原位污损或粉尘测量数据，我们可以评估将这些数据纳入模型是否能提高污损损耗估算的准确性。

目前这并非Solargis软件的标准功能，但我们的咨询团队可根据具体情况逐案评估。

不确定性的降低基于行之有效的科学方法。通过在各种条件下，将模型性能与大量地面观测站的数据进行对比，从而对不确定性进行量化。

对于银行和贷款机构而言，关键信息在于：相较于通用的区域性评估，更详细、针对具体场址的不确定性评估通常会得出更窄的置信区间。这进而会带来更高的P90值，并有助于提高债务承载能力。

这对债务规模的具体影响——例如，债务比率是否从75%上升至78%——取决于贷款方的债务服务覆盖率（DSCR）要求以及项目财务模型的具体情况。