要获得更准确的发电量评估，首先需要弥合卫星模型数据与地面测量数据之间的差距。当两者不一致时，不确定性就会增加，这对项目决策会产生实际影响。站点适应性通过将 Solargis 模型校准至当地条件来解决这一问题。
观看本次网络研讨会，了解场地适应流程的运作机制，掌握构建可靠地面测量参考体系的要诀——从数据质量与质量控制到背后的专业知识，并了解经场地适应处理的数据在实践中能带来怎样的显著差异。您还将看到，通过场地适应降低不确定性如何为更优的设计决策和更有利的融资条件打开大门。
为了分析太阳能资源的年际变异性及其相关不确定性，我们根据卫星数据的可用性，使用长期时间序列数据。
这些长期时间序列使我们能够对趋势有所了解；如果存在趋势，则年际变异性带来的不确定性将能反映出这一趋势。
在 Solargis Evaluate 的光伏模拟方法中，我们建议使用历史时间序列进行模拟，因为这样不仅能将来自太阳能数据的任何趋势准确地传递到模拟结果中，还能将其他气象参数（如气温、水蒸气或风速）的趋势准确地传递到模拟结果中。
此类光伏模拟能更真实地反映来自主要太阳能和气象数据的各种趋势的综合影响。
现场适应性分析必须进行地面测量。我们需要通过日射计测得GHI（最好还能测得DNI和DIF）数据，最好还能测得气温、风速、降水量、相对湿度等气象参数——这些因素也会影响光伏发电量。
要提供这样的概览非常困难，因为这在很大程度上取决于测量数据的质量（仪器、清洁、校准、运行与维护），以及基于卫星的太阳能模型数据的不确定性（这在很大程度上受当地地理条件和天气模式的影响）。
但总体而言，我们可以将卫星模型数据4%-8%的不确定性，降低至针对具体站点调整后的数据的3%-5%不确定性。原则上，只要能获得高质量的测量数据，就不存在区域依赖性（高山地区或极高纬度地区除外，例如60度以上）。
我们没有实际案例，因为融资细节通常属于机密信息，我们无法获取。类似网络研讨会中展示的示例计算，可以基于数据的不确定性，并结合对项目融资变量（能源价格、债务服务覆盖率、债务期限等）的假设来进行。
我们使用GHI、DNI以及气象变量的观测数据。所有观测数据的质量必须达到可用的标准。
漫射光（DIF）是通过GHI的适应过程间接进行适应的（如果可获得DNI测量值，则也通过DNI的适应过程进行），并通过重新计算来保持GHI、DNI和DIF之间的一致性。
此外，我们的站点适应技术还会考虑GHI与DNI之间的一致性，以避免出现物理上不可能的结果，例如负值的DIF。
如果没有地面测量数据，可在预可行性研究阶段使用未经现场适应处理的卫星模型数据，待获得测量数据后，在可行性研究阶段将其升级为经过现场适应处理的数据。
但是，应谨慎对待卫星模型数据的不确定性和验证问题——卫星数据的不确定性较高可能会导致适应化后出现较大偏差。
该模型在特定区域内的性能表现，可从该区域及环境条件相似的周边区域的站点模型验证结果中推断出来。
P90和P50是构建TMY数据集时使用的概率情景。该数值表示实际案例（年份）中，预计太阳能资源或光伏发电量超过P90/P50值的百分比。
P90 的计算采用了“综合不确定性”的概念，该概念将长期模型值的不确定性与年际变异性带来的不确定性相结合。
例如，给定的 P90 年总太阳辐射量，预计有 90% 的概率会被超过。
您可在此处进一步了解概率情景的相关内容。
请关注数据提供方（LTA）用于描述数据的质量指标（理想情况下，其报告内容不应仅限于偏倚）， 数据集的不确定性是如何估算的，以及该不确定性是否切合实际（请谨记3%的不确定性物理极限），地面观测数据是如何处理和进行质量控制的，并询问站点适应过程的文档记录以及基于卫星的模型数据的验证情况（数据提供方应保持透明）。
除了降低偏差外，在站点适应结果中还有许多其他标准需要核查，例如GHI-DNI-DIF值的一致性、日变化曲线的一致性、累积分布的拟合度、季节一致性、长期一致性等。站点适应不应仅专注于降低偏差。
是的，这种情况虽然罕见，但确实可能发生。如果原始卫星模型数据高估了该站点的太阳能资源，则经站点适应处理后的数据的平均值（即P50）将会降低。 如果这种下降幅度大于因场地适应后不确定性降低而导致的 P90 增幅，则场地适应后的 P90 将低于原始 P90。
然而，经过适应处理后的 P90 将更加准确，更能真实反映该站点的实际太阳能资源，且适应后数据的不确定性将大幅降低，从而也降低了使用该数据的风险。
没有目标R²值。测量质量控制确保了所有错误测量值均被排除。其余数据均可视为正确，无论其与卫星模型数据的相关性如何。
如上所述，有几个标准需要权衡。站点适应不应导致一种情况：即某个标准得到改善，而其他标准却比站点适应前的原始数据更差。
这取决于测量值与模型值之间的原始偏差，该偏差决定了应选择何种合适的站点适应方法。
在更复杂的方法中（例如对模型输入的AOD数据或云特性的适应），这种适应会同时对GHI和DNI数据进行一致的调整。
更简单的后处理方法适用于校正较小的偏差，它们将每个参数单独处理。
但即使对于这些较简单的方法，也应以一种不会破坏 DNI-GHI 一致性且在物理上可能的组合范围内的方式进行站点适应参数化。GHI 和 DNI 的适应会影响 DIF，而 DIF 会通过重新计算来间接适应，以保持 GHI、DNI 和 DIF 之间的一致性。
如果地面观测数据较少，且无法充分了解季节性变化，那么从原始卫星模型数据到现场适应性数据的不确定性降低幅度就会较小。
在极端情况下，可能会拒绝进行站点适应，因为地面观测数据中包含的信息不足以降低卫星模型数据的不确定性。
不，我们不建议这样做——正如网络研讨会中提到的，地面观测数据仅覆盖约1年，其中不包含该站点太阳和气象参数的变异性及趋势信息。
在光伏发电量估算中使用这些数据可能会导致不准确（低估或高估），且无法考虑现实中的极端事件。
如果维护得当，B类仪器可用于现场适应，尽管我们建议使用A类仪器。在这种情况下，现场适应模型数据的不确定度降低空间非常有限，甚至可能根本不存在。
使用经过调整的数据的完整时间序列是一种更佳的方法，能够对变异性进行更深入的分析。然而，出于多种原因，业界仍倾向于采用P90情景，至少在某些情况下是如此。
GHI和DNI的不确定性分别进行了量化。如果拥有DNI测量数据，我们不仅可以对GHI进行调整，还可以降低其不确定性，同时降低DNI的不确定性。
此外，DNI测量数据可用于校正气溶胶效应，并有助于降低GHI的不确定度。
DIF测量数据还有助于在质量控制过程中识别测量问题，从而改善GHI和DNI的不确定度。
站点适应的限制因素是可用地面观测数据的时长。由于模型在不同季节的表现可能有所差异，因此站点适应的基本要求是：经过质量控制后的观测数据需覆盖所有季节。
换言之，站点适应的最低要求是拥有至少一年的测量数据，最佳情况是两年或更长时间。这可以避免因单个季节数据过多导致的过拟合。
站点适应的基本假设是，校正项（基于地面观测期推导得出）在模型数据的整个历史期间内保持稳定。显然，这简化了实际情况。
站点适应应能够消除原始模型数据中存在的任何系统误差，因此站点适应的主要步骤之一是检查以下两方面：
1) 观测数据和
2) 模型中是否存在异常。
对于模型数据，我们主要检查其时间稳定性；对于测量数据，则寻找可能不具有代表性的异常情况（例如野火、火山活动的影响）。
只有满足这些先决条件，才能应用适当的站点适应。
此外，如果有多年测量数据，我们会探索模型验证指标（例如偏差、均方根误差）的逐年稳定性。
最后，站点适应数据的不确定性考虑了过拟合的风险，而这种风险会随着时间周期的延长而逐渐减弱。因此，随着可用测量数据周期的延长，站点适应数据的可实现不确定性会随之降低。
地面观测数据与卫星数据（适应前后）总是会存在重叠。两者的差异取决于站点适应后卫星模型数据的精度指标（偏移量、均方根误差、KSI）——具体而言，年总和将取决于站点适应后数据的偏移量。
针对重叠期（通常为1至2年）开发的校正方案，会被推广应用于完整的历史时间序列（30余年的数据）；经过站点适应处理后，这些数据能更好地反映当地状况，并降低了不确定性。
基本太阳辐射分量（GHI、DNI、DIF）的计算不涉及反照率。
当需要计算来自地面和其他表面的反射时，反照率在全向倾斜辐照度（GTI，也称为阵列平面辐照度或POA辐照度）的计算中才变得重要。
对反照率数据的敏感度取决于 GTI 的计算方法（视因数法与光线追踪法）。
