日射量の不確実性を確信する

私たちが確信できる数少ないことのひとつは、絶対確実なものはないということである。このパラドックスは、不確実性があらゆるモデルの一部である科学に特に関連します。

PV収量シミュレーションの文脈では、不確実性は、ユーザーが使用しているソフトウェアが生成する結果の潜在的な偏差を理解するのに役立ちます。このような乖離を理解することは、発電所の最適設計を選択したり、財務リスクや投資収益率を評価したりする上で重要な役割を果たします。

不確実性は、シミュレーションモデルとその入力データに組み込まれた限界と仮定を反映することを目的としています。PV収量の不確実性を計算する際に最も重要なインプットの1つは、シミュレーションに使用する太陽放射照度データセットである。

この記事では、日射量の不確実性とは何か、どのように計算されるのか、そしてなぜそれを理解することが信頼性の高いプロジェクト評価に不可欠なのかについて、重要なポイントを取り上げて説明します。

日射量の不確実性は1つの数値ではない

不確実性とは、特定の大きさの真の値が収まると予想される推定値周辺の範囲を定量化するもので、通常、予想される偏差のマージンと確率のレベルで表されます。

つまり、不確実性を扱う際には、混乱を避け、他の値との有意義な比較を可能にするために、考慮しなければならないいくつかの重要なデータポイントがあります：

• 何を正確に見ているか：太陽放射はさまざまな成分（直達、拡散など）から構成され、さまざまな面（地面に対して水平、太陽に対して垂直、傾斜など）で測定することができます。したがって、推定値が参照する日射パラメータを明確に特定することが不可欠である。GHI、DNI、DIF、GTIは、日射量について議論する際に使用される標準的なパラメータである。
• 値の集計方法：物理的単位（日射量では一般的にkWh/m²）の指定に加え、使用する集計レベル（日次、月次、年次など）を示すことが重要である。適切な用語を使用することも重要であ る：日射量は一般的に瞬間的な電力値を示すが、日射量は時 間にわたって蓄積されたエネルギーを示す。
• 不確かさの表現方法：不確実性は通常、推定値に対するパーセンテージで示される。しかし、曖昧さを避けるため、使用した信頼水準 （P90、P99、標準偏差など）も含めるべきである。

要約すると、完全な不確かさ記述には以下が含まれ るべきである：

推定値＋太陽パラメータ＋物理単位＋集計レベル＋ 不確実性マージン＋信頼レベル

これを例で説明しましょう：

• 不完全な不確実性報告書「このプロジェクトでは、日射量1234 kWh/m²を±4%の不確実性で予測します。
• 完全な不確かさ計算書： "このプロジェクトでは、日射量（GHI）は1234kWh/m²（単年度の年間合計）で、±4％の不確実性があると予想する（P90レベルで表現）"

不確実性の計算方法

半経験的衛星モデルに基づく日射量推定は、一貫性のある高解像度の全球衛星データが利用できるようになったおかげで、標準的なものとなった。

しかし、これらのモデル化された日射量データセットの精度を評価するプロセスは、時として不明瞭なことがある。その手順を5つの重要なステップにまとめてみよう：

ステップ1：モデルと実測の比較

このプロセスの最初のステップは、トップクラスの高品質な測定器（日射量については、二次標準日射計と一次日射計）と、同じ場所、同じ期間におけるモデル推定値との系統的な比較からなる。

地上測定装置の品質とメンテナンス方法の評価も必要である。これは、日射計、日射計、その他のセンサーが国際的な校正基準を満たし、定期的に再校正されていることを確実にすることを意味する。センサー表面の定期的なクリーニングを含む定期的なメンテナンスもまた、文書化され、厳密に遵守されるべきである。

サイトごとに、異なる指標が計算される。これらは、モデルの性能を検証する目的にも使用されるため、検証統計量として最もよく知られている。

この比較は、できるだけ多くの場所で、できるだけ長い期間にわたって繰り返されるべきである。日射量モデルを適切に評価するためには、すべての地理的地域を代表する気象観測所で実施し、異なる地点や測定局間で比較できるような標準化されたプロセスに従うべきである。

妥当性確認と不確実性は概念的に異なることを強調することが重要である。妥当性確認は、地上基準が利用可能なサイトについて一連の統計を収集することに止まるが、不確実性はさらに一歩進み、基準ネットワーク外のサイトで期待される性能を推定することを目的としている。

ステップ#2：バイアスの特性化

十分な数の検証サイトが分析されると、モデルの性能の初期推定値を得ることができます。このステップでは、モデルの推定値と実測値との間の偏差の頻度分布と大きさを調べる。

気候帯や地理的地域にわたる偏り分布を分析することで、モデルによる推定値と地上での放射照度測定値との間に大小の乖離が生じやすい主な条件や地域を特定することができる。

これらの知見は、一般に公開されている報告書でしばしば発表され、日射量の年間値について期待される精度レベルについて、太陽モデル利用者に予備的な指針を提供している。しかし、特定の地点におけるより正確な不確かさの推定を行うためには、すべての検証統計のより深い見方と、寄与要因の完全な分析が必要です（次のステップで概説します）。

ステップ#3：非系統的偏差

バイアスの定量化は、モデルの推定値と測定値の間の系統的な偏差を特定するために不可欠ですが、非系統的誤差の評価も同様に重要です。これは通常、二乗平均平方根誤差（RMSE）を計算することによって達成されます。RMSEは非系統的な偏差を捉え、全体的なモデル性能のより包括的な評価を提供します。

コルモゴロフ・スミルノフ指数（KSI）のような一貫性の追加指標を組み込むことで、様々な太陽放射照度条件を表現するモデルの能力を評価することができ、不確実性の推定に進む前にモデルの挙動についてより深い洞察を得ることができます。

また、長期的（年間）な検証統計量だけに注目すると、季節的な矛盾が隠されてしまう可能性があります。したがって、確実な不確実性評価のためには、月次統計量も分析する必要があります。

ステップ4：太陽モデルの不確実性に影響を与える要因

先に特定した様々な経験誤差分布の特徴を分析し、各検証サイトおよび検証期間の特徴と比較します。その目的は、サイトおよび期間固有の特性を、誤差分布の対応する特徴と関連付けることである。モデルの性能に影響を与える主な要因には、以下のようなものがある：

• 雲の持続性
• 雲の変動性
• エアロゾル光学的深度
• 全水蒸気量
• 積雪率
• 地形の変動性
• 水面までの距離
• 人為的汚染
• 衛星ピクセルの歪み
• 高アルベド面

その結果、高山地帯、積雪状態、反射の多い砂漠、海岸線に近い場所、都市化された環境など、太陽モデルの性能が低くなると予想される状況をすでに特定することができます。

ステップ5：サイト固有の不確実性の推定

前のステップで得られた知見をまとめ、今度は要求されたサイトの不確実性のレベルを推定することを目標とします。これは、特定のサイトについて、モデルの性能に影響を与えると特定された各要因を評価することを意味します。

これは簡単な作業ではなく、モデル、その内部アルゴリズム、およびその入力データに関する深い専門知識を必要とします。特定の相互作用の複雑さと、地域によっては検証経験が限られているため、不確実性推定プロセスの完全自動化は依然として困難である。

また、地域によっては公的な基準局の利用可能性が限られているため、より保守的な不確かさ推定値を使用する必要があります。しかし、新しい太陽光発電プロジェクトが開発され、より多くの測候所が設置され、科学的理解が進むにつれて、日射量の不確実性の推定に対する信頼は高まり続けています。

図1：日射量モデルの不確実性を推定するステップ

日射量モデルの比較

モデル間の比較は厄介であり、基礎となる検証プロセスを注意深く検討する必要があります。そこで、異なる太陽放射照度モデルを比較する際に役立つ主な質問のチェックリストを以下に示します：

• モデルは同じ不確実性評価プロセスを経ましたか？
  モデル間の不確実性値の比較は、同一の統計的指標（バ イアス、RMSEなど）、集計レベル（月次、年次）、信頼区 間（P90など）をカバーする同じ方法論を使って評価され ている場合にのみ意味があるため、これは極めて重要です。一貫した評価の枠組みがなければ、異なるモデルによる不確実性の数値を直接比較することはできません。
• どのモデルもサイト固有のチューニングを採用していますか？
  もしそうであれば、そのようなモ デルは、特定の場所では優れた検証結果を報告す るかもしれませんが、そのような地域以外で適 用すると性能が著しく悪化する可能性がありま す。そのようなモデルが提供する検証統計は、真の予測性能ではなく「見かけの精度」を反映していることが多い。
• 比較研究はデータ提供者（または提携コンサルタント）が直接行っているのか、それとも独立機関が行っているのか？
  データ提供者が提供する精度統計に加えて、独立した研究によって、標準化された方法を用いてモデルを対等な条件で評価することができる。共同ベンチマークの実施には通常、公的研究機関や民間の利害関係者が関与する。透明性を高めるだけでなく、このような研究は業界全体の知識交換を促進し、太陽電池モデリング手法の継続的な改善を促します。
• 統計は同じ参照場所、検証期間、品質管理プロトコルを参照しているか？
  もしそうでなければ、モデルの直接比較のために内部検証を信頼することは誤解を招きかねません。なぜなら、参照場所、データ期間、データのフィルタリング手順にばらつきがあると、あるモデルが他のモデルよりも有利に結果を歪める可能性があるからです。

不確実性は低くてもゼロではない

この記事の冒頭で述べたように、不確実性を完全に排除することはできません。しかし、これは不確実性を最小化できないという意味ではありません。

太陽放射照度の入力に関して言えば、不確実性を低減するための明確なステップがあります-例えば、入力データセットを慎重に検討し、最高品質の衛星ベースのデータプロバイダーを選択することです。

日射量モデルは、検証のために一般に公開されている参照ネット ワークに依存しており、この参照ネットワークも不確実性モデ リングの基礎となります（前章参照）。不確かさは、衛星データの元々の分解能によってもたらされたバイアスを補正し、データの内部構造を調整するために、現地での測定を取り入れることによってさらに減らすことができる。そのためには、少なくとも1年間は現地での太陽放射照度測定キャンペーンが必要である。

とはいえ、地上での測定は完璧ではない。最高品質でメンテナンスの行き届いたGHI（全球水平放射照度）センサーでさえ、±2％から±3％の範囲の固有の不確実性を持っている。データモデルの不確実性を推定する際には、常にこの点を考慮しなければならない。

比較やサイトアダプテーションを行う前に、測定データは厳密な品質評価を受け、測定誤差の影響を受けた値を除去しなければならない。このような問題は、通常、高解像度データ（理想的にはサブアワーリーまたはアワーリー）においてのみ見られる。適切な品質スクリーニングが不可能であり、測定誤差を確実に特定または定量化することができないため、日または月の分解能で集計されたデータはこの目的には適さない。

不確かさ、P50およびP90：サンプル計算

不確実性が同じプロジェクトの期待値にどのように影響するかを示す有用な方法は、太陽放射照度の異なる確率分布図とP50値、P90値を見ることです。

以下の例は、楽観的な見積もりではなく、正確さに基づいた評価を選択することが、健全なプロジェクト開発とバンカビリティにとって不可欠である理由を示しています。

2つのモデルを含むサンプルケースを考えてみましょう：

• モデルA：
  • モデルA：P50 GHI（1250 kWh/m2 ）が高く、シミュレーション実行時にP50収率が高くなる可能性が高い。
  • モデルA：P50 GHI（1250kWh/m2）が高く、シミュレーションを実行した場合、P50収率が高くなる可能性が高い。
• モデルB：
  • P50 GHIが低く、シミュレーション実行時のP50収率が低くなる可能性が高い。
  • また、より低い不確実性が伴う（P90信頼区間に対して±6.6%）。

図2：スロバキアのサンプルサイトにおける2つのモデルによる全球水平放射照度（GHI）推定値の不確実性。

モデルAは中央推定値が高いため、当初はより魅力的に見えるかもしれないが、その広範な分布は変動性の増大とリスクを反映している。

これとは対照的に、モデルBは分布が狭いため、P90放射照度が高くなり、特に保守的な貸し手からのプロジェクト資金調達の条件が良くなる可能性がある。

他の不確実性要因の追加

ソフトウェアが提供するPV収量予測に影響を与える不確実性の要因は、太陽放射照度モデルだけではありません。PVシミュレーションの過程では、想定値と現実に起こることとの間に乖離が生じる可能性がある点が他にもいくつかあります。

つまり、年間 P90、P99、その他の Pxx 値を計算するためには、不確定要素も考慮する必要があるのです。

エネルギーシミュレーション： シミュレーションのすべてのステップについて詳細な不確実性モデルを開発することは困難であるが、現在進行中の研究は、この分野で進歩を続けている。このプロセスでは、以下のような様々なタイプの不確実性をもたらす様々な要因を評価する必要がある：

• 入力データセットに含まれる追加的な気象学パラメー タの質と、それらが変換モデルでどのように利用され るか。
• 入力データの粒度とシミュレーション中の処理方法（ソフトウェアによっては予備的な集計が行われるため、実際の計算は入力データとは異なる時間分解能で行われる可能性がある）。
• レイトレーシング、簡易ビューファクターモデルなど、ソフトウェア内で使用されるエネルギー計算方法。
• ユーザーが調整可能な入力パラメーターおよびソフトウェアが提供するデフォルトの基準値。
• PV モジュールやインバーターの特性検証を含む PV コンポーネントの技術仕様。

年ごとの変動性： 太陽放射照度やシミュレーションモデルに起因する不確実性に加え、年間 P90、P99、その他の Pxx 値を計算する際には、経年変動も考慮する必要がある。この要因は自然気象の変動を反映するものであり、十分に長い過去のデータセットを用いてのみ信頼性の高い推定が可能である。

経年変動を適切に考慮するためには、入力データの参照期間と、シミュレーション内でのその扱い方を検討することが重要である（ソフトウェアによっては、単年度の期間しか扱えないものもある）。

図3：Solargis Evaluate 2.0におけるGHIの不確実性を組み合わせた結果のスクリーンショット。

不確実性を知ることがファイナンスを解く

PV収量の不確実性を理解することは、財務リスクを見積もる上で不可欠である。予想される太陽資源の信頼できる見積もりは、しばしばプロジェクトファイナンスを確保するための必須条件となる。

太陽放射照度の面では、データプロバイダーにとって、気象モデルや測定技術を改善すること（より正確なデータを提供すること）だけでなく、モデル性能の理解を深めること、特にデータの不確実性をロバストに推定することが重要である。

技術設計の観点からは、データの不確実性に関する知識なしに発電所のコンポーネントを最適化することはほぼ不可能です。エンジニアは、選択した機器がメーカーの推奨条件内で動作することを保証しなければなりませんが、そのためには入力データの信頼性に関する確かな知識が必要です。最終的なエネルギー収量の見積もりの不確実性を最小化するためには、正確で確立された計算モデルによって高品質の太陽放射照度入力を補完する必要があります。

不確実性は確率と期待の中間に位置するように思われるかもしれないが、PVプロジェクトでは常にその徹底的かつ慎重な評価が必要である。不確実性を評価することは、資金調達の可能性を引き出し、現実的なプロジェクトのリターンを見積もるための第一歩である。