マルケタ・ヒュリック・ヤンソワ
Oct 22, 2026
地上で計測された太陽光データは、しばしば「グラウンドトゥルース」として扱われます。このデータは、太陽光発電所の性能評価、モデルの検証、衛星データセットの現地条件への適応、予想発電量の算出、および資産が想定通りに機能しているかどうかの評価などに利用されます。
しかし、測定データが完璧であることは決してありません。
計測機器の故障、設置上の問題、環境の影響、汚れ、日陰、校正のずれ、センサーの位置ずれなどが、すべて誤差の原因となり得ます。明らかなものもありますが、中には微妙なもので、何ヶ月もの間データの中に隠れたままになることもあります。
問題は、こうした課題が存在することだけではありません。真の問題は、それらが測定値に基づいて導き出されたあらゆる結果を、知らぬ間に歪めてしまうことです。
このトピックは、PVPMC 2026で発表したSolargisの研究の焦点であり、太陽光発電の性能評価における不確実性に対する品質管理の影響を検証したものです。測定データの分析と品質管理には、太陽光および気象データの可視化、比較、クリーニング、分析を行う当社のソフトウェア「Solargis Analyst」を使用しました。
当社の分析では、生データから最終的な性能指標に至るまでの全プロセスを定量化し、以下の3つの実用的な問いを検証しました：
我々が提示した結果は明確でした。品質管理は「任意」のものではありません。測定データを信頼して活用するためには、品質管理が不可欠なステップなのです。
最初の発見は、おそらく最も重要なものです。我々が分析したデータセットにおいて、GHIおよびGTIの時系列データの100％に品質上の問題が見られました。
我々は、Solargisの専門的な品質管理手順を用いて、509件のGHIおよび77件のGTIの地上観測データセットを評価した。本研究では、データセット全体における品質問題の発生状況と、それらを是正しない場合にバイアスおよび平均絶対誤差（MAE）に与える影響の両方を調査した。
一般的なデータセットでは、問題のあるデータポイントの割合は比較的低かった。問題のあるデータポイントの中央値は、GHIで3.2％、GTIで6.1％に達した。
しかし、分布の尾部では状況がはるかに深刻でした。
90パーセンタイルでは、GHIで18％、GTIで15％のデータポイントが影響を受けていた。持続的なキャリブレーションや位置ずれの問題は、P90において全データポイントの最大47％に影響を及ぼす可能性がある。
これは、データセットの中央値は管理可能に見えるかもしれないが、困難なケースでは深刻な問題が生じ得ることを意味する。品質管理が行われない限り、特定のデータセットがこの範囲のどこに位置するかを把握する手段はない。
表1：GHIおよびGTIにおける、選択された品質問題の種類ごとの影響を受けるデータセットおよびデータポイントの割合。注：影響を受けるデータポイントの統計値は、それぞれの問題が存在するデータセットからのみ算出されている。
品質上の問題が重要となるためには、データセットの大部分に影響を与える必要はありません。問題のあるデータポイントが比較的少数であっても、特にその問題がランダムなノイズではなく系統的なバイアスを引き起こす場合には、不確実性を高める可能性があります。
我々の分析によると、すべての品質問題を未検出のままにしておくと、P90においてGHIではバイアスが5.7%、GTIでは4.6%増幅され、MAEも同様に増加することが示された。
PV の性能評価において、これは重要な問題です。なぜなら、多くの決定がわずかな違いに左右されるからです。わずか数パーセントのバイアスでも、資産のパフォーマンスが低調に見えるか、モデルが正確に見えるか、あるいは予想される生産シナリオや保守的な生産シナリオが正しく理解されているかどうかに影響を与える可能性があります。
言い換えれば、測定の品質に関する問題は、気づかれないうちに分析に入り込む可能性がありますが、その影響は、パフォーマンスの解釈を歪めるほど大きなものになり得ます。
だからこそ、最も安全な出発点となる仮定は単純です。
測定データには品質上の問題が含まれていると仮定すること。なぜなら、ほとんどの場合、実際に問題が存在するからです。
本調査の第2部では、自動化された品質管理について検討しました。
大規模で高解像度の測定データセットを手作業でレビューすることは容易にスケールアップできないため、自動化は不可欠です。太陽光発電プロジェクトでは、特に複数のセンサーを用いて長期間にわたり、1分間または5分間隔で測定値が記録される場合、膨大な量のデータが生成される可能性があります。
本研究では、それぞれ2つのGHI測定値を含み、すでに専門家による品質管理（QC）が施された114の1年間データセットを分析しました。各データセットは、より粗い時間ステップへの集約、GHIセンサーの1つへの削減、および6ヶ月および3ヶ月への短縮など、いくつかの方法で変更されました。 その目的は、データの解像度、記録期間、およびセンサーの冗長性によって、自動化されたQCの性能がどのように変化するかを定量化することでした。
その結果、自動化は専門家のパフォーマンスに近づけることが可能であることが示されたが、それは好条件の下でのみである。
マルチセンサー、1 分間隔のデータセットでは、自動 QC は専門家による QC に近い性能を達成しました。場合によっては、専門家/自動の比率からもわかるように、自動 QC は専門家による QC よりもバイアス/MAE の低減幅が大きくなりました。
しかし、条件が不利になると、パフォーマンスは低下した。
単一センサーの構成や時間ステップが粗い場合、過剰フラグ付けや問題の見落としリスクが高まりました。冗長なセンサーがない場合、自動QCはより多くの実際の問題を見逃しました。P90において、専門家対自動の比率は最大2に達することがあり、これは困難なデータセットには依然として専門家のレビューと介入が必要であることを示しています。
興味深いことに、データ期間が短いことは予想ほど問題にはならなかった。6か月分のデータは1年分とほぼ同等の性能を示した。一般的なデータセットでは3か月分でも実用可能であったが、より困難なサイトでは一貫性が低下した。
図1：Solargis太陽資源モデルを基準として、中央値およびP90において、生データに対する専門家によるQCと自動QCによって得られたΔBiasおよびΔMAE [%]。棒グラフ上の数値は専門家／自動の比率を示しており、1未満の値は自動QCが専門家によるQCを上回っていることを、1を超える値はその逆を示している。
結論として、自動QCは測定環境が整っている場合に最も効果を発揮する。冗長なセンサー、高い時間分解能、および少なくとも6か月分のデータは、信頼性の高い自動品質管理だけでなく、専門家による評価にとってもはるかに良好な条件を作り出す。
重要度の高い評価や困難な現場においては、自動化は専門家によるレビューを完全に置き換えるのではなく、それを補完するものであるべきです。
もう一つの知見は、すべての品質問題が同等の影響を持つわけではないということです。自動QCは、微妙で影響の小さい問題を見逃す可能性がありますが、それでも最も重要な異常は検出でき、バイアスやMAEの低減において専門家レベルに近い水準を維持します。
この区別は、運用規模の拡大において重要である。
日常的なデータ処理においては、パフォーマンス分析に実質的な影響を与える重大な問題を捕捉できれば、自動化された品質管理は非常に価値のあるものとなります。一方、実用化可能な評価においては、特に不確実性の許容範囲が狭い場合、発生頻度の低い問題やサイト固有の問題が依然として結論に影響を与える可能性があるため、専門家によるレビューは依然として重要です。
実際には、最適なワークフローは手動でも自動化でもありません。それはハイブリッドなものです。
自動化は規模の拡大に対応し、専門家は文脈、エッジケース、そして最終的な判断を担当します。
本分析の第3部では、測定不確かさが太陽光発電システムの性能評価に持ち込まれた場合に何が起こるかを検討した。
本研究では、品質上の問題を意図的に組み込んだ1年分の5分間GHI時系列データを使用しました。Solargis Evaluateを用いて、3つの代表的な太陽光発電構成（最適角度の固定傾斜、水平南北トラッカー、垂直両面受光単列）についてPVOUTをシミュレーションしました。シミュレーションは、気候的に異なる3つの設置場所に対して実施されました。
主な知見として、入力データの品質が最終的な性能指標に直接影響を与えるが、その影響の程度はシステムの設計に依存することが明らかになった。
片面固定傾斜システムおよびトラッカーシステムの場合、GHIの測定上の問題は通常、PVOUTに同様の規模（ただしわずかに小さい）で波及した。垂直型両面システムはより敏感であり、場合によってはPVOUTへの影響が元のGHIの誤差よりも大きかった。
これには重要な実用上の意味がある。GHIに±2％のバイアスが生じると、エネルギー性能指数（EPI）に約±2％の偏差が生じ得る。GHIの負のバイアスはEPIを過大評価し、性能不振を隠蔽する可能性がある一方、正のバイアスはEPIを過小評価し、健全な発電所を実際よりも劣った状態に見せかねない。
だからこそ、EPIを算出する前に品質管理を行う必要がある。測定上の問題がチェックされなければ、経営が苦しい資産が、書類上は完全に健全であるかのように見えてしまう可能性がある。
太陽光発電の性能評価は、多くの場合、「発電所は期待通りに稼働しているか？」という単純な疑問に答えるために用いられます。しかし、その疑問への答えは、参照データの品質に左右されます。
測定された日射量が間違っていると、性能比、EPI、モデル検証、および性能不振の分析がすべて歪められる可能性があります。発電所が実際には性能不振であるにもかかわらず健全に見えたり、あるいは本当の問題が測定基準にあるにもかかわらず性能不振と見なされたりすることがあります。
だからこそ、測定の品質管理（QC）は単なる技術的なクリーニング工程にとどまりません。それは不確実性管理の一環なのです。本調査は、QCを省略すると、シミュレーションの不確実性の連鎖全体に匹敵するほどの誤差が生じ得ることを示しています。
PVプロジェクトチームにとって、本分析から得られる3つの重要な教訓は以下の通りです：
測定データは、太陽光発電の性能評価、設置場所への適応、モデルの検証、および意思決定において依然として不可欠です。しかし、それを自動的に正しいものとして扱うべきではありません。適切な品質管理を経て初めて、不確実性を低減し、より信頼性の高い性能評価を行うための確固たる基盤となるのです。
