Markéta Hulíková Jansová
Oct 22, 2026
Údaje o slnečnom žiarení namerané na zemi sa často považujú za referenčné hodnoty. Využívajú sa na hodnotenie výkonu fotovoltaických elektrární, overovanie modelov, prispôsobovanie satelitných dát miestnym podmienkam, výpočet očakávanej výroby a posúdenie, či zariadenie funguje tak, ako má.
Merané údaje však nikdy nie sú dokonalé.
Chyby prístrojov, problémy s inštaláciou, vplyvy prostredia, znečistenie, zatienenie, odchýlky v kalibrácii a nesprávne nastavenie senzorov – to všetko môže spôsobiť chyby. Niektoré sú zrejmé. Iné sú nenápadné a môžu zostať v údajoch skryté celé mesiace.
Problémom nie je len to, že tieto problémy existujú. Skutočným problémom je, že ticho skresľujú každý výsledok založený na týchto meraniach.
Táto téma bola stredobodom štúdie spoločnosti Solargis, ktorú sme prezentovali na konferencii PVPMC 2026 a ktorá sa zaoberala vplyvom kontroly kvality na neistotu pri hodnotení výkonu solárnych fotovoltaických systémov. Na analýzu a kontrolu kvality nameraných údajov sme použili Solargis Analyst, náš softvér na vizualizáciu, porovnávanie, čistenie a analýzu solárnych a meteorologických údajov.
Naša analýza kvantifikovala celý reťazec od surových meraní až po konečné ukazovatele výkonu, pričom sme sa zamerali na tri praktické otázky:
Výsledky, ktoré sme prezentovali, boli jasné: Kontrola kvality nie je voliteľná. Je to nevyhnutný krok, ktorý je potrebné vykonať, aby bolo možné namerané údaje s istotou použiť.
Naše prvé zistenie je možno to najdôležitejšie. V analyzovanej sade údajov obsahovali 100 % časových radov GHI a GTI problémy s kvalitou.
Vyhodnotili sme 509 súborov údajov z pozemných meraní GHI a 77 súborov údajov GTI pomocou odborných postupov kontroly kvality spoločnosti Solargis. Štúdia sa zamerala jednak na výskyt problémov s kvalitou v jednotlivých súboroch údajov, jednak na ich vplyv na odchýlku a strednú absolútnu chybu (MAE), ak neboli opravené.
V typickom súbore údajov bol podiel postihnutých dátových bodov relatívne nízky. Medián postihnutých dátových bodov dosiahol 3,2 % pre GHI a 6,1 % pre GTI.
Krajné hodnoty rozdelenia však boli oveľa závažnejšie.
Na 90. percentile dosiahol podiel postihnutých dátových bodov 18 % v prípade GHI a 15 % v prípade GTI. Pretrvávajúce problémy s kalibráciou alebo nesprávnym nastavením by mohli ovplyvniť až 47 % všetkých dátových bodov na P90.
To znamená, že medián súboru údajov môže vyzerať zvládnuteľne, avšak zložité prípady môžu byť vážne ohrozené. Ak sa nevykonáva kontrola kvality, nie je možné zistiť, kde sa konkrétny súbor údajov v tomto rozsahu nachádza.
Tabuľka 1: Podiel postihnutých dátových súborov a dátových bodov podľa vybraného typu problému s kvalitou pre GHI a GTI. Poznámka: Štatistiky postihnutých dátových bodov sa počítajú iba z dátových súborov, v ktorých sa príslušný problém vyskytuje.
Problémy s kvalitou nemusia ovplyvňovať väčšinu súboru údajov, aby mali význam. Aj relatívne malý počet problematických dátových bodov môže zvýšiť neistotu, najmä ak daný problém spôsobuje systematickú odchýlku namiesto náhodného šumu.
Naša analýza ukázala, že ak sa všetky problémy s kvalitou ponechajú neoznačené, skreslenie sa pri P90 zvýši o 5,7 % v prípade GHI a o 4,6 % v prípade GTI, pričom podobný nárast sa prejaví aj v prípade MAE.
Pri hodnotení výkonu fotovoltaických zariadení je to dôležité, pretože mnohé rozhodnutia závisia od malých rozdielov. Zaujatosť vo výške niekoľkých percent môže ovplyvniť to, či sa zdá, že zariadenie má nedostatočný výkon, či sa model javí ako presný, alebo či sú očakávané a konzervatívne scenáre výroby správne pochopené.
Inými slovami, problémy s kvalitou merania sa môžu do analýzy vkradnúť nenápadne, ale ich vplyv môže byť dostatočne veľký na to, aby skreslil interpretáciu výkonu.
Preto je najbezpečnejší východiskový predpoklad jednoduchý:
Predpokladajte, že vaše namerané údaje obsahujú problémy s kvalitou, pretože to takmer vždy platí.
V druhej časti štúdie sme sa zamerali na automatizovanú kontrolu kvality.
Automatizácia je nevyhnutná, pretože ručné preskúmavanie veľkých súborov meracích údajov s vysokým rozlíšením nie je ľahko škálovateľné. Fotovoltaické projekty môžu generovať veľké objemy údajov, najmä ak sa merania zaznamenávajú s rozlíšením jednej alebo piatich minút prostredníctvom viacerých senzorov a počas dlhých období.
V našej štúdii sme analyzovali 114 jednoročných súborov údajov, z ktorých každý obsahoval dve merania GHI a už prešiel odbornou kontrolou kvality (QC). Každý súbor údajov bol upravený viacerými spôsobmi: agregovaný na hrubšie časové kroky, zredukovaný na jediný senzor GHI a skrátený na šesť a tri mesiace. Cieľom bolo kvantifikovať, ako sa mení výkonnosť automatizovanej kontroly kvality v závislosti od rozlíšenia údajov, dĺžky záznamu a redundancie senzorov.
Výsledky ukazujú, že automatizácia sa môže priblížiť výkonu odborníkov, avšak len za priaznivých podmienok.
Pri dátových súboroch s viacerými senzormi a rozlíšením jednej minúty dosiahla automatizovaná kontrola kvality výkonnosť blízku odborníckej kontrole kvality. V niektorých prípadoch automatizovaná kontrola kvality viedla k väčšiemu zníženiu odchýlky/MAE než odbornícka kontrola kvality, ako naznačuje pomer odborník/automat.
Výkonnosť sa však zhoršila, keď sa podmienky stali menej priaznivými.
Konfigurácie s jedným senzorom a hrubšie časové kroky zvýšili riziko nadmerného označovania problémov a prehliadania skutočných problémov. Bez redundantných senzorov automatizovaná kontrola kvality prehliadla viac skutočných problémov. Pri P90 mohol pomer výkonu odborníka k automatizovanej kontrole dosiahnuť až 2, čo ukazuje, že náročné súbory údajov stále vyžadujú odbornú kontrolu a zásah.
Zaujímavé je, že kratšia dĺžka dát bola menej problematická, než sa očakávalo. Šesťmesačné údaje dosahovali takmer identické výsledky ako ročné. Dokonca aj trojmesačné údaje boli pre typické súbory údajov použiteľné, hoci konzistentnosť klesala na náročnejších lokalitách.
Obrázok 1: Hodnoty ΔBias a ΔMAE [%] dosiahnuté expertnou a automatizovanou kontrolou kvality v porovnaní so surovými meraniami, s použitím modelu solárnych zdrojov Solargis ako referencie, pri mediáne a p90. Čísla na stĺpcoch znázorňujú pomer expert/automat – hodnoty pod 1 znamenajú, že automatizácia prekonáva expertnú kontrolu kvality, hodnoty nad 1 znamenajú opak.
Záverom je, že automatizovaná kontrola kvality funguje najlepšie, ak je meracie zariadenie kvalitné. Redundantné senzory, vysoké časové rozlíšenie a aspoň šesť mesiacov údajov vytvárajú oveľa lepšie podmienky pre spoľahlivú automatizovanú kontrolu kvality, ako aj pre odborné posúdenie.
Pri hodnoteniach s vysokou mierou rizika alebo na náročných lokalitách by automatizácia mala dopĺňať odborné posúdenie, nie ho úplne nahrádzať.
Ďalším zistením je, že nie každý problém s kvalitou má rovnaký dopad. Automatizovaná kontrola kvality môže prehliadnuť jemné problémy s nízkym dopadom, ale stále zachytí najdôležitejšie anomálie, čím udrží zníženie skreslenia a MAE na úrovni blízkej odborníkom.
Toto rozlíšenie je dôležité pre rozšírenie do prevádzky.
Pri bežnom spracovaní údajov môže byť automatizovaná kontrola kvality veľmi cenná, ak zachytí problémy s veľkým dopadom, ktoré podstatne ovplyvňujú analýzu výkonnosti. Pri hodnoteniach s finančným dopadom zostáva odborné posúdenie dôležité, pretože problémy s nízkou frekvenciou alebo špecifické pre danú lokalitu môžu stále ovplyvňovať závery, najmä ak sú rozpätia neistoty úzke.
V praxi nie je najlepší pracovný postup ani manuálny, ani automatizovaný. Je to hybridný prístup.
Automatizácia zvládne rozsah. Odborníci sa zaoberajú kontextom, okrajovými prípadmi a konečným posúdením.
Tretia časť našej analýzy sa zamerala na to, čo sa stane, keď sa neistota merania prenesie do hodnotenia výkonu FV systému.
V štúdii sa použili jednoročné časové rady GHI s päťminútovými intervalmi, do ktorých boli do údajov vložené kontrolované problémy s kvalitou. PVOUT sa simuloval pomocou programu Solargis Evaluate pre tri reprezentatívne konfigurácie FV: pevný sklon v optimálnom uhle, horizontálny sledovač sever-juh a vertikálny bifaciálny jednoradový systém. Simulácie sa vykonali pre tri klimaticky odlišné lokality.
Kľúčovým zistením je, že kvalita vstupných údajov priamo ovplyvňuje konečný ukazovateľ výkonu, avšak miera tohto vplyvu závisí od konštrukcie systému.
V prípade jednočelných systémov s pevným sklonom a sledovacích systémov sa chyby merania v GHI zvyčajne prenášali do PVOUT s podobnou, hoci mierne zníženou, veľkosťou. Vertikálne bifaciálne systémy boli citlivejšie a v niektorých prípadoch bol vplyv na PVOUT silnejší ako pôvodná chyba GHI.
Praktický dôsledok je dôležitý: odchýlka GHI v rozmedzí ±2 % sa môže prejaviť ako približne ±2 % odchýlka v indexe energetickej výkonnosti (EPI). Záporná odchýlka GHI môže EPI nadhodnotiť a zakryť nedostatočnú výkonnosť, zatiaľ čo kladná odchýlka GHI môže EPI podhodnotiť a spôsobiť, že zariadenie v dobrom stave bude vyzerať horšie, než v skutočnosti je.
Preto je potrebné pred výpočtom EPI vykonať kontrolu kvality. Nekontrolovaný problém s meraním môže spôsobiť, že zariadenie, ktoré má problémy, bude na papieri vyzerať úplne v poriadku.
Hodnotenie výkonu fotovoltaických zariadení sa často používa na zodpovedanie jednoduchej otázky: funguje zariadenie podľa očakávaní? Odpoveď na túto otázku však závisí od kvality referenčných údajov.
Ak je nameraná intenzita slnečného žiarenia nesprávna, pomer výkonu, ukazovateľ EPI, validácia modelu aj analýza nedostatočného výkonu môžu byť skreslené. Elektráreň sa môže javiť ako v poriadku, hoci má nedostatočný výkon, alebo naopak ako nedostatočne výkonná, keď skutočným problémom je referenčný údaj merania.
Preto kontrola kvality merania nie je len technickým krokom na odstránenie chýb. Je súčasťou riadenia neistoty. Štúdia ukazuje, že vynechanie kontroly kvality môže spôsobiť chyby porovnateľné s širším reťazcom neistôt simulácie.
Pre tímy pracujúce na fotovoltaických projektoch vyplývajú z našej analýzy tri kľúčové závery:
Namerené údaje zostávajú nevyhnutné pre hodnotenie výkonu fotovoltaických systémov, prispôsobenie lokality, validáciu modelov a rozhodovanie. Nemali by sa však považovať za automaticky správne. Až po riadnej kontrole kvality sa môžu stať spoľahlivým základom pre zníženie neistoty a dôveryhodnejšie hodnotenie výkonu.
