地面测量太阳数据的协调

机器翻译，未经校对人员审核，可能存在错误。

概述

地面测量数据很少是无间隙的。仪器故障、维护事件、污渍和质量控制排除都会导致数据缺失或标记的时期。对于光伏性能评估等应用，如果不加以解决，这些差距可能导致评估不完整或错误。

协调是指将多个仪器的质量评估数据记录合并为一个连续且经过验证的数据集的过程。该测试是在质量 评估（QA ）完成后进行的——只有通过质量审核（QA）的数据才有资格进行协调。结果是一个可银行化、无缺口的时间序列，适用于性能分析和场地适应。

注意：协调需要对测量数据特性有深入专业知识，包括仪器特有的偏差和系统误差。没有合适的工具和合格人员，不应贸然尝试。简单的电子表格应用并不适合这项工作。

地面测量太阳数据的协调

Solargis 采用两种协调方法： 平均法 和 分割法。选择取决于应用以及最终数据集的期望属性。

平均法

平均法将多个仪器的测量数据在每个时间步合并为单一值，先进行离群值过滤。

程序如下：

1. 去除异常值：每个时间步只包含测量值落在所有有效测量均值3%以内的工具。

2. 求平均值：对于每个时间步，计算第一步中通过滤波器的所有值的平均值。如果没有仪器在3%容差范围内，则对该时间步长所有有效测量值进行简单平均。

3. 填补空白：对于没有有效测量数据的时间步长，用适宜的Solargis时间序列数据填补空白。

该方法的主要优点是所得数据集遵循代表整个光伏电厂区域的信号，而非单一仪器位置。计算过程简单且易于第三方复现。

局限性

关键限制在于信号平滑。当云量变化很大时——例如在快速移动的破云条件下——跨仪器的平均值可以减弱原始测量中存在的短期变异。测量值的分布不被保留。

分割方法

分段方法旨在通过为每个时间段选择最佳可用仪器，而非跨仪器平均，从而保持原始测量的自然变异性。

程序如下：

1. 数据划分：将所有输入数据集划分为规则的时间段。

2. 寻找最佳数据：针对每个细分市场，根据定义的标准选择最具代表性的候选工具。

3. 重建时间序列：将选定的候选数据串接起来，生成一个涵盖整个测量周期的单一数据集。

每个细分段的最佳候选人选选的选择采用三个标准：

• 数据完整性 ：段内有效记录的比例。

• 均值相似度： 个别候选人的分段均值与所有候选人均值的接近程度。

• 档案相似性：最小化个体候选人档案与多工具平均档案之间的差异。

如果主要标准无法满足，则采用更宽松的标准。剩余的空白则用Solargis模型的数值填充。

分割方法保留了原始测量值及其变异性——避免了平均法中出现的平滑效应，且值分布与原始测量值相匹配。权衡是该方法更复杂，且与平均法相比，独立复制更难直接。

选择合适的方法

这两种方法都能生成经过验证且无缺口的数据集。它们的选择取决于预期用途：

• 当数据集应代表整个光伏电厂面积、第三方可重复性重要，或下游分析不需保持短期变异性时，通常采用平均法。

• 当保留原始信号变异性重要时，例如详细的性能分析或测量数据的统计研究，分段方法更受青睐。

注：在这两种方法中，所有有效仪器数据耗尽后剩余的空白会通过Solargis站点适配时间序列来填补。这确保最终数据集是连续的，适合进行可列明的分析。

延伸阅读

• “光伏系统性能——第一部分：监测” - IEC 61724-1：2021

• “太阳辐射地面测量”

• “太阳辐照度场地适应”