气象模式数据

奥维维亚

全球气象模型 使用数学方程和算法在全球层面主动模拟大气的行为。分析师使用这些模型作为分析太阳能资产的重要工具，因为它们提供了数据来表征短期和长期太阳能应用所需的气象和环境条件。

对于短期分析，数值天气预报 （NWP） 模型会主动生成 weather predictions 未来几小时和几天的数值天气预报 （NWP）。预测服务利用这些预测来支持实时运营和即时决策，使运营商能够计划和安排维护活动、管理储能并有效平衡供需。在这种情况下，这些模型通常称为可作的 NWP 模型。

对于长期分析，气象模型用于提供 reanalysis data一个综合数据集，将历史观测数据结合到现代全球模型输出中。开发人员使用这些重新分析数据来提供历史和最近的数据服务，确保他们能够访问有关过去天气状况的准确和详细信息。这使他们能够对太阳能项目做出更可靠的评估。

影响光伏资产的气象参数

光伏 （PV） 资产受到场地条件变化的影响，因此气象和环境参数对于各种用途至关重要。

气象数据 对于模拟光伏系统的预期性能至关重要。气温（TEMP）和风速（WS）是决定光伏电池温度的关键因素，直接影响其转换效率。相对湿度 （RH） 和可降水 （PWAT） 是评估细胞光谱响应所必需的，而降水 （PREC） 和雪深水当量 （SDWE） 用于估计环境因素造成的能量损失。

这些参数对于对能源资产进行风险分析也至关重要。紫外线辐射（UVA、UVB）和极端气温（TEMP）驱动的热循环对于评估光伏组件加速退化的风险非常重要。在容易发生恶劣天气的地区，太阳能装置的物理完整性进一步受到威胁，这需要使用阵风 （WG） 和其他相关数据等气象参数进行仔细表征。

除了性能和风险考虑之外，某些气象和环境参数还可以作为 各种模型的输入。 臭氧含量、水蒸气 （WV） 和气溶胶光学深度 （AOD） 的信息对于运行半经验太阳辐照度模型是必要的，而基于数值天气预报 （NWP） 的太阳辐照度对于太阳能预测至关重要。其他参数，例如地面反照率模型或污染损失估计所需的参数，也取决于准确和全面的气象数据。

运营的 NWP 数据产品

作 NWP（数值天气预报）预报是天气预报的支柱，提供有关未来几小时到几天的大气状况的实时信息。该过程的工作原理如下：

• 实时大气数据 是从各种来源收集的，包括气象站、卫星、飞机、浮标和无线电探空仪（气象气球）。

• 然后将这些原始数据同 化为适合数值模型的相干格式。同化后的数据用于初始化 NWP 模型。该模型使用基于物理定律（例如流体动力学和热力学）的数学方程，模拟大气的未来状态。地球大气层被划分为一个三维网格，并对每个网格点进行计算。结果以定期（例如，每 6 小时）和不同的交货时间（例如，12 小时、24 小时、7 天）产生。

表图例：

• D+0 表示交付预测的同一天。

• D+n 表示交货后 n 天的预测。

• 更新在凌晨 2：30、上午 8：30、下午 14：30 和晚上 20：30（所有时间均为 UTC）在我们的服务器上提供。

再分析气象数据产品

气象模式重新分析涉及通过将过去的观测数据与固定版本的气象模式相结合，在很长的历史时期内 重现过去的大气条件 。该过程的工作原理如下：

• 历史天气数据 是从多个来源收集的，包括地表观测、卫星记录和存档的气象数据。由于历史数据可能存在差距和不一致，因此它经过严格的质量控制和预处理，以纠正错误并标准化数据。与运营预测类似，这些历史数据被同化到 NWP 模型中。这里的主要区别在于，在整个再分析期间使用相同版本的模型和同化系统，以确保一致性。

• 气象模型使用同化的历史数据进行回顾性运行，生成一个代表 大气随时间变化的状态的综合数据集。此步骤使用一组固定的模型物理场和参数来避免不一致。再分析生成长期数据集，提供几十年来各种大气参数的连续网格表示。

这些数据集包括光伏太阳能应用的关键参数，如温度、风（速度和风向）、相对湿度、降水、可降水、积雪深度当量、紫外线辐射和雪密度。

再分析模型还可以提供 历史太阳辐照度数据，但与基于卫星的模型相比，其结果的分辨率和准确性较低。

表图例：

• D-n 代表当前交货时间之前的天数。

数据后处理

为了在太阳能应用中获得最佳结果，数值天气预报 （NWP） 模型提供的某些数据集需要 后处理。

气象模型输出经过后处理以 完善其空间分辨率，从而提高数据集的准确性和一致性。这种改进提高了它们在太阳能系统中长期分析和应用的可靠性。气象数据的原始空间分辨率通常在 0.1 到 0.25 度之间，代表的是广泛的地理区域而不是特定地点。采用各种方法来改进数据的空间表示，以解决这一限制。

天气模型不仅提供地表温度数据（例如，距地面 2 米），还提供从地表到大气顶部 的多个大气层的垂直温度剖面 。通过分析这些剖面，开发了温度随高度变化的简化参数化。一般来说，温度会随着海拔的增加而降低，但温度逆温（温度随海拔升高而升高）在地表附近很常见，尤其是在寒冷的表面上。

为了考虑垂直温度变化，计算 了流失率 ，表示温度随高度的变化率。这种流失率因时间和地点而异，受到天气模式、当地小气候和地形特征的影响。通过应用流失率，温度数据在空间上缩小到更精细的分辨率，确保地形复杂地区的准确性更高。使用 SRTM-3 数字高程模型，将气温数据的空间分辨率细化到 1 km，显着提高了其局部应用的精度。

在某些情况下，次要参数必须从模型提供的主要数据中派生。示例包括计算 UVA 和 UVB 辐射、露点温度、湿球温度和积雪深度。这些附加参数对于专门的太阳能分析和应用至关重要。

为了保持数据更新，DAY-1 和 DAY-2 值取自基于 NWP 的预测值。气象数据稍后会使用重新分析的档案数据进行更新）。第 3 天或更早时期的气象数据可以被认为是确定的。