时间序列和 TMY 数据

概述

时间序列 代表 Solargis 生成的原始数据产品，包括整个多年记录期间的亚小时数据值，以及所有可用 solar, meteorological, and environmental parameters 对于准确的能源建模和特定站点的性能优化至关重要。 Typical Meteorological Year (TMY) 数据集将多年时间序列压缩为一个具有代表性的年份，非常适合快速光伏模拟或限制为每小时值 8760 个的工具。

Solargis 方法通过根据累积分布函数 （CDF） 的统计对齐和相似性选择具有代表性的月份来生成 TMY。参数根据应用进行加权，仅使用完整的年份以确保可靠性。

Probabilistic TMY scenarios，例如 P90 或 P75，代表不同的风险级别，P90 提供保守估计，反映了较低的年度辐照。这些是通过迭代细化和将数据划分为更小的块来创建的，确保需要对太阳能预测充满信心的应用的准确性。

太阳能时间序列是一个数据集，其中包含影响发电厂接收到的太阳能量的关键参数，以及影响特定位置性能和损耗的运行条件。这些时间序列为可用历史周期内的能源建模和优化提供了见解。

通过将这些参数纳入太阳能时间序列数据，能源模拟可以考虑特定地点的条件，从而实现光伏系统的准确性能分析和优化。时间序列数据集中包含的参数详述如下：

• 全球水平辐照/辐照度 （GHI）： GHI 代表水平面接收的太阳总辐射，包括直接和漫射分量。作为参考指标，GHI 通常用于比较场地潜力。除了 DNI 之外，它还对于计算全球倾斜辐照度 （GTI） 至关重要，即光伏组件平面接收到的太阳辐射。

• 直接法向辐照/辐照度 （DNI）： DNI 测量从太阳盘及其周围的太阳盘（半径 5°）垂直于太阳跟踪表面接收的直接太阳辐射。DNI 对于聚光太阳能 （CSP） 和聚光光伏 （CPV） 技术至关重要。对于标准光伏系统，DNI 有助于 GTI 计算，特别是对于带有太阳能跟踪器的系统。

• 漫射水平辐照度/辐照度 （DIF）：DIF 是太阳辐照度的一部分，被大气散射。与全球水平辐照度/辐照度 （GHI） 相比，漫射水平辐照度/辐照度 （DIF） 值越高，表明云、气溶胶（大气颗粒污染）或可降水蒸气的出现率越高。DIF/GHI 比值 （D2G） 表示漫反射成分与全局水平辐照的比例。

• 气温 （TEMP）： 在离地面 2 米处测量的温度会显着影响光伏系统效率，影响组件性能和运行环境。它是能源模拟模型中的关键输入。

• 露点温度 （TD）：TD 是空气被水分饱和并开始形成露水的温度。TD 用于评估光伏组件的冷凝、加速腐蚀和退化的风险。TD与空气温度和湿度的结合可以更好地了解光伏组件的热条件。

• 湿球温度 （WBT）：WBT 是通过对水浸泡表面进行蒸发冷却而达到的最低温度。在湿球温度较低的地区，由于工作温度较低，环境冷却可能会提高光伏组件的性能。湿球温度高可能意味着湿度高。WBT 与空气温度和湿度的结合可以更好地了解光伏组件的热条件。这在潮湿地区尤为重要，因为高空气湿度会降低冷却效率并导致过热。

• 相对湿度 （RH）： RH 反映空气中的水分含量并影响光伏系统的污染率。相对湿度数据源自比湿度、大气压力和气温，由于其间接计算，具有更高的不确定性。测量是在离地面 2 米处进行的。

• 风速 （WS）： 风有助于冷却光伏组件，提高性能，但强风会对组件的稳定性和安装结构构成风险。风数据，特别是在复杂地形中，对于确定安全高效的系统方向至关重要。

• 风向 （WD）： 风有助于冷却光伏组件，提高性能，但强风会对组件的稳定性和安装结构构成风险。风数据，特别是在复杂地形中，对于确定安全高效的系统方向至关重要。

• 阵风 （WG）： WG 是一种短暂而强烈的爆发，在短时间内（通常不到 20 秒）显着超过平均风速。阵风会影响光伏系统的设计、稳定性、性能和运行，尤其是那些包含大型光伏组件和太阳能跟踪器的系统。

• 大气压力 （AP）： 虽然 AP 对光伏系统的直接影响很小，但它用于调整空气质量以在能量模拟中进行光谱失配校正。突然的压力变化会影响结构部件，特别是在高海拔或多压地区。

• 降水量 （PREC）：降雨是光伏组件的自然清洁机制，尽管低强度降雨会使灰尘更粘，从而加剧污染。模块和结构的设计必须能够承受大雨和山洪暴发。

• 可降水 （PWAT）： PWAT 量化大气柱中的总含水量，通过吸收和散射影响太阳辐射。它是光谱校正的关键参数，影响光质量和模块性能，特别是对于不同的半导体材料。

• 积雪深度的水当量 （SDWE）。SDWE 是特定雪深中的水量，表示为完全融化时的液体深度。它有助于估计光伏系统中的积雪损失，但由于测量有限、雪与光伏相互作用复杂、条件变化以及不同季节和年份高度变化的降雪事件，因此具有挑战性。

其他参数（例如 地表反照率 （ALB））作为月平均值包含在后续计算中，但不会与其他参数一起集成到时间序列中。反照率测量地面的反射率，在确定双面光伏组件可用的反射阳光量方面起着至关重要的作用。在能量模型中加入反照率可以提高性能预测的准确性，特别是对于双面系统，通过考虑反射光对整体发电的影响。

时序数据访问

在 Solargis，时间序列数据被整合到多种产品和服务中：

• Solargis Evaluate、 Monitor和 Forecast 应用程序。

• Solargis Time Series API 数据服务。

质量标志

Solargis 时间序列数据的主要优势之一是数据没有间隙。然而，有时在 Solargis satellite-based model中用作输入的卫星图像存档中存在空白。对于缺少卫星数据的时间戳，我们应用智能统计算法来提供没有任何间隙的时间序列数据集。用于填补空白的技术取决于一天中的时间和丢失的数据量。

Solargis 时间序列数据集中的每个辐照度数据值都附有一个质量标志 （FlagR），该标志指示云信息是如何从卫星数据中派生的。下面给出了 Solargis 使用的辐照度质量标志的解释：

用于 TMY 生成的 Solargis 方法

Solargis 典型气象年 （TMY） P50 是通过从历史时间序列中选择最具代表性的月份（例如，最典型的 1 月、2 月、3 月等）并将它们组合成一个人工年来创建的。这种方法确保 TMY 反映长期典型条件，同时保持统计准确性和代表性。

代表月份的选择基于两个主要标准：

• 统计特征对齐： TMY 旨在最大限度地减少其统计特征（例如，年度和月平均值）与原始时间序列的统计特征之间的差异。该标准在选择过程中占大约 80% 的权重。

• 累积分布函数（CDF）相似度： TMY 确保每个月典型小时值的出现与原始时间序列中观察到的分布紧密一致。该标准占权重的剩余 20%。

用于选择典型月份的每个参数的权重是根据太阳能应用的类型定制的。例如，根据分析的具体要求，可以为 2 米处的直接法向辐照度 （DNI）、全局水平辐照度 （GHI）、漫反射辐照度 （DIF） 和空气温度 （TEMP） 分配不同的权重。其他气象参数也可以包括在内，但通常具有较低的准确性和相关性，因此不会影响代表性月份的选择。

在生成 TMY 数据时，我们尝试选择月份，使 TMY 文件中 GHI/DNI 值的年总和与从时间序列计算的年平均值一致。然而，可能无法找到辐照和气象值之和等于长期平均值的代表性月份。因此，我们可能需要稍微调整气象值，以保持与根据时间序列计算的相似平均值。

为确保数据一致性和可靠性，在构建 TMY 时仅使用历史时间序列的完整年份。

TMY 数据访问

在 Solargis，典型的气象年份数据被纳入以下产品和服务中：

• Solargis Evaluate 应用程序。

• Solargis TMY API 数据服务。

为 TMY 创建概率场景

在一般做法中，可以从时间序列派生各种数据集：

• TMY P50 数据集代表每个月的平均气候条件和最具代表性的累积分布函数，因此该数据集中没有表示极端情况（例如极度多云的天气）。

• TMY P90数据集表示每个月的气候条件，在对全年的辐照值进行汇总后，得出的值接近P90 value通过uncertainties和interannual variability的统计分析得出的值。因此，P90 的 TMY 通常代表一个保守的估计，即年辐照量接近时间序列中确定的最低值的一年。同样，可以应用其他场景，例如 P75、P99 或任何 PXX。

创建 TMY P90（或其他场景，例如 P75、P99 或任何 PXX）的方法建立在 TMY P50 方法的基础上，但对选择候选月份的方式进行了修改：

数据集比较和用例

Solargis 时间序列、典型气象年 （TMY） 和长期平均值 （LTA） 数据集的用例和技术特征存在明显差异。每个数据集都旨在满足特定的项目要求：

• 时间序列 非常适合在需要高粒度（15 分钟或每小时，某些产品为 1 分钟）和完整历史记录的情况下进行详细的资源变异性评估、性能优化和能源模拟。

• 典型气象年 （TMY）适用于快速能量模拟，其中一年的典型条件就足够了，特别是对于需要8,760小时值并支持快速性能建模的工具。

• 长期平均值 （LTA） 提供汇总的月度或年度平均值，最适合用于预可行性评估或场地特征，其中长期气候模式是主要关注点。

有关每个数据集的差异、优势、限制和典型用例的更详细细分，请阅读数据集比较 document。