雪损模型的验证

机器翻译，未经校对人员审核，可能存在错误。

概述

Solargis的 雪损模型 已通过美国和欧洲27个站点的地面光伏发电数据验证，确认其能够在不同气候和系统配置下分类和量化与降雪相关的能源损失。对光伏发电数据集进行了标记，以识别影响性能的不同类别的降雪事件。

注：在验证过程中，专家通过对每日光伏发电剖面的目视检查，将降雪事件分为三类。

雪灾事件分类

雪灾事件根据对光伏发电的影响分为三类：

• 部分损失：部分太阳能被雪吸收，但并非全部。这通常发生在模块被薄雪覆盖，允许部分辐照通过时。

• 总损耗：所有太阳能都被雪吸收或反射，导致无法产生电力。当积雪足够厚，遮挡了所有阳光时，就会发生这种情况。

• 雪崩事件：雪会迅速从光伏模块滑落，通常由温度上升引发。随着模块积雪被清除，发电量突然增加。

图1： 展示了典型的每日模式，代表部分损失、全损失和雪崩事件。

随后，专家标记的数据被用来校准模型参数。专家估算的月度功率损失与使用雪景模型自动标记的差异见 图2。对于某些地点，雪季偏差可能非常大。

图2： 专家标记事件与降雪模型在所有站点的月度误差分布。

然而，站点数量有限，未能涵盖所有气候条件或可能的光伏系统配置，凸显了进一步验证的必要性。

全局推断

该模型利用 ERA5数据进行全球推算，能够绘制出全球地图 ，展示预期 的长期平均月度雪污染损失。然而，由于气候和地形的局部差异，这种方法存在风险。需要采用涵盖多样地理数据和区域模型的综合方法来实现准确预测。

图2：显示全球预期月度降雪量（长期平均值）的月度地图。

年度变异性

由于年际差异显著，单靠长期平均地图不足以预测降雪损失。为了突出面临重大损失风险的区域， 图3 展示了1994年至2022年1月预计降雪损失的最小值（P10）、最大值（P90）和标准差的地图。这种方法能更清晰地反映潜在的雪害影响。

图3：全球地图，展示了1994年至2022年1月预测月度降雪量的基本统计参数。

有效倾角效应

雪对光伏系统的影响也因光伏组件 的有效倾斜角 而显著变化。倾斜较陡的模块积累和落雪方式不同于倾斜较浅的模块，影响雪与面板的相互作用，并影响能源生产。 图4 展示了不同有效倾斜角如何影响1994年至2022年12月预期的平均月降雪量。将模型外推到不同倾斜角度可能导致更大的误差，类似于地理外推，凸显了精确建模以考虑这些差异的必要性。

图4：1994年12月至2022年间，不同倾斜度（10度、30度、50度和60度）的光伏系统平均月度降雪量全球地图。

结论

• Solargis雪损模型的验证展示了其在不同气候和系统配置下，以 合理准确 率估计与雪相关的光伏（PV）能量损失的能力。利用来自27个站点（美国11个，欧洲16个）的地面观测，模型与专家标记的光伏发电数据进行了测试，这些数据将降雪事件分为部分损失、总损失和滑坡事件。如文档图1所示，日生产剖面的目视检查实现了模型参数的精确分类和校准。

• 尽管有这些优势，验证过程仍暴露出若干 重要局限。月度误差分析（图2）显示，尽管模型在许多情况下与专家评估高度吻合，但在降雪量大的月份仍存在显著偏差。这些差异归因于验证站点数量有限、光伏系统布局和局部气候条件的多样性，这些未被全球ERA5/ERA5-Land气象数据集充分捕捉。

• 通过全球地图（图2–4）对模型的全球外推，可以估算长期平均月度降雪量及其变异性。然而，这些地图也凸显了 将全球校准模型应用于局部环境的风险，鉴于显著的年际变异性（见图3）以及PV模块倾斜角对积雪积累和脱落的强烈影响（见图4）。在没有足够局部数据的情况下，外推到不同的倾斜角或区域可能会引入显著的误差。

• 总之，Solargis雪损模型为 量化与雪相关的光伏损失提供了坚实的框架，支持更好的项目规划和雪区风险评估。然而，研究结果强调了持续完善模型、扩大在更多样化地点验证以及对局部系统和气候因素的谨慎考虑的必要性。持续整合高质量地面观测和场地特定校准，对于提升预测准确性并确保太阳能行业利益相关者可靠的能源产额估算至关重要。