时间序列和 TMY 数据

机器翻译，未经校对人员审核，可能存在错误。

概述

时间序列是 Solargis 生成的原始数据产品，包含整个多年记录期内的亚小时级数据值，以及所有可用的太阳能、气象和环境参数，这些参数对于准确的能源建模和特定场址的性能优化至关重要。典型气象年（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，或仅支持 8760 个小时值的工具。

Solargis 方法根据统计特征的一致性和累积分布函数（CDF）的相似性选择具有代表性的月份来生成 TMY。各参数根据应用场景加权，并且仅使用完整年份，以确保可靠性。

概率 TMY 情景（例如 P90 或 P75）代表不同的风险水平，其中 P90 提供反映较低年辐照量的保守估计。这些情景通过迭代优化以及将数据划分为更小的片段来生成，从而确保需要特定置信度的太阳能预测应用的准确性。

时间序列中包含的参数

时间序列是一个数据集，包含影响电站接收太阳能量的关键参数，以及影响特定地点性能和损耗的运行条件。这些时间序列为可用历史时段内的能源建模和优化提供依据。

将这些参数纳入太阳能时间序列数据后，能源模拟可以考虑场址的具体条件，从而实现对光伏系统性能的准确分析和优化。时间序列数据集中包含的参数详述如下：

• 水平面总辐照量/辐照度（GHI）：GHI 表示水平面接收的太阳总辐射，包括直射和散射分量。作为参考指标，GHI 常用于比较不同场址的潜力。GHI 与 DNI 一起，是计算倾斜面总辐照度（GTI，即光伏组件平面接收的太阳辐射）的关键输入。

• 法向直接辐照量/辐照度（DNI）：DNI 衡量来自日盘及其周围环日区域（半径 5°）、垂直入射到跟踪太阳表面的直射太阳辐射。DNI 对聚光太阳能热发电（CSP）和聚光光伏（CPV）技术至关重要。对于常规光伏系统，DNI 参与 GTI 的计算，尤其是配备太阳能跟踪器的系统。

• 水平面散射辐照量/辐照度（DIF）：DIF 是太阳辐照中被大气散射的部分。与水平面总辐照度/辐照量（GHI）相比，水平面散射辐照度/辐照量（DIF）越高，表明云、气溶胶（大气颗粒物污染）出现得越多，或可降水量越高。DIF/GHI 比值（D2G）表示散射分量在水平面总辐照量中所占的比例。

• 气温（TEMP）：在离地面 2 米处测量的 TEMP 会显著影响光伏系统效率，进而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 是空气中水汽达到饱和、开始形成露水时的温度。TD 用于评估光伏组件发生凝露、加速腐蚀和性能衰减的风险。将 TD 与气温和湿度结合，可以更全面地了解光伏组件的热工况。

• 湿球温度（WBT）：WBT 是湿润表面通过蒸发冷却所能达到的最低温度。在湿球温度较低的地区，由于组件工作温度较低，环境冷却可能提升光伏组件的性能。湿球温度较高可能意味着湿度较高。将 WBT 与气温和湿度结合，可以更全面地了解光伏组件的热工况。这在潮湿地区尤为重要，因为空气湿度高会降低冷却效率并导致组件过热。

• 相对湿度（RH）：RH 反映空气中的水汽含量，并影响光伏系统的污损速率。RH 由比湿、大气压力和气温推导得出，由于是间接计算，其数据不确定性较高。测量高度为离地面 2 米。

• 风速（WS）：风有助于冷却光伏组件、提升性能，但强风会威胁组件和支架结构的稳定性。风数据（尤其是在复杂地形中）对于确定安全、高效的系统朝向至关重要。

• 风向（WD）：风有助于冷却光伏组件、提升性能，但强风会威胁组件和支架结构的稳定性。风数据（尤其是在复杂地形中）对于确定安全、高效的系统朝向至关重要。

• 阵风（WG）：WG 是在短时间内（通常不到 20 秒）明显超过平均风速的短促而强烈的风。阵风会影响光伏系统的设计、稳定性、性能和运行，尤其是采用大尺寸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，但在能源模拟中它用于调整大气质量（air mass），以进行光谱失配校正。气压的骤变可能影响结构部件，尤其是在高海拔或气压多变的地区。

• 降水量（PREC）：降雨是光伏组件的天然清洁机制，但低强度降雨会使灰尘更易黏附，从而加剧污损。组件和结构的设计必须能够承受暴雨和山洪。

• 可降水量（PWAT）：PWAT 量化大气柱中的总水汽含量，通过吸收和散射影响太阳辐射。它是光谱校正的关键参数，会影响光谱质量和组件性能，对不同半导体材料的影响尤为明显。

• 积雪深度水当量（SDWE）。SDWE 是一定积雪深度中所含的水量，以积雪完全融化后的液态水深表示。它有助于估算光伏系统的积雪损失，但由于实测数据有限、积雪与光伏系统的相互作用复杂、条件多变，且降雪事件在不同季节和年份之间差异很大，因此估算颇具挑战。

其他参数（例如地表反照率（ALB））以月平均值的形式提供，用于后续计算，但不会与其他参数一起集成到时间序列中。反照率衡量地面的反射率，对于确定双面光伏组件可利用的反射阳光量起着关键作用。在能源模型中纳入反照率，可以考虑反射光对总发电量的影响，从而提高性能预测的准确性，尤其是对于双面系统。

时间序列数据获取

在 Solargis，时间序列数据已集成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缺口。然而，作为 Solargis 卫星模型输入的卫星图像存档有时存在缺失。对于缺少卫星数据的时间戳，我们采用智能统计算法，以提供没有任何缺口的时间序列数据集。填补缺口所用的技术取决于一天中的时段以及缺失数据的多少。

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），用于指示云信息是如何从卫星数据中获得的。Solargis 使用的辐照度质量标志说明如下：

Solargis TMY 生成方法

Solargis 典型气象年（TMY）P50 是从历史时间序列中选出最具代表性的月份（例如最典型的 1 月、2 月、3 月等），并将其组合成一个人工年而生成的。该方法确保 TMY 反映长期典型条件，同时保持统计准确性和代表性。

代表性月份的选择基于两个主要标准：

• 统计特征一致性：TMY 旨在使其统计特征（例如年平均值和月平均值）与原始时间序列的统计特征之间的差异最小。该标准在选择过程中约占 80% 的权重。

• 累积分布函数（CDF）相似性：TMY 确保每个月典型小时值的出现频率与原始时间序列中观测到的分布高度一致。该标准占其余 20% 的权重。

用于选择典型月份的各参数权重根据太阳能应用类型进行定制。例如，可以根据分析的具体要求，为法向直接辐照度（DNI）、水平面总辐照度（GHI）、散射辐照度（DIF）和 2 米高度气温（TEMP）分配不同的权重。也可以纳入其他气象参数，但它们的准确性和相关性通常较低，因此不会影响代表性月份的选择。

在生成 TMY 数据时，我们会尽量使 TMY 文件中 GHI/DNI 值的年总和与根据时间序列计算的年平均值保持一致。然而，可能无法找到辐照量和气象值之和都等于长期平均值的代表性月份。因此，我们可能需要对气象值进行小幅调整，以保持与时间序列计算结果相近的平均值。

为确保数据的一致性和可靠性，构建 TMY 时仅使用历史时间序列中的完整年份。

如需进一步了解 TMY 生成方法，请参阅 Typical Meteorological Year Data: SolarGIS Approach (Energy Procedia, 2015)（英文）。

注意：为提高数据准确性，TMY 方法将每月数据分成前后两半分别进行分析，以获得更准确的月度数据。

TMY 数据获取

在 Solargis，典型气象年数据已集成到以下产品和服务中：

• Solargis Evaluate 应用程序。

• Solargis TMY API 数据服务。

创建 TMY 概率情景

通常，可以从时间序列中派生出多种数据集：

• 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，因此该数据集不包含极端情况（例如极度多云的天气）。

• TMY P90 数据集代表每个月的气候条件，将全年辐照值汇总后，其结果接近通过对不确定性和年际变化进行统计分析得出的 P90 值。因此，P90 TMY 通常代表一种保守估计，即年辐照量接近时间序列中最低年份的一年。同样，也可以应用其他情景，例如 P75、P99 或任意 PXX。

创建 TMY P90（或 P75、P99、任意 PXX 等其他情景）的方法以 TMY P50 方法为基础，但对候选月份的选择方式进行了修改：

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）数据集在用例和技术特征上存在明显差异。每种数据集都旨在满足特定的项目需求：

• 时间序列非常适合需要高时间分辨率（15 分钟或 1 小时，部分产品为 1 分钟）和完整历史记录的详细资源变化评估、性能优化和能源模拟。

• 典型气象年（TMY）适用于只需单一年份典型条件的快速能源模拟，尤其适用于需要 8760 个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址特征分析，此类场景主要关注长期气候模式。

如需更详细地了解各数据集的差异、优势、局限性和典型用例，请阅读数据集比较文档。