机器翻译，未经校对人员审核，可能存在错误。
在本文件中
我们将讨论太阳能软件如何提供太阳辐照度和产额模拟的预期不确定性，从而提供更可靠的结果，确保太阳能项目的设计、运营和财务成功。
概述
通过强有力的建模和基于真实数据验证来应对不确定性，对于提升光伏输出计算的可靠性和促进太阳能项目中明智决策至关重要。
不确定性的主要来源之一是作为模拟关键输入的 太阳辐照度 数据。辐照度数据的不确定性源于模型固有的局限性，包括大气条件、地理变异性及其他环境因素的不完整表征。通过结合区域分析和特定地点分析，可以实现对卫星模型不确定性的更全面理解。
估算卫星辐射数据的不确定性需要通过地面测量进行 广泛验证 ，并仔细分析导致偏差的因素。虽然地面传感器非常准确，但也存在挑战。校准误差、传感器老化和环境干扰（如遮阳、污渍或恶劣天气）等问题，会为太阳能资源评估带来额外的不确定性。
在 光伏输出模拟中，进一步的不确定性来自建模工具中嵌入的假设和简化，例如与光伏系统组件及其在不同条件下的性能相关的。
在 评估应用中，我们通过结合Solargis模型的不确定性和年际变异带来的不确定性，估算并呈现GHI不确定性，使用户能够基于现有的Solargis历史数据评估最小期望值和超额概率情景。
你可以 在这里阅读更多关于年际变异及其Solargis实现的信息。
卫星辐射的不确定性
半经验式辐照度模型受到多种因素带来的不确定性影响，这些不确定性与当前卫星技术覆盖区域的限制、模型输入捕捉能力、计算步骤以及它们在各种地理和时间变化条件下生成准确结果的能力有关。更具体地说：
数据输入到Solargis卫星辐射模型（卫星数据、气溶胶和水汽的精度以及数字地形模型）。
晴天模型 及其准确表征大气各状态的能力。
模拟云的透透算法，能够准确区分不同类型的沙漠表面、云层、雾气，以及雪和冰。
扩散与直接分裂 模型。
Solargis卫星辐射模型的不确定性估计
高质量卫星模型在空间和时间上都具有一致性，使得在特定地理区域内多个站点验证模型准确性成为衡量可比区域模型准确性的可靠指标。通过验证模型结果与足够样本的参考值，并全面分析所有影响结果的因素，可以估算预期的不确定性。
影响模型不确定性的一些关键因素：
云的持续性和变异 性会显著影响太阳辐照度的估算。尤其是在云层快速变化的情况下，辐照度估计的准确性较低。高反照率表面，如积雪覆盖或沙漠地区，反射更多阳光，可能导致卫星模型中对辐照度的高估或低估。
地形的变异性，如山脉和山谷，会影响太阳辐射在景观中的分布，这使得粗卫星分辨率难以捕捉。与水体的距离带来了局部效应如雾气或海洋云层带来的不确定性。
人为污染，包括雾霾和工业排放，通过增加大气中气溶胶含量，增加了太阳辐照度测量的变异性。极端天气事件，如野火、飓风或火山喷发，会极大改变大气状况，常常导致不确定性激增。
卫星数据的空间分辨率 对于准确模拟太阳辐照度至关重要。较低的分辨率可能导致捕捉小尺度变异时的误差。像素畸变，由于传感器在捕捉地球曲面时的限制，也可能带来不准确，尤其是在图像边缘。
太阳模型的不确定性通常以围绕平均辐照度值的百分比变化表示（例如，±5%）。为了量化这些不确定性范围，分析了给定地理范围内验证站点的性能。如果这些站点在定义范围内表现出一致的偏差和均方根偏差（RMSD），可以合理推断模型在具有相似地理特征的地区表现类似，即使没有验证站点。
模型不确定性分析主要有两种常见类型：
该方法通过根据验证结果和环境因素将区域分类为较低和更高不确定性范围，提供了模型性能的广泛近似。对于Solargis GHI年度值，验证点以外地区的预期P90不确定性范围为±4%至±8%。
不确定性较低的区域 （~±4%）：包括大气条件稳定且地面测量可靠的地区，如欧洲大部分地区、北纬50°以下的北美、南非、智利、巴西、澳大利亚、日本、摩洛哥、地中海、阿拉伯半岛（不包括海湾地区）以及其他拥有高质量数据的地区。
不确定性较高的区域 （~±8%）：包括纬度高于北纬50°和南纬50°、覆盖雪和冰的高山地区、反射性沙漠、城市化或工业区、气溶胶浓度高且变化多的地区（如印度、西非、海湾地区和中国部分地区）、沿海地区（距离水域~15公里以内）以及湿润热带气候（例如， 非洲、美洲、太平洋和东南亚的赤道地区）。有限或缺乏高质量地面测量进一步增加了这些领域的不确定性。
分析场地特定模型性能是一个复杂的过程，需要对模型内部算法、输入和环境依赖性有深入的专业知识。要准确估算特定地点的不确定性，必须考虑气候、地理、环境条件和卫星技术等因素。这种详细的方法提供了针对相关场地独特特征的精细不确定性估计。
注意：在Solargis辐照度不确定值的情况下，用于计算不确定性的验证仪器的不确定性已包含在模型给定的不确定值中。
测量不确定性
ISO 9060：2018将火速计分为三类：
A类 （中学标准）
B级 （头等舱）
C级 （二等）。
在太阳能电厂开发中，推荐使用A类火速计，因其更优越的精度和可靠性。同样，A类热流仪更适合进行精确的DNI（直接法向辐射）测量。
相比之下，旋转影带辐射计（RSR）通常被归类为B类或C类设备。虽然RSR不太适合高精度应用，但它可以作为初步太阳能资源评估的经济替代方案。
仅使用最先进的仪器并不保证不确定性低。测量本身存在误差，准确结果需要伴随相关不确定性信息，以及严谨的 维护 实践（传感器清洁、校准）、 质量控制 和对原始数据的 后处理 技术。
估算地面测量的长期不确定性涉及理论仪器不确定性、质量控制程序结果以及冗余测量比较的结合。对于高精度仪器，如A类火放射仪和热日仪，在采用最佳实践和严格质量控制的情况下，年度太阳测量的不确定性通常约为GHI的±2.0%，DNI的±1.0%。
火速仪 | RSR | |||
|---|---|---|---|---|
| A组 （中学标准） | B组 （头等舱） | C组 （二等） | （数据后处理） |
GHI小时报 | ±3% | ±8% | ±20% | ±3.5%到±4.5% |
GHI日报 | ±2% | ±5% | ±10% | ±2.5%到±3.5% |
理论上可实现的GHI每日不确定性（95%置信水平）
圆升仪 | RSR | ||
|---|---|---|---|
| A组 （中学标准） | B组 （头等舱） | （数据后处理） |
DNI小时报 | ±0.7% | ±1.5% | ±3.5%到±4.5% |
DNI日报 | ±0.5% | ±1.0% | ±2.5%到±3.5% |
理论上可实现的DNI每日不确定性，置信水平为95%
太阳能测量中最低可实现的不确定性对于准确确定太阳能资源至关重要。高质量数据不仅对验证太阳能资源评估至关重要，也有助于将卫星模型适应当地环境。低质量或未经验证的数据会带来重大误差，削弱对能源生产估计和项目可行性研究的信心。
PV输出模拟的不确定性
模拟光伏（PV）系统的能量输出涉及各种不确定性，这些不确定性会影响预测的准确性。这些不确定性源于系统固有的复杂性、组件的变异性以及仿真工具的局限性。准确估计这些不确定性需要全面的数据、敏感性分析以及对建模局限的深入理解，使得这一过程在技术上极具挑战性。
PV输出模拟中的不确定性大致可分为三类：
模型假设：仿真工具通常依赖简化假设来建模系统组件，如光伏组件性能、逆变器效率和着色效果。这些假设可能带来不准确性，因为它们可能与现实世界的情况不完全一致。
系统组件变异性：光伏系统中的每个组件都有其自身的不确定性，如逆变器的效率或组件劣化速率。这些差异会叠加，影响整体系统性能预测。
用户输入：用户提供或调整的数值本身存在不确定性。不准确或过于泛化的输入会显著影响模拟结果。
PV模拟中使用的不确定性模型复杂度不一，从简单的确定性近似到高级概率框架不等。虽然现代仿真软件使能源产额预测更易获取，但这些模拟中的不确定性往往被忽视。
在Solargis平台的应用
不确定性估计被集成到Solargis Evaretu解决方案中。所有完整评估项目都可以免费申请附加内容，你可以在不确定性部分的分析类别中进行分析。