Istota ohľadom neistoty slnečného žiarenia

Jednou z mála vecí, ktorými si môžeme byť istí, je, že nič nie je absolútne isté. Tento paradox je obzvlášť dôležitý vo vede, kde je neistota súčasťou každého modelu.

V kontexte simulácie výťažnosti fotovoltických elektrární neistota pomáha používateľom pochopiť možné odchýlky vo výsledkoch, ktoré poskytuje softvér, ktorý používajú. Pochopenie týchto odchýlok zohráva kľúčovú úlohu pri výbere optimálneho návrhu elektrárne a pri hodnotení finančných rizík a návratnosti investícií.

Neistota má za cieľ odrážať obmedzenia a predpoklady zabudované do simulačných modelov a ich vstupných údajov. Jedným z najdôležitejších vstupov pri výpočte neistoty výnosov z fotovoltických elektrární je súbor údajov o slnečnom žiarení použitý v simulácii.

V tomto článku zdôrazňujem kľúčové body, ktoré vysvetľujú, čo je neistota slnečného žiarenia, ako sa počíta a prečo je jej pochopenie nevyhnutné na spoľahlivé posúdenie projektu.

Neistota slnečného žiarenia je viac ako jedno číslo

Neistota kvantifikuje rozsah okolo odhadu, v rámci ktorého sa očakáva, že skutočná hodnota určitej veličiny bude patriť, zvyčajne vyjadrený ako rozpätie očakávanej odchýlky a úroveň pravdepodobnosti.

To znamená, že pri práci s neistotou musíme zohľadniť niekoľko kľúčových údajov, aby sme sa vyhli zámene a umožnili zmysluplné porovnanie s inými hodnotami:

• Čo presne sledujete: Slnečné žiarenie sa skladá z rôznych zložiek (napr. priame, rozptýlené) a môže sa merať v rôznych rovinách (horizontálne k zemi, normálne k slnku, naklonené atď.). Preto je nevyhnutné jasne špecifikovať slnečný parameter, na ktorý sa odhad vzťahuje. GHI, DNI, DIF a GTI sú štandardné parametre používané pri diskusii o slnečnom žiarení.
• Spôsob agregácie hodnoty: Okrem uvedenia fyzikálnej jednotky (bežne kWh/m² pre slnečné žiarenie) je dôležité uviesť použitú úroveň agregácie (napr. denná, mesačná, ročná). Dôležité je aj používanie vhodnej terminológie: ožiarenie sa zvyčajne vzťahuje na okamžité hodnoty výkonu, zatiaľ čo žiarenie označuje akumulovanú energiu v priebehu času.
• Spôsob vyjadrenia neistoty: Neistota sa zvyčajne uvádza ako percento odhadovanej hodnoty. Aby sa však predišlo nejednoznačnosti, mala by obsahovať aj použitú úroveň spoľahlivosti (napr. P90, P99, štandardná odchýlka).

Ak to zhrnieme, úplné vyhlásenie o neistote by malo obsahovať:

Odhadovaná hodnota + solárny parameter + fyzikálna jednotka + úroveň agregácie + rozpätie neistoty + úroveň spoľahlivosti

Ilustrujme si to na príklade:

• Neúplný výkaz neistoty: "Pre tento projekt očakávame hodnotu slnečného žiarenia 1234 kWh/m² s neistotou ±4 %."
• Úplné vyhlásenie o neistote:" Pre tento projekt očakávame hodnotu slnečného žiarenia (GHI) 1234 kWh/m² (ročný súčet zajeden rok) s neistotou ±4 % (vyjadrené na úrovni P90)."

Ako sa vypočíta neistota

Odhady slnečného žiarenia založené na semi-empirických satelitných modeloch sa stali štandardom vďaka dostupnosti konzistentných satelitných údajov s vysokým rozlíšením a globálnych údajov.

Proces hodnotenia presnosti týchto modelovaných súborov údajov o slnečnom žiarení však môže byť niekedy nejasný. Zhrňme si tento postup do piatich kľúčových krokov:

Krok č. 1: Porovnanie modelu a meraní

Prvý krok procesu pozostáva zo systematického porovnávania prvotriednych, vysokokvalitných prístrojov (v prípade slnečného žiarenia ide o sekundárne štandardné pyranometre a prvotriedne pyrheliometre) s modelovými odhadmi na tých istých miestach a v tých istých obdobiach.

Potrebné je aj posúdenie kvality pozemných meracích zariadení a postupov údržby. To znamená zabezpečiť, aby pyranometre, pyreliometre a iné snímače spĺňali medzinárodné kalibračné normy a aby sa pravidelne rekalibrovali. Rutinná údržba vrátane pravidelného čistenia povrchu snímačov by sa mala tiež zdokumentovať a prísne dodržiavať.

Pre každú lokalitu sa vypočítavajú rôzne ukazovatele. Najčastejšie sa nazývajú validačné štatistiky, pretože sa používajú aj na účely validácie výkonnosti modelu.

Toto porovnanie by sa malo opakovať pre čo najviac lokalít a za čo najdlhšie obdobie. Na správne vyhodnotenie modelu slnečného žiarenia by sa malo vykonať na meteorologických staniciach reprezentujúcich všetky geografické regióny a malo by sa postupovať podľa štandardizovaného postupu, ktorý umožňuje porovnanie rôznych lokalít a meracích staníc.

Je dôležité zdôrazniť, že validácia a neistota sú koncepčne odlišné: zatiaľ čo validácia sa zastaví na zbere série štatistických údajov pre tie lokality, kde sú k dispozícii pozemné referenčné údaje, neistota ide o krok ďalej a jej cieľom je odhadnúť očakávaný výkon na lokalitách mimo referenčnej siete.

Krok č. 2: Charakterizácia skreslenia

Po analýze dostatočného počtu validačných lokalít možno získať počiatočný odhad výkonnosti modelu. Tento krok zahŕňa preskúmanie rozdelenia frekvencie a veľkosti odchýlok medzi odhadmi modelu a nameranými hodnotami.

Analýza rozdelenia odchýlok v klimatických zónach a geografických regiónoch pomáha identifikovať hlavné podmienky alebo oblasti, v ktorých sú pravdepodobné väčšie alebo menšie rozdiely medzi modelovanými a na zemi nameranými hodnotami žiarenia.

Tieto zistenia sa často uverejňujú vo verejne dostupných správach, ktoré ponúkajú predbežné usmernenie pre používateľov solárnych modelov o očakávaných úrovniach presnosti ročných hodnôt slnečného žiarenia. Na presnejší odhad neistoty na konkrétnych miestach je však potrebný hlbší pohľad na všetky validačné štatistiky a úplná analýza prispievajúcich faktorov (ako je uvedené v ďalších krokoch).

Krok č. 3: Nesystematické odchýlky

Kým kvantifikácia odchýlok je nevyhnutná na identifikáciu systematických odchýlok medzi modelovými odhadmi a meraniami, rovnako dôležité je posúdenie nesystematických chýb. To sa zvyčajne dosahuje výpočtom koreňovej strednej kvadratickej chyby (RMSE), ktorá zachytáva nesystematické odchýlky a ponúka komplexnejšie posúdenie celkovej výkonnosti modelu.

Zahrnutie ďalších ukazovateľov konzistencie, ako je Kolmogorov-Smirnovov index (KSI), pomáha vyhodnotiť schopnosť modelu reprezentovať rôzne podmienky slnečného žiarenia a ponúka hlbší pohľad na správanie modelu pred tým, ako sa pristúpi k odhadu neistoty.

Zameranie sa výlučne na dlhodobé (ročné) validačné štatistiky môže tiež zakryť sezónne nekonzistentnosti. Preto by sa na spoľahlivé posúdenie neistoty mali analyzovať aj mesačné štatistiky.

Krok č. 4: Faktory ovplyvňujúce neistotu solárneho modelu

Charakteristiky rôznych empirických rozdelení chýb identifikovaných predtým sa teraz analyzujú a porovnávajú s charakteristikami jednotlivých validačných miest a validačných období. Cieľom je priradiť vlastnosti špecifické pre danú lokalitu a obdobie k zodpovedajúcim vlastnostiam rozdelenia chýb. Medzi kľúčové faktory ovplyvňujúce výkonnosť modelu môžu patriť:

• Pretrvávanie mrakov
• Variabilita mrakov
• Optická hĺbka aerosólov
• Celková vodná para
• Snehová pokrývka
• Variabilita terénu
• Vzdialenosť k vodným plochám
• Antropogénne znečistenie
• Skreslenie satelitných pixelov
• Povrchy s vysokým obsahom lôžka

V dôsledku toho už môžeme identifikovať situácie, v ktorých sa očakáva nižšia výkonnosť solárneho modelu, vrátane vysokohorských oblastí, snehových podmienok, reflexných púští, blízkosti pobrežia alebo urbanizovaného prostredia.

Krok č. 5: Odhad neistoty špecifickej pre dané miesto

Spojením zistení z predchádzajúceho kroku je teraz cieľom odhadnúť úroveň neistoty pre požadované miesto. To znamená, že pre danú lokalitu sa vyhodnotí každý z identifikovaných faktorov, ktoré ovplyvňujú výkonnosť modelu.

Táto úloha nie je jednoduchá a vyžaduje si hlboké odborné znalosti modelu, jeho vnútorných algoritmov a vstupných údajov. Vzhľadom na zložitosť niektorých interakcií a obmedzené skúsenosti s validáciou v niektorých regiónoch zostáva úplná automatizácia procesu odhadu neistoty náročná.

Obmedzená dostupnosť verejných referenčných staníc v niektorých regiónoch si tiež vyžaduje použitie konzervatívnejších odhadov neistoty. S rozvojom nových projektov v oblasti slnečnej energie, inštaláciou väčšieho počtu meteorologických staníc a pokrokom vo vedeckom poznaní však naša dôvera v odhad neistoty slnečného žiarenia naďalej rastie.

Obr. 1: Kroky na odhad neistoty modelu slnečného žiarenia

Porovnanie modelov slnečného žiarenia

Porovnávanie modelov môže byť zložité a vyžaduje si dôkladné preskúmanie základných validačných procesov. Na pomoc vám ponúkame kontrolný zoznam kľúčových otázok, ktoré môžu pomôcť pri porovnávaní rôznych modelov slnečného žiarenia:

• Prešli modely rovnakým procesom hodnotenia neistoty?
  To je veľmi dôležité, pretože porovnávanie hodnôt neistoty medzi modelmi má zmysel len vtedy, ak boli oba modely hodnotené pomocou rovnakej metodiky, ktorá zahŕňa rovnaké štatistické ukazovatele (ako je skreslenie, RMSE), úrovne agregácie (mesačné, ročné) a intervaly spoľahlivosti (napr. P90). Bez konzistentného rámca hodnotenia nie je možné priamo porovnávať hodnoty neistoty z rôznych modelov.
• Využíva niektorý z modelov ladenie špecifické pre danú lokalitu?
  Ak áno, hoci takéto modely môžu vykazovať vynikajúce výsledky validácie na vybraných miestach, ich výkonnosť sa môže výrazne zhoršiť, ak sa použijú mimo týchto oblastí. Validačné štatistiky poskytované takýmito modelmi často odrážajú skôr "zdanlivú presnosť" než skutočnú predpovednú výkonnosť.
• Vykonávajú porovnávacie štúdie priamo poskytovatelia údajov (alebo pridružení konzultanti), alebo ich vykonávajú nezávislé organizácie?
  Okrem štatistík presnosti poskytovaných poskytovateľmi údajov umožňujú nezávislé štúdie vyhodnocovať modely za rovnakých podmienok pomocou štandardizovaných metód. Na spoločných porovnávacích cvičeniach sa zvyčajne zúčastňujú verejné výskumné inštitúcie a súkromné zainteresované strany. Okrem podpory transparentnosti tieto cvičenia podporujú výmenu poznatkov v celom odvetví a neustále zlepšovanie postupov modelovania slnečnej energie.
• Vzťahujú sa štatistiky na rovnaké referenčné lokality, obdobia validácie a protokoly kontroly kvality?
  Ak to tak nie je, spoliehanie sa na interné validácie pri priamom porovnávaní modelov môže byť zavádzajúce, pretože rozdiely v referenčných lokalitách, obdobiach získavania údajov alebo postupoch filtrovania údajov môžu skresliť výsledky v prospech jedného modelu oproti druhému.

Neistota môže byť nízka, ale nikdy nie nulová

Ako bolo uvedené na začiatku tohto článku, neistotu nemožno nikdy úplne odstrániť. To však neznamená, že ju nemožno minimalizovať.

V súvislosti so vstupnými údajmi o slnečnom žiarení existujú jasné kroky, ktoré možno podniknúť na zníženie neistoty - napríklad dôkladné preskúmanie vstupných súborov údajov a výber poskytovateľa satelitných údajov najvyššej kvality.

Modely ožiarenia sa pri validácii spoliehajú na verejne dostupné referenčné siete, ktoré tiež tvoria základ modelovania neistoty (pozri predchádzajúcu kapitolu). Neistotu možno ďalej znížiť začlenením miestnych meraní s cieľom korigovať skreslenia spôsobené pôvodným rozlíšením satelitných údajov a upraviť vnútornú štruktúru údajov, čo je proces známy ako prispôsobenie lokalite. Na tento účel sú potrebné miestne kampane merania slnečného žiarenia - trvajúce aspoň jeden rok.

Pozemné merania však nie sú dokonalé. Dokonca aj najkvalitnejšie a dobre udržiavané senzory GHI (Global Horizontal Irradiance) majú prirodzenú neistotu v rozsahu ±2 % až ±3 %. Túto skutočnosť treba vždy zohľadniť pri odhade neistoty modelu údajov.

Pred akýmkoľvek porovnaním alebo prispôsobením lokalite musia namerané údaje prejsť prísnym hodnotením kvality, aby sa vylúčili hodnoty ovplyvnené chybami merania. Tieto problémy sú zvyčajne viditeľné len v údajoch s vysokým rozlíšením - ideálne v podhodinových alebo hodinových intervaloch. Agregované údaje s denným alebo mesačným rozlíšením sú na tento účel nevhodné, pretože riadne preverenie kvality nie je možné a chyby merania sa nedajú spoľahlivo identifikovať ani kvantifikovať.

Neistota, P50 a P90: výpočet vzorky

Užitočným spôsobom, ako ukázať, ako neistota ovplyvňuje očakávané hodnoty pre ten istý projekt, je pozrieť sa na rôzne grafy rozdelenia pravdepodobnosti a hodnoty P50 a P90 slnečného žiarenia.

Nasledujúci príklad ilustruje, prečo je pre správny vývoj projektu a jeho financovateľnosť nevyhnutné zvoliť posúdenia založené na presnosti, a nie len na optimistických odhadoch.

Uvažujme o vzorovom prípade zahŕňajúcom dva modely:

• Model A:
  • Poskytuje vyššiu hodnotu P50 GHI (1250 kWh/m2 ), ktorá pravdepodobne zabezpečí vyšší výnos P50 pri spustení simulácie.
  • Je spojený s vyššou neistotou (±10,4 % pre interval spoľahlivosti P90).
• Model B:
  • Poskytuje nižšiu hodnotu P50 GHI, čo pravdepodobne zabezpečí nižší výnos P50 pri spustení simulácie.
  • Je tiež spojený s nižšou neistotou (±6,6 % pre interval spoľahlivosti P90).

Obr. 2: Neistota v odhadoch globálneho horizontálneho žiarenia (GHI) z dvoch modelov na vzorkovom mieste na Slovensku.

Hoci sa model A môže spočiatku javiť ako atraktívnejší vďaka vyššiemu centrálnemu odhadu, jeho širšie rozloženie odráža zvýšenú variabilitu a riziko.

Naopak, užšie rozdelenie modelu B vedie k vyššej intenzite ožiarenia P90, čo môže viesť k lepším finančným podmienkam financovania projektu, najmä zo strany konzervatívnych veriteľov.

Pridanie ďalších zdrojov neistoty

Model slnečného žiarenia nie je jediným zdrojom neistoty, ktorý ovplyvňuje odhad výnosov z fotovoltických elektrární poskytnutý softvérom. V priebehu procesu simulácie fotovoltického žiarenia existuje niekoľko ďalších bodov, v ktorých môže dôjsť k odchýlkam medzi predpokladanými hodnotami a tým, čo sa stane v skutočnosti.

To znamená, že sa musia zohľadniť ďalšie zdroje neistoty, ktoré sa musia skombinovať , aby sa vypočítali ročné hodnoty P90, P99 alebo iné hodnoty Pxx.

Energetická simulácia: Hoci je náročné vytvoriť podrobné modely neistoty pre každý krok simulácie, prebiehajúci výskum v tejto oblasti naďalej napreduje. Tento proces zahŕňa hodnotenie rôznych faktorov, ktoré zavádzajú rôzne typy neistôt, vrátane:

• Kvality ďalších meteorologických parametrov zahrnutých do vstupných súborov údajov a spôsobu ich využitia v modeloch prepočtu.
• Granularita vstupných údajov a spôsob ich spracovania počas simulácie (niektoré softvéry vykonávajú predbežnú agregáciu, čo znamená, že skutočné výpočty sa môžu vykonávať s iným časovým rozlíšením, ako je rozlíšenie vstupných údajov).
• Metódy výpočtu energie používané v rámci softvéru, ako napríklad sledovanie lúčov, zjednodušené modely činiteľa pohľadu atď.
• Vstupné parametre nastaviteľné používateľom a predvolené referenčné hodnoty poskytované softvérom.
• Technické špecifikácie fotovoltaických komponentov vrátane overenia vlastností fotovoltaických modulov a striedačov.

Medziročná variabilita: Okrem neistôt vyplývajúcich zo slnečného žiarenia a simulačného modelu si výpočet ročných hodnôt P90, P99 alebo iných hodnôt Pxx vyžaduje aj zohľadnenie medziročnej variability. Tento faktor odráža prirodzené výkyvy počasia a dá sa spoľahlivo odhadnúť len pomocou dostatočne dlhého súboru historických údajov.

Na správne zohľadnenie medziročnej premenlivosti je dôležité preskúmať referenčné obdobie vstupných údajov a spôsob, akým sa s ním v rámci simulácie pracuje (niektoré softvéry dokážu pracovať len s jednoročnými obdobiami).

Obr. 3: Snímka obrazovky kombinovaných výsledkov neistoty GHI v programe Solargis Evaluate 2.0.

Poznanie neistoty odomyká financie

Pochopenie neistoty výnosu FV je nevyhnutné na odhad finančných rizík. Spoľahlivé odhady očakávaného solárneho zdroja sú často conditio sine qua non na zabezpečenie financovania projektu.

Na strane solárneho žiarenia je dôležité, aby poskytovatelia údajov nielen zlepšovali modely počasia a techniky merania (t. j. aby poskytovali presnejšie údaje), ale aj prehlbovali svoje chápanie výkonnosti modelov, konkrétne poskytovaním spoľahlivých odhadov neistoty údajov.

Z hľadiska technického návrhu je optimalizácia komponentov elektrárne bez znalosti neistoty údajov takmer nemožná. Inžinieri musia zabezpečiť, aby vybrané zariadenie fungovalo v rámci podmienok odporúčaných výrobcom, a to si vyžaduje dôkladnú znalosť spoľahlivosti vstupných údajov. Kvalitné vstupné údaje o slnečnom žiarení musia byť doplnené presnými a dobre zavedenými výpočtovými modelmi, aby sa minimalizovala neistota v konečných odhadoch energetických výnosov.

Hoci sa môže zdať, že neistota sa nachádza niekde medzi pravdepodobnosťou a očakávaním, jej dôkladné a starostlivé vyhodnotenie je pri fotovoltických projektoch vždy potrebné. Posúdenie neistoty je jedným z prvých krokov k uvoľneniu financovania a odhadu realistickej návratnosti projektu.