【阿波罗名家谈】TMY3典型年辐照数据靠谱吗？
美国光伏行业在进行资源评估时一般使用NREL(美国可再生能源实验室)公布的TMY3典型年数据（Typical Meteorological Year）。众所周知，典型年数据是由历史数据使用统计学方法加工得来的1年数据，一般被用来代入光伏模拟软件进行首年发电量模拟评估。业内一般也会首选TMY3数据进行项目开发评估，计算发电量作为电站绩效的基准，更有甚者使用TMY3的模拟结果作为发电量保险的声明。太阳辐照具有周期性的特征，因此在使用TMY3数据时也会有产生一些不确定性。该不确定性的水平和具体的偏差在业内并没有达成一定的共识。
下文具体讨论辐照长期变化量，TMY3数据准确性如何受不同气候周期的影响以及使用TMY3辐照数据的风险控制。
美国光伏行业近年经历了爆发式的增长，安装成本的降低是众多影响因子中最重要的一个。加深对光资源属性的理解可以帮助财务人员量化风险，降低贷方放款时的内生风险，从而进一步降低光伏系统的总成本。
由于辐照驱动光伏组件源源不断地产出电能，辐照的波动将直接影响项目的发电量。光资源的长期变化已经被反复观测，而项目所在地的光资源评估是进行财务可行性分析及风控的前置输入。光资源及其波动的评估有很多可用的方法，且大多有取决于电站的容量。
对于大容量电站，满足财务风控需求的气象数据应为辐照仪实测数据与历史卫星辐照数据的复合数据，然后运用统计学的方法去评估p50, p90, p95, p99的累计辐射阀值。P99表达的是该累计辐射有99%的几率可以达成。该方法可以有效地评估光资源的长期变化，但是获取费用昂贵，小容量项目由于总体造价有限，几乎没有足够的预算获取上述数据。
为了解决上文中气象数据获取的瓶颈，NREL使用NSRDB(美国辐照数据库)的辐照数据生成了一系列的典型年数据(TMY)并免费发布。这套典型年数据包含了关键的辐照要素，例如GHI(全局水平辐照)，DNI(净直射辐照)，DHI(水平散射辐照)等。该数据库的最新迭代版本为TMY3数据库，它覆盖了全美1020个地面观测站1976-2005或者1991-2005年的所有实测历史记录。图1展示了TMY3数据库覆盖的所有地面台站。
▲全美TMY3台站分布图
由于中小型光伏项目开发商可以免费使用TMY3数据库进行项目经济性评估，所以该数据库在光伏行业内广泛使用。更有甚者使用该数据库带入发电量模拟的结果作为光伏系统的发电量参考基准或者发电量保险的阀值。即使TMY3数据带入发电量模拟的结果可以作为参考基准，但这并不是TMY3数据库设计的本意，而且如此使用也存在诸多风险。参照TMY3使用手册上的声明，由于这些数据代表着典型而非极端情况，所以TMY3数据并不适用于位于特定地区且处于极端条件下的系统设计。
上述使用过程中不可避免地引入了长期辐照自然波动的风险。该风险使业内人士在使用TMY3数据时更为保守谨慎，因此由辐照波动带来的不确定风险就自然而然地抬升了总包成本。如果能更好地理解这些不确定性，就能对TMY3数据物尽其用，挖掘最佳解决方案。
一般而言，TMY3数据的不确定性可以通过比对地面台站实测辐照数据与对应的典型辐照数来计算获得。但是事实上许多TMY3台站数据都是通过对NSRDB现有数据建模从后输出的模式计算数据，同时由于昂贵的硬件以及后续的长期运维费用，装备辐照仪记录实测数据的TMY3台站数量也比较有限。
为了分析比对TMY3数据，选取的这些地面台站需要保持一定的地理与气候的差异性。例如，NOAA(美国海洋大气局)运行的SurfRad(Surface Radiation Network地面辐照观测网)包含了7个覆盖全美的装备高质量辐照仪表的监测台站。并且其中的5个也同时隶属于TMY3台站，图2展示了用于分析TMY3数据的这5个候选台站的分布状况。
▲SurfRad中的TMY3台站分布状况
这5个位置十分分散，可以充分排除分析中相似环境的干扰。同时这些分散的台站也处于不同的气候区域，可以充分研究气候环境引起的辐照资源波动。再次，各台站的海拔也差异巨大。表1展示了各台站的经纬度，海拔和气候状况。
表1：TMY3/SURFRAD台站的详情
上文中提到TMY3数据由NSRDB数据加工获取。NSRDB根据台站监测数据的不确定性给各台站定级，等级划分为Class I, Class II, Class III，不确定度依次递增。其中Class III的台站还有许多记录缺失。为了解决数据丢失的问题，TMY3数据的统计学加工过程不使用任何含有缺失数据的当月数据作为输入。
对于上文中提到的5个台站，它们的TMY3数据是由NSRDB中1991-2005年的数据加工生成。但是由于1991年6月菲律宾皮纳图博火山的爆发，之后有3年的反常数据没有作为TMY3数据生成的输入。表2展示了这些台站用于生成TMY3的历史实测数据。
基于上述数据源，使用Sandia方法计算出各典型月，选取典型月的方法如下：
比较气象要素的累计分布函数与使用FS统计方法计算出的长期平均累计分布函数
计算各气象元素的FS统计加权值
甄选FS加权值较最低的月作为候选月
再使用温度持续性以及GHI条件筛选候选月
选取筛选后FS加权值最低的月份作为典型年的该月数据
各典型月选取之后会对月初及月末的数据进行平滑以拼接成完整的典型年数据。上述方法就是TMY数据的加工方法，并且用以评估各TMY3/SurfRad台站。
NOAA的SurfRad(地面辐照观测网)建立于1993年，用以研究达到地面的太阳能量。从1995年以来，SurfRad就装备了科研级别的仪表以监测太阳辐照和大气状况对辐照传输的影响，并且全美的监测时间分辨率都非常高。SurfRad监测GHI，DNI(单位为W/m2)，同时也会监测其他气象要素。早期数据的步长为3分钟，但是在1999年对数据采集器进行了升级从而把监测步长提高到了1分钟。SurfRad是全球提供最高质量辐照数据的台站之一。
即使大部分TMY3/SurfRad台站从1995年就有可用的辐照数据，但是我们选择使用2006-2011的数据去评估TMY3数据，因为该时段的数据并没有用于生成TMY3数据。另外，这些年还包含了近期太阳活动状况，同时也覆盖了TMY3被广泛使用的年份。SurfRad台站维持了小于0.5%的停机时间(10955天中停机55天)，保证了极少量的数据丢失。类似于TMY3的加工原则，含有缺失数据的月数据不会被带入分析。表3展示了各站被排除的月数。
5个台站的2006-2011年观测辐照数据与TMY3辐照数据的对比用于分析辐照波动。SurfRad监测的瞬时辐照(W/m2)以观测的时间间隔积分计算出累计辐照(Wh/m2)。台站实测与TMY3的累计辐照比较的主要内容是时序偏差。
由于对各台站的月累计辐照与TMY3的月累计辐照直接求差的比较结果无太大意义，所以使用相对量来分析TMY3数据的异常。下文中的公式用于计算它们的差异，其中i表示台站，j表示月份，k表示年份。
辐照资源波动的不同取决于很多因素，例如纬度，环境条件，海拔等；因此为了更稳健地分析出辐照资源波动，对5个台站的数据进行时序分析，同时参考基于Köppen–Geiger气候分类的气候分析。后续章节将会在时序和极端气候的基础上讨论上述台站的辐照资源波动。
通过计算5个台站的2006-2011年的月波动平均值以及其95%的置信区间以展示辐照资源相对于典型年数据的平均变化。另外，月数据波动的极值也被用来检验TMY3数据可能的波动范围。图3,4展示了GHI与DNI的分析结果。
月波动平均值及其95%的置信区间展示了实测辐照数据与典型年数据对比的统计学特征。局限于较少的样本容量和潜在的未知异常波动分布，95%置信区间是使用BCa方法（bias-corrected and accelerated (BCa) bootstrap technique, 误差修正和加速自助抽样法）基于1000多个样本的月波动数据加工获取。统计学显著水平为5%时，置信区间展示了实测GHI的平均值与TMY3数据中的GHI存在6个月的统计学偏差，实测DNI的平均值与TMY3数据中的DNI存在5个月的统计学偏差。这些偏差中，GHI相关的6个月的数据都是正偏，5个DNI相关的数据中只有4个月是正偏。
TMY3/SurfRad场站数据的波动极值和均值分析都表明TMY3属于低估辐照的状况。除了趋势，TMY3中GHI典型月数据的准确性达到了50%，DNI典型月数据的准确性达到了58%。综上，TMY3中的典型月辐照资源数据是具有代表性的。
为了验证一年辐照资源趋势的周期性变化，对TMY3数据进行了季度偏差分析。分析了5个TMY3/SurfRad台站2006-2011年的季度波动。在此使用波动的极值、平均值及其95%置信区间等指标判断季度辐照数据的波动与趋势。图5, 6展示了GHI与DNI数据相应的季度变化。
▲GHI季度数据的波动，包括极值、平均值、及其95%置信区间
▲DNI季度数据的波动，包括极值、平均值、及其95%置信区间
如图所示，在同一个季度中GHI与DNI的观测值与TMY3的偏差很大。当与同时期月数据比较时，季度辐照资源的波动程度比月度辐照低。随着累计辐照时段的增加，变化曲线也更加平滑。与月度数据分析相同，DNI的波动范围与波动程度都比GHI大。
GHI与DNI数据的季度波动都是正偏，表明TMY3低估了辐照资源。平均季度波动的统计显著性是由各季度的TMY3波动的均值及其95%的置信区间计算获取。置信区间是使用BCa方法基于1000多个样本的季度波动数据加工获取。统计学显著水平为5%时，3个GHI季度数据存在统计学偏差，2个DNI季度数据存在统计学偏差。GHI与DNI数据中都只有秋季数据无统计学显著差异，二者的冬季与夏季数据都存在显著偏差。所有5个存在偏差的季度数据都是正偏的。
TMY3数据季度变化的分析展示了与月度数据分析相似的结果。GHI与DNI的实测数据一般都大于典型年数据，再次表明TMY3低估了辐照资源。TMY3中GHI典型季度数据的准确性达到了25%，DNI典型季度数据的准确性达到了50%。各季度均值的统计学差异与TMY3相近，因此TMY3数据确实具有代表性。
这5个TMY3/SurfRad台站分布在4个气候区，可以用于分析TMY3数据在不同气候环境中的波动差异。不同气候环境中2006-2011年的月辐照数据的波动可以用来研究气候环境对TMY3数据准确性的影响。由于各气候环境中月数据的缺失，对月波动进行独立分析而非3.1的时序分析。图7, 8展示了不同气候环境中GHI与DNI的相关波动分布。
▲ 不同气候环境GHI月波动的柱状图
图表显示，各气候环境中GHI与DNI月数据的采样分布是非对称的，且除了干旱环境GHI的波动都为正偏。GHI与DNI月数据的波动均值，除了湿润陆地气候的GHI的波动也都为正偏。表4, 5展示了各气候环境中GHI与DNI相关月波动的统计情况汇总。
表4：各气候环境中GHI月数据波动统计
上表中的数据表明，各气候环境的GHI与DNI实测月数据相对TMY3数据的波动范围都很大，且DNI数据的波动偏差大于GHI数据。干旱气候环境中的波动普遍小于其他，湿润陆地气候的波动幅度则最大。因此我们可以假设这些影响主要是由降水引起的，究其根本，带来降水的云层会遮挡阳光，从而引起辐照的变化。
使用BCa方法基于500多个样本的气候环境波动数据加工的95%置信区间测试各气候环境中辐照波动的统计学显著性。统计学显著水平为5%时，各气候环境中的GHI与DNI实测数据与TMY3的数据并没有统计学差异。
即使GHI与DNI波动在统计学特征上不显著，上述分析仍然揭示了气候环境对辐照资源评估差异的影响。同样的，上述分析表明TMY3数据低估了辐照资源，并且DNI数据的波动程度更大。气候环境也会影响辐照资源的波动，湿润的气候环境会加剧波动范围与波动程度。
该研究针对辐照资源的自然波动和部分相对于TMY3数据的偏差提供了一些深度的启示。GHI与DNI都会随着气候和时间尺度剧烈变化。无论在何种气候环境和时间尺度，DNI的波动程度比GHI更剧烈。一般而言，GHI的实测数据与TMY3数据比较，一年内约有一半的月份数据显著不同，DNI则是一年中有一半的季节数据显著不同。在高降水量的环境中，实测辐照资源的波动程度更大。
TMY3可以有效地代表辐照状况。即使在某些月份和季节中实测数据与TMY3数据有显著的统计差异，实测累计辐照均值则通常与典型累计辐照一致。本文的研究也表明TMY3数据比较保守，略微低估了辐照资源。实测比TMY3数据偏差较大的案例中，正偏的概率明显大于负偏。总而言之，TMY3数据为各地的辐照资源评估提供了可靠的保障，再加之它的数值比较保守，所以可以作为业内理想的辐照数据源。
Reference:
HOW TYPICAL IS SOLAR ENERGY A 6 YEAREVALUATION OF TYPICAL METEOROLOGICAL DATA (TMY3), 2012
责任编辑：武定胜
【阿波罗名家谈】楼市已上天，光伏屋顶的价值你考虑过吗？
大数据助力光伏理性繁荣，阿波罗评级发布“2016年中国光伏投资价值地图”
【阿波罗名家谈】寒潮来袭，光伏电站安全管理，你真的会吗？
远景能源在2015年发布国内首个光伏电站风险评估评级产品 —— “阿波罗评级”，致力于打造“光伏行业的穆迪”。“阿波罗评级”产品针对不同类型不同阶段的光伏电站项目，满足在任何时间节点系统性识别光伏电站标的所面临的风险，并用量化的评估结果助力金融机构优选标的资产、规避重大风险并实现风险定价。
“阿波罗评级”是一个系统性、多维度、全流程的光伏电站风险评估体系，消除金融机构与资产方之间的信息不对称，透明化项目风险，并还原优质资产的真实价值。“阿波罗评级”将光伏电站面临的政策风险、限电风险、补贴风险、合规风险、项目技术风险等因素纳入到现金流分析过程中，挤掉可变收入的“水分”，评估光伏电站在风险调整后的真正收益水平。同时，在光伏电站的项目实施阶段提供关键设备监造及设备抽检的统一标准、针对设计院/EPC/监造/监理等服务方的打分评估、基于大数据的有效设备白名单以及关键过程节点风险控制等多项个性化服务。“阿波罗评级”产品自2015年8月推出以来已累计评估集中式电站2GW，分布式电站1GW，涉及资产总额约200亿。目前“阿波罗评级”已与国内数十家领先的银行、租赁、信托、基金等金融机构开展全方面合作，为金融机构开展新能源资产投融资风险管控保驾护航。
阿波罗光伏云™平台直击行业痛点，帮助开发商、投资商，从项目发起、开发、建设、运营，到后续资产交易，进行全流程的数据管理。利用并深度挖掘电站运营的大数据，建立系统的指标体系进行投资决策分析，形成投资管理的闭环。借助大数据平台，与无人机巡检、机器学习等先进技术相结合，进行智能监控、故障诊断、状态运维，为客户提供电站绩效对标、电站健康度体检、以及损失电量分析等服务，形成资产管理的闭环。
阿波罗光伏云™目前为包括天合光能、晶澳太阳能、特变电工、协合新能源、力诺科技、中天科技等在内的数十家电站开发商管理了超过2GW光伏电站，阿波罗光伏云™平台目前也是中国最大的分布式光伏电站管理平台。