NREL开发新型测试方法

近日，NREL开发了一种新型测试方法，可以将风速数据的准确性提高50倍，将太阳辐照度的数据准确性提高25倍。

业内首创，解决数据难题

在气象预测中很难确定时间和地点，缺乏不同情景下的高精度数据一直是能源规划中的一大挑战。NERL采取了一种特殊方法，通过一次观察整个区域模型上的物理细节，实现以更快的速度获得高精度的气象数据。

adversarial training是一种提高神经网络性能的方法，NREL的研究人员在模型中训练了两种类型的神经网络——一种是识别高精度太阳辐照度和风速数据的物理特征，另一种是比较粗略的数据特征。通过让它们相互对抗来产生新的、更真实的数据，随着时间的推移，网络会产生更真实的数据。

尽管目前已经存在各种提高数据精度的方法，如通过增加像素来锐化模糊图像的成像过程等，但到现在还没有人使用adversarial training 来解析气象数据。这种方法可以应用于全球范围内的各种气候情景，改变气象模型预测的方式。

重大影响太阳能等能源规划

NREL大学研究物理学的高级计算科学家莱恩·金表示:“提高气象预测的准确性不仅对能源规划产生巨大影响，而且对农业、交通等领域也有巨大影响。”

准确的气象数据对于预测风、云、雨的变化至关重要，这些变化是可再生能源是来源。这种方法将使科学家能够更快、更准确地完成未来不同气象条件下的可再生能源研究。

光伏发电作为受太阳能辐照度影响较大的发电方式，这一发现为业内接下来的研究提供了有力的保障。

关于NREL

NREL（National Renewable Energy Laboratory），即美国可再生能源和能源效率研究和发展的重点实验室，其战略重点是推进美国能源部和国家的能源目标。实验室的科学家和研究人员为市场目标提供支持，研究从科学创新加速过渡到市场可行的可再生能源解决方案。

NREL保留了从1976年至今绘制的一系列光伏技术研究电池和组件的最高确认转化效率图表。

图片来源：NREL Champion-Module-Efficiency

免责声明：本公众号原创或转载文章仅代表作者本人观点，公众号平台对文中观点不持态度。如内容有不实或者侵权，请留言与本站联系。

往期精彩内容推荐

点“阅读原文”了解去除组件边框积灰新方式