- CalibSun | 专业领域
气象数据 用于太阳能预测：数值天气预报、卫星
气象数据是任何可靠的太阳能发电量预测的基础
光伏发电预测链的准确性直接取决于所收集的数据类型、其空间和时间分辨率、历史气象数据所涵盖的时段，以及捕捉导致光伏发电量剧烈波动的极端天气事件的能力。
需要三类气象数据： 数值天气预报（NWP）模型、卫星影像和地面气象站。 每种数据源都提供了关于驱动光伏发电的大气变量的具体信息，包括太阳辐射（GHI、GTI）、云量、温度、湿度、气溶胶、反照率和风速。任何单一数据源都无法单独覆盖全部的预测时域和天气类型。
CalibSun 将实地测量数据与经后处理的数值天气预报（NWP）输出结果及卫星图像相结合。这一科学方法是与 巴黎矿业学院 – PSL 以及通过……积累的18年以上光伏专业经验 索莱斯, ，将异构的气象数据转化为高性能预报，为全球的光伏电站运营商、交易商和聚合商提供服务。.
要点总结
- 气象数据 太阳能预测综合利用了四大类数据：数值天气预报（NWP）、卫星影像、地面观测数据以及再分析数据。
- NWP 模型 （ECMWF、GFS、AROME、ICON）的预测时域为D+1至D+15，采用数据同化与集合预报方法。
- 尽管存在已知的局限性，但通过云运动向量进行分析的卫星影像（Meteosat、GOES、Himawari）在临近预测（0–4 小时）中仍占据主导地位。
- 通过混合、k-NN 和机器学习进行智能组合，从而产生 确定性预测和概率性预测（P5–P95）.
- CalibSun 运用其深厚的气象专业知识——包括变量选择、降尺度、季节性偏差校正、质量检查和延迟管理——为全球多吉瓦级光伏电站提供高性能预测。
天气数据主要有哪些类别，用于 太阳能预测？
在太阳能预测的背景下， 气象数据 指用于估算太阳辐射强度并预测光伏发电量的全部气象变量，包括观测、模拟或再分析所得的数据。相关的 测得的参数 包括太阳辐射（GHI、GTI）、云量、 气温, 大气压 （或 气压), 风速, 风向，相对湿度、气溶胶浓度、大气柱含水量和降水（雨, 雪, 降雪).
利用了以下三大类气象数据：
- 数值天气预报（NWP） 输出结果——大气物理模拟。
- 卫星影像，对云量的近实时观测。
- 地面气象观测，数据来自 气象站、总辐射表和天空成像仪。
数值天气预报（NWP）模型
数值天气预报（NWP）模型通过数值求解描述流体动力学、辐射传输和热力学的物理方程来模拟大气。这些模型可对几小时至十天不等的预测时段内的气象变量进行预测。其运行主要基于以下两项原则： 数据同化 和 集合预测.
全球数值模式非常适合中长期预测（D+1 至 D+10）。区域数值模式以全球边界条件为驱动，具有更高的空间分辨率，并对局部情况的再现更为准确。 天气模式，特别是在复杂地形中。
卫星影像
地面气象观测
现场测量数据包括总辐射表数据（GHI、GTI）、SCADA实时发电数据以及天空成像仪观测数据。这些数据是了解电站实际运行状况的唯一直接参考依据，对于偏差校正、数值天气预报（NWP）和卫星输出结果的动态重新校准以及超短期预测至关重要。
CalibSun 的集成与 气象专业知识
使用 k-NN 方法融合多源数据
按投资期限进行的动态权重调整
CalibSun 的算法类似于一个 k-最近邻（k-NN） 机器学习方法。每个来源的权重为 针对每项预测和每个预测时段重新计算，频率范围为 1 至 15 分钟。该方法通过计算当前气象状况与全部历史气象状况之间的距离，识别出最接近的类比案例，并根据这些案例的观测结果推导出概率预测。
概率预测
除了确定性值之外，CalibSun 还会生成 概率预测 以分位数的形式（通常为 P5 至 P95），从而量化每项预测相关的不确定性。这些分位数源自数值天气预报（NWP）集合以及通过k-NN方法识别出的类比情况的分散度，对于光伏电站运营商管理大型投资组合的风险至关重要。
预测时限与数据源选择
- 气象数据
CalibSun在气象领域的专业知识
变量选择与最新模型的整合
CalibSun 持续对新发布的数值天气预报（NWP）模型进行监测。每个新模型都会 在多个地点和不同气候条件下进行测试，并且只有在证明其能有效提高预测质量的情况下，才会将其纳入运营流程。该变量选择方法在 ICEM 2025 科学会议上发表，该方法通过与不同气候条件下的现场测量数据进行交叉核对，确定了对地表辐照度影响最大的数值天气预报（NWP）变量。
高级气象后处理
原始NWP输出数据需要经过专门的后处理，才能达到光伏电站所要求的精度水平。CalibSun采用了多层处理流程：
- 降尺度： 将粗网格（9–25 公里）数值天气预报（NWP）输出结果通过统计和动力方法精细化至电站尺度。
- 测量数据的质量检查： 对现场观测数据进行验证，以便在将其纳入预测链之前，检测传感器故障、漂移或异常情况。
气象学方面的科学专长
CalibSun 的气象专业团队由以下人员领导： 亚历山大·博伊利，首席气象学家，其博士学位取得于 2011年的法国气象局 在结合地面观测数据同化进行局部现象数值模拟方面，并且曾 在太阳能辐照度预测领域拥有15年的经验。这一专业知识还得益于深厚的光伏与太阳能资源专业积累，这些积累继承自 索莱斯，CalibSun 的母公司，该公司一直与 自2009年起更名为巴黎矿业学院——PSL 在太阳能资源评估与预测方面开展合作。一支由科学专家组成的团队提供持续支持，并以经同行评审的出版物和会议论文为依据。
全球高性能预测
通过整合多源气象数据、动态融合、概率预测、先进的后处理以及现场重新校准，CalibSun 能够在从干旱区（高气溶胶负荷）到湿热带地区（深对流）以及高纬度地区（太阳高度角低， 雪 覆盖地面）。这种鲁棒性对于必须确保在异构站点和多样化的条件下保持预测准确性的运营商而言尤为关键 天气事件.
数值天气预报（NWP）的分辨率（9–25 公里）与光伏电站的实际占地面积之间存在不匹配，后者从几百米到几公里不等，对于 像哈夫达（Khavda）这样的多吉瓦级电站，这意味着模型无法解析局部气象现象。因此，为了捕捉影响实际发电量的厂内变异性，降尺度分析和现场重新校准至关重要
- 问题
关于气象数据的常见问题
在光伏预测方面，数值天气预报（NWP）与卫星影像有何区别？
NWP模型通过物理方程对大气进行模拟，其预测时效范围从数小时到约15天不等。卫星影像可近乎实时地观测云量，并能通过云运动向量在临近预测和短期预测（0–6小时）方面表现出色。
为什么要整合多个气象数据源？
没有任何单一数据源能够覆盖所有预测时域或地理范围。CalibSun 基于 KNN 的混合方法会根据预测时域和当地气候，动态调整数值天气预报（NWP）、卫星数据和现场观测数据的权重，且权重每 1 至 15 分钟更新一次。 这确保了在各种天气条件下——从剧烈雷暴和破坏性大风到降雨和干旱等情景——都能提供准确的预测，从而为管理多兆瓦级光伏电站组合的运营商提供可靠的每日预测。
为什么太阳辐射的预测比其他气象变量更难？
在数值天气预报（NWP）模型中，辐照度是一项诊断变量，是在建模链的末端计算得出的，位于利用辐射传输技术进行云量估算的下游。该变量会累积上游误差，需要进行专门的后处理和现场重新校准，才能在光伏电站中达到运行精度。
卫星影像有哪些优点和局限性？
卫星影像至关重要，尤其是对于 临近预测 （0–4 小时），在此时间段内，其表现优于数值天气预报（NWP）模型。不过，必须应对以下几项局限性：
- 多层云： 难以区分光学贡献与重叠云层的影响。
- 雾和低层层云： 与地表相比对比度较低，尤其是在陆地上空时。
- 地面积雪： 将积雪覆盖与云层覆盖混淆（在可见光波段的光谱特征相似）。
- 太阳高度角低： 在黎明、黄昏和高纬度地区会出现严重的畸变。
- 图像边缘： 卫星视场边缘处的几何畸变。
对于位于卫星覆盖范围边缘附近的光伏电站，CalibSun 会应用 现场重新校准：通过本地地面观测数据对预测结果进行校正，从而弥补了这些区域内卫星估算精度的下降——这是 CalibSun 独有的差异化方法。
