- CalibSun | 专业领域
现场太阳能数据： 准确电力预测的主要依据
引言
现场太阳能数据是指在光伏电站直接采集的所有地面测量数据（辐照度、发电量、温度、风速），用于实时监测实际天气状况。 对于太阳能发电预测而言，这些现场测量数据并非次要输入：它们是主要的信息来源，在短期预测时段内，卫星影像和数值天气预报（NWP）模型无法取代其作用。 对于管理偏差风险和需求侧管理（DSM）罚金的独立发电商（IPP）、聚合商和电网运营商而言，现场测量数据的质量直接决定了预测精度、弃光检测以及日内电力预测的可靠性。 现场太阳能数据能够根据实际电站运行情况对模型进行重新校准，对大型公用事业级电站进行空间辐照度测绘，并实现实时状态估计：这三项能力是仅靠卫星衍生的辐照度产品和数值天气预报（NWP）无法实现的。
关键事实
- 现场太阳能数据是指直接在光伏电站采集的所有地面测量数据 （辐照度、输出功率、温度、风速……）以实时监测当地天气状况。
- 卫星数据（3–10 平方公里，每 15 分钟更新一次 + 延迟）和数值天气预报（20 平方公里，每 6 小时更新一次） 缺乏对公用事业规模光伏电站进行小时内预报所需的时空分辨率。
- 质量检查和历史数据 以下几点至关重要：过滤异常值、检测传感器漂移以及利用多年时间序列数据，这些措施有助于实现稳健的模型校准和实时重新校准，从而降低日内均方根误差（nRMSE）。
- CalibSun 整合了现有的现场数据或新增的天空成像数据、卫星影像以及数值天气预报（NWP）。
主要传感器 部署在一家太阳能发电厂
配备发电量预测功能的光伏电站通常集成了几类传感器，每类传感器分别测量不同的物理量。
光伏电站通常集成了多种类型的传感器，CalibSun 利用这些传感器进行发电量预测。每种传感器都用于测量太阳能管理所需的特定物理量。
GHI 与天气 数据
地面数据提供了两项遥感技术在结构上无法实现的功能。第一项是实时GHI测量：总辐射表可提供精确的局部辐照度数据，而SCADA系统则能向模型精确反馈电厂向电网输送的电力量。这些实时状态信息对于短期预测至关重要。
针对特定电厂的模型校准是第二项功能。每座光伏电站的入射辐照度与发电量之间都存在独特的关联关系。只有通过现场历史时间序列数据（在足够长的时间内测得的总日照量和发电量），CalibSun的算法才能学习到这一特征。
- 产品页面
CalibSun 如何整合现场数据？
数据质量控制与历史校准
任何现场数据在进入预测算法之前，都会经过一套系统化的质量控制流程。CalibSun 会标记并剔除存在物理不一致性的数据：例如超过理论晴空包络线的数值、与同期太阳辐射数据和温度不符的发电量读数，或者显示出硬件故障特征的阶跃变化的传感器读数。
经过清理的历史数据集（理想情况下应至少涵盖一年的连续运行数据）随后将作为预测模型的训练基础，其中包含该电厂在各种季节和天气条件下的能源生产行为。
一种模拟集合算法
CalibSun 的预测方法基于类比集合算法：这是一种机器学习技术，它能在现场历史测量数据中识别出与当前天气条件最相似的过去情况。 在这些类比案例中观测到的发电量结果构成了预测分布，包括确定性中心估计值以及从P10到P90的完整概率包络线。尽管深度学习方法在太阳能预测中应用日益广泛，但在运营中的光伏电站通常仅拥有有限的历史数据集的情况下，类比集合方法仍能提供更优的解释性和鲁棒性。 建议在系统上线时至少准备一年的历史数据，以确保类比数据集能够涵盖完整的季节性条件范围。
实时数据工作流：频率、延迟与无缝集成
CalibSun 的 NEXT 算法通过 API 集成持续采集现场测量数据. 最佳时间分辨率为1分钟。实际上，许多客户端采用5分钟的分辨率进行数据传输，这对大多数太阳能预测应用而言在操作上已足够。NEXT会自动适应传入数据流中可用的最短时间分辨率。
该算法可在各种数据可用性状态下无缝运行。当现场观测数据暂时不可用时，预报系统仍可仅依靠卫星数据和数值天气预报（NWP）输入继续运行。在此期间，短期预报精度会有所下降，但服务不会中断。一旦观测数据恢复，模型将自动重新校准，预报精度随之提高。
至少一年的历史现场数据 强烈建议在系统启用阶段进行此操作，以确保模拟数据集能够涵盖所有季节性条件。如果没有这一基准数据，随着现场测量数据的不断积累，预报质量才会逐步提高。
天空成像仪：将本地可观测性扩展至30分钟以下
对于非常短的预测时段（低于60分钟，尤其是低于30分钟），另一个问题就变得至关重要： 有哪些云层正在向该电站靠近，它们何时会到达那里？
CalibSun 以立体配置部署了天空成像仪网络: 厂区内多台相机从不同角度同时拍摄太阳和天空穹顶的图像，从而能够对云层的位置、几何形状和轨迹进行三维重建。这是唯一一种能够预测30分钟以内辐照度变化趋势的方法。
为何要使用卫星和数值天气预报数据 仅凭这一点就不够准确
基于卫星的太阳辐射数据和数值天气预报模型是太阳能资源评估和日前天气预报的重要工具。但它们存在结构性局限性，这些局限性在短期预报中尤为突出，而只有现场数据才能解决这些问题。
空间分辨率问题：卫星和数值天气预报无法观测到的内容
卫星：15分钟 + 2平方公里分辨率下的数据获取和处理延迟
卫星辐照度产品的空间分辨率通常为每像素几公里。对于公用事业规模的太阳能发电厂而言，这意味着驱动太阳能发电的辐照度是由一个经过空间平滑处理的估计值来表示的，该估计值无法捕捉亚公里级别的发电量波动。
气象模型：6小时 + 数据获取和处理延迟，分辨率为10平方公里
数值天气预报模型也面临类似的限制，其空间分辨率范围从几公里到几十公里不等。在这些尺度上，局部天气状况要么被平滑处理，要么以显著的时间滞后形式呈现。 在日内时间尺度上，仅凭卫星数据和数值天气预报（NWP）输入生成的功率预测，无法捕捉到过境云层覆盖导致的辐照度快速变化——而正是这些事件导致了偏差暴露和DSM罚金。
- 问题
关于现场太阳能数据的常见问题
什么是现场太阳能数据？它为何对太阳能发电预测如此重要？
现场太阳能数据涵盖了直接在光伏电站采集的所有地面测量数据：来自总辐射表的太阳辐射强度、来自SCADA系统的电力输出以及气象参数。这些现场测量数据可提供电站的实时状态，并支持针对具体电站的模型校准——这是核心 这是卫星数据和数值天气预报（NWP）无法提供的能力。对于可再生能源行业而言，这一洞察力有助于实现可靠的发电，并支持企业的可持续发展目标和减碳行动。
在太阳能预测中，GHI和GTI有什么区别？
GHI （全球水平辐照度）用于测量水平面上的总太阳辐射量，而 GTI （全球倾斜辐照度）用于测量照射在倾斜太阳能电池板表面的辐射量—— 对于太阳能系统建模而言，更具参考意义的测量指标. 利用置换模型从GHI推导出GTI，有助于提高太阳能安装系统的能效并优化其设计。
如果没有现场测量数据，能否实现准确的太阳能预测？
卫星和数值天气预报（NWP）模型能够进行日前预报，但在日内预报时段，现场数据的缺失严重限制了预报精度：卫星无法捕捉亚公里级别的波动，也无法反映电厂特有的发电行为——而这些因素对于电网可靠性以及电力消费增长领域的成本控制至关重要。.
当现场数据暂时不可用时，预测质量会受到什么影响？
CalibSun 的 NEXT 算法可在各种数据状态下无缝运行。当观测数据中断时，卫星数据和数值天气预报（NWP）输入可在无需人工干预的情况下维持预报的连续性，虽然在数据缺失期间短期预报精度会有所下降，但系统会自动恢复——从而确保 可靠的服务 和 日益增强的信心 在 可再生能源的推广.
