Validación de datos históricos

Introducción

Este documento proporciona información de referencia actualizada y estadísticas de validación para SolarAnywhere Data, un producto de datos de irradiancia de Clean Power Research. La versión del documento 2023.08_3.7 se actualizó por última vez en agosto de 2023 para la versión 3.7 (V3.7) del modelo de irradiancia histórica de SolarAnywhere.

Acerca de Clean Power Research

Clean Power Research® lleva 20 años ofreciendo soluciones de software en la nube premiadas a las empresas de servicios públicos y a la industria. Nuestras familias de productos PowerClerk®, WattPlan®y SolarAnywhere®permiten a nuestros clientes dar sentido y prosperar en medio de la transformación energética. Clean Power Research tiene oficinas en Napa (California) y Kirkland (Washington). Para más información, visite www.cleanpower.com.

Acerca de SolarAnywhere

Los datos de irradiancia de SolarAnywhere se generan utilizando datos de los canales visible e infrarrojo captados por satélites en órbita geosíncrona. Las imágenes de los satélites se procesan mediante los algoritmos más avanzados desarrollados por el Dr. Richard Pérez en la Universidad de Albany (SUNY). Estos algoritmos extraen índices de nubes a partir de los datos visibles e infrarrojos del satélite. Un proceso de retroalimentación de autocalibración ajusta las superficies terrestres arbitrarias, como el terreno y el albedo. Los índices de nubes se utilizan para modular modelos de transferencia radiativa de base física que describen la climatología localizada del cielo despejado.

El modelo de Pérez se aplica de forma pseudoempírica y se calibra periódicamente con unas pocas estaciones terrestres seleccionadas. Sin embargo, funciona en gran medida con independencia de la entrada de datos terrestres en curso. Este enfoque es único en la industria y permite que los estudios de correlación tierra-satélite se basen realmente en dos fuentes de medición derivadas independientemente.

Los datos de irradiancia de SolarAnywhere se generan en componentes de irradiancia horizontal global (GHI) y normal directa (DNI). La siguiente ecuación de equilibrio geométrico se utiliza para calcular la irradiancia horizontal difusa (DHI):

DHI = GHI - DNI*cos(αzenith)

Clean Power Research tiene una relación exclusiva con el Dr. Pérez y la SUNY para implementar los últimos avances en la metodología de irradiación solar por satélite. Se puede encontrar más información sobre la amplia validación del modelo de Pérez en la sección de referencias.

En acuerdo con el Departamento de Energía de los Estados Unidos, a través del Laboratorio Nacional de Energías Renovables (NREL), los datos de irradiancia satelital basados en modelos de Pérez constituyeron las versiones de 2005 (SUNY versión 1) y 2010 (SolarAnywhere versión 2.3) de la Base Nacional de Datos de Radiación Solar (NSRDB). Aunque el formato de salida de los datos de irradiación satelital de SolarAnywhere es similar al de los datos de la NSRDB, SolarAnywhere proporciona ahora conjuntos de datos más recientes y precisos destinados a su uso comercial.

La versión más reciente del modelo SolarAnywhere se ha implementado operativamente como Versión 3.7. Los datos de irradiancia satelital de SolarAnywhere están disponibles para sitios específicos en una base de 1 km x 15-min o 10 km x hora, y desde 1998 hasta la hora actual dependiendo de la disponibilidad geográfica. Los datos de alta resolución, 0,5 km x 5-min están disponibles para los Estados Unidos continentales a partir del 1 de enero de 2020.

Metodología de validación

Los datos de determinadas estaciones terrestres se utilizan como referencia para calcular el error y la incertidumbre del modelo de irradiación operacional de SolarAnywhere. Se requiere un conjunto de datos de referencia de alta calidad para que las estadísticas de validación representen, en la mayor medida posible, el rendimiento del modelo y no las inexactitudes de los datos terrestres. Por lo tanto, sólo las estaciones de referencia de mayor calidad se utilizan como sitios de validación, y los datos se examinan para detectar problemas de calidad de datos. Los sitios de validación abarcan una amplia zona geográfica y una variedad de terrenos y tipos de clima para evaluar el rendimiento del modelo en condiciones heterogéneas. La mayoría forman parte de la Red de Radiación Superficial de Referencia(BSRN) del Centro Mundial de Vigilancia de la Radiación.

El modelo SolarAnywhere tiene tres propiedades críticas a efectos de validación de datos y confianza general en el rendimiento del modelo. En primer lugar, el modelo nunca se ajusta a emplazamientos de validación individuales. En segundo lugar, el modelo funciona independientemente de la entrada de datos sobre el terreno. En tercer lugar, SolarAnywhere utiliza un único modelo histórico independientemente de la hora y el lugar (con adaptaciones para cada plataforma de satélite). Debido a estas propiedades, las estadísticas de validación son representativas del rendimiento del modelo no sólo en los lugares de validación, sino también para el modelo en general. Los datos de GHI, DNI e Irradiancia Horizontal Difusa (DIF) se comparan a intervalos horarios, mensuales y anuales utilizando métricas de error tradicionales como el Error de Sesgo Medio (MBE), el Error Absoluto Medio (MAE) y el Error Cuadrático Medio (RMSE).

Las métricas de error se definen mediante las siguientes fórmulas:

1. rMBE={frac{suma_{i=1}^N (x_i^{SA} - x_i^{obs})}{N}{frac{100\%}{sobrelínea{x_l^{obs}}
2. rMAE={frac{suma_{i=1}^N | (x_i^{SA} - x_i^{obs}) |{N}{frac{100\%}{sobrelínea{x_l^{obs}}
3. rRMSE=\sqrt\frac{\sum_{i=1}^N (x_i^{SA} - x_i^{obs})^{2}}{N}\frac{100\%}{\overline{x_l^{obs}}}

Una x representa la variable considerada (GHI, DNI o DHI); N es el número de puntos de datos utilizados; y los superíndices SA y obs significan SolarAnywhere y datos observados en tierra. Las métricas de los errores se normalizan por la media de los datos observados en tierra y se denominan rMBE, rMAE y rRMSE. Hoff et al. han discutido previamente la aplicabilidad de varias métricas de error para la energía solar en el artículo "Reporting of Irradiance Model Relative Errors". También se presentan las desviaciones estándar y los intervalos de confianza.

Las estadísticas aquí presentadas son representativas del rendimiento del producto, pero no deben tomarse como un indicador absoluto de precisión. A pesar de los esfuerzos realizados para controlar la calidad de los datos de referencia, ningún conjunto de datos de referencia es perfecto. En la medida de lo posible, los datos de SolarAnywhere se contrastan con la GHI calculada a partir de la irradiancia directa y difusa medida (DHI + DNI*cos(_αzenith)). Las mediciones de la suma de componentes suelen ser más precisas que las mediciones piranométricas de la GHI; sin embargo, no se dispone de dichas mediciones para todos los lugares de validación. En aras de la coherencia, las estadísticas de GHI presentadas en este documento utilizan las mediciones piranométricas como referencia.

Resultados de la validación

Los resultados de la validación se organizan, en primer lugar, por periodos (a largo plazo, anual, mensual y horario) y, en segundo lugar, por zonas geográficas. Cada periodo se asocia a un caso de uso de los datos. Por ejemplo, los promedios a largo plazo son apropiados para la evaluación del recurso solar, mientras que las estadísticas horarias son más relevantes para la supervisión del rendimiento en tiempo real.

Medias a largo plazo

La base de datos SolarAnywhere incluye más de veinte años de datos de irradiación derivados de satélites. Este largo y consistente registro es particularmente útil para la evaluación de los recursos solares. Los promedios a largo plazo se derivan de la serie temporal completa, y pueden resumirse en un archivo de año típico y utilizarse para proyectar la producción de energía durante la vida de una planta solar. Para estos propósitos, es útil entender la incertidumbre en los datos del recurso solar a largo plazo para un sitio determinado.

Siempre que ha sido posible, se han considerado 24 años de datos de referencia (1998-2022) para las estaciones de referencia. Los estudios previos de validación de modelos de irradiancia por satélite han considerado aproximadamente entre 5 y 15 años de datos para cada emplazamiento. El estudio de dos décadas para cada emplazamiento sólo ha sido posible recientemente. El periodo ampliado confirma la consistencia del modelo a lo largo de muchos años y múltiples generaciones de hardware de satélite. Además, veinte años es un periodo significativo porque supera la duración media de los contratos de compraventa de energía. El periodo de validación utilizado para otros emplazamientos de validación depende de la disponibilidad de datos.

El error medio de sesgo de la GHI y el DNI de cada lugar de validación se representa en los mapas siguientes (Figura 2). Cada punto representa el periodo completo para el que se consideran los datos de validación. Un sesgo cercano a cero significa que el modelo está bien calibrado; en otras palabras, en promedio, el modelo no sobrepredice ni subpredice el recurso solar.

Para todas las localizaciones, el error de sesgo medio del GHI se sitúa entre el -4,2% y el +4,2%. El sesgo medio es del +0,01% y la desviación típica del 2,1%. En Norteamérica, el error de sesgo medio del GHI se sitúa entre el -3,4% y el +3,3%, con una desviación típica del 1,7%.

Anual

La insolación anual se utiliza en una variedad de aplicaciones que incluyen:

• Evaluación de los recursos: comparar los datos recientes y a largo plazo obtenidos por satélite con una campaña de medición en tierra de un año de duración.
• Desarrollo y financiación - para evaluar la variabilidad interanual y la capacidad de un proyecto solar para cumplir con los requisitos de cobertura de la deuda en un año de baja insolación
• Gestión de operaciones y activos - para comparar la producción prevista con la real anualmente

Para estos fines u otros relacionados, una evaluación de la distribución de los errores anuales por lugar de validación es crucial para comprender la coherencia y la incertidumbre del modelo de satélite. Los promedios a largo plazo ocultan por sí solos errores de compensación. El diagrama de cajas de la Figura 3 ilustra el rango intercuartílico del error de sesgo medio anual del GHI para cada lugar de validación. Las barras más estrechas indican una mayor precisión y correlación del modelo con los sensores de validación que, con el tiempo, presentan cierta variabilidad en la calibración y el mantenimiento. Cada punto representa un sitio-año de datos. Un recuadro blanco representa la media. En total, se muestran 1.175 sitios-año de datos.

La mayoría de los sitios tienen una distribución de errores similar y una media dentro de unos pocos porcentajes de sesgo neutral. La dispersión de los datos tras la agrupación por sitios ilustra que el rendimiento del modelo depende tanto de la ubicación como del clima. La inconsistencia en la calidad o la calibración de las mediciones de referencia también da lugar a la dispersión.

Debido a esto, y a las relativamente pocas estaciones terrestres de alta calidad en comparación con la variedad de terrenos y regiones climáticas, es difícil extrapolar el rendimiento del modelo en un lugar determinado a la región asociada o a la región climática. En cambio, los datos indican que el modelo funciona bien en todos los lugares. En el apéndice se pueden encontrar estadísticas detalladas por emplazamiento.

La distribución más amplia del DNI se espera debido a la introducción del modelo de descomposición. SolarAnywhere utiliza el modelo DIRINDEX desarrollado por Pérez et al. para derivar el DNI a partir del GHI y de otras entradas. Se han evaluado las estadísticas para confirmar que el modelo operativo de SolarAnywhere aplica con precisión el modelo de descomposición y que está bien calibrado. La precisión de los datos del DNI es importante para el plano de la irradiancia del conjunto y las simulaciones de potencia fotovoltaica.

Los histogramas de la Figura 4 muestran la distribución del error de sesgo medio anual tanto del GHI como del DNI para todos los sitios de validación.

Como se muestra en la figura 6, la evaluación del modelo durante todo el periodo de disponibilidad de datos muestra un rendimiento constante a lo largo del tiempo, sin tendencias ni saltos en el sesgo. Por lo tanto, los usuarios de SolarAnywhere pueden sentirse seguros comparando datos recientes con medias a largo plazo para aplicaciones como la evaluación de recursos solares y el análisis de rendimiento. Además, los resultados muestran que SolarAnywhere es adecuado para el análisis de tendencias a largo plazo del recurso solar. Para datos auxiliares como el viento y la temperatura, los conjuntos de datos se seleccionan y mantienen para maximizar la coherencia espacial y temporal.

Los datos de la estación terrestre SURFRAD de Desert Rock, 2022, se muestran en la Figura 8 como ejemplo. La inspección revela que el modelo funciona bien para condiciones de irradiancia de baja a alta.

La figura 12 muestra el sesgo anual (rMBE) del modelo de datos GHI de SolarAnywhere basado en las clasificaciones Köppen-Geiger. En general, las desviaciones son dispersas y no parece existir una relación estricta entre la posición geográfica y los valores de error. El error de sesgo medio para todas las categorías climáticas en todo el mundo se sitúa dentro del +/-4,0%, lo que coincide con el error MBE anual para GHI cuando los sitios no se clasifican por regiones climáticas. Esto demuestra que la precisión del modelo de datos de SolarAnywhere es coherente en todas las regiones.

¿Necesita una versión imprimible de este documento de validación?

Para ver los resultados de una evaluación independiente de SolarAnywhere Data del Instituto Fraunhofer de Sistemas de Energía Solar ISE, haga clic en el siguiente enlace. 

Anexo

Estaciones de referencia

Criterios de selección de estaciones

Una validación significativa requiere una refencia de alta calidad. Para garantizar que las estadísticas de validación son representativas del modelo, las estaciones de validación deben cumplir los siguientes criterios:

• Una organización creíble mantiene la responsabilidad de la instalación
• Existen metadatos como el tipo de sensor, la ubicación, etc.; los sensores son de nivel secundario o superior
• Los datos están disponibles públicamente
• El periodo de registro es de al menos 1 año
• Los datos suelen pasar el control de calidad estándar y la estación tiene una disponibilidad superior al 75%.
• La estación es representativa de los lugares donde se instala la energía solar fotovoltaica

Las siguientes estaciones cumplían estos criterios y se utilizaron en la validación de SolarAnywhere:

Control de calidad

Los datos de cada estación deben superar controles estadísticos de calidad similares a los recomendados por la BSRN. Además, los datos son revisados por un analista de datos para garantizar que las mediciones no se ven afectadas por los siguientes problemas comunes:

• Ensuciamiento
• Sombreado
• Deriva de calibración

Los datos que no superan el control de calidad se excluyen del análisis. Si los problemas con la estación son persistentes, la estación se excluye del análisis por completo. La desviación de SolarAnywhere no se utiliza como razón para excluir datos.

Los datos de DNI de alta calidad son más difíciles de obtener que los de GHI. Las mediciones de referencia del DNI se comprueban comparando el GHI medido con el GHI calculado a partir de la irradiancia directa y difusa medida (DHI + DNI*cos(αzenith)). Si la comparación no es coherente por encima de determinados umbrales, las mediciones de DNI se excluyen de la validación.

Estadísticas

En la versión impresa de este documento encontrará estadísticas detalladas por centro.

Control de versiones

General

SolarAnywhere utiliza el control de versiones para asegurar que los resultados sean reproducibles de un usuario o contexto a otro. Los datos de irradiancia publicados como "Archivo", denotados por el prefijo "A" en el tipo de observación de irradiancia, no cambiarán para esa versión del modelo. Se espera que las nuevas versiones del modelo tengan datos de irradiancia algo diferentes a medida que se apliquen técnicas de modelización más nuevas y precisas al registro histórico de imágenes de satélite.

Haz clic aquí para ver información sobre las versiones actuales y anteriores de SolarAnywhere Data.

Limitaciones y errores conocidos

• El modelo IR no se utiliza para los satélites Meteosat de Primera Generación (MFG) en la región de Asia Occidental y África debido a la probable degradación de los sensores, que afecta a los datos desde el principio del registro hasta 2016. Esto da lugar a una mayor incertidumbre de los datos en lugares con una cubierta de nieve persistente. Dado que el modelo IR se utiliza para los satélites más nuevos que cubren la región, pueden existir incoherencias temporales en el registro a largo plazo.
• La cobertura inicial para las regiones de Asia Oriental y Oceanía incluye datos desde 2005 hasta la actualidad. Para los períodos anteriores a 2005, las pruebas revelaron problemas de calidad de los datos de los satélites más antiguos de esta región. Si estos datos pueden superar nuestros requisitos de validación, pondremos a disposición datos anteriores.
• El 15 de julio de 2021, Clean Power Research corrigió un problema que afectaba a ciertas solicitudes de datos de profundidad de nieve de SolarAnywhere. El problema daba lugar a valores de profundidad de nieve promedio incorrectos para los datos horarios, mensuales y anuales (todas las versiones de datos, a nivel global). Los datos de profundidad de nieve de 30 y 15 minutos no se vieron afectados. Los datos se han corregido para todas las nuevas solicitudes de datos. Estimamos que las estimaciones de pérdida de nieve pueden variar entre un 0 y un -2% (diferencia porcentual absoluta) al utilizar los datos antiguos frente a los corregidos en el modelo de pérdida de nieve de Marion; no obstante, los resultados variarán en función de la ubicación, el tipo de sistema y la aplicación específicos.
• Las versiones 3.4 y 3.5 del modelo subestiman el GHI en las zonas afectadas por la nieve en la región del GOES-Oeste en el invierno de 2021-2022. Los datos de la banda IR del GOES-17 tienen problemas conocidos; se hacen esfuerzos razonables para utilizar los que están disponibles. El problema se corrige en las versiones 3.6 y posteriores.

Referencias

Los siguientes artículos revisados por expertos describen el modelo SUNY en el que se basan las simulaciones de SolarAnywhere:

1. Pérez R., P. Ineichen, K. Moore, M. Kmiecik, C. Chain, R. George y F. Vignola, (2002): A New Operational Satellite-to-Irradiance Model. Solar Energy 73, 5, p. 307-317.
2. Pérez R., P. Ineichen, M. Kmiecik, K. Moore, R. George y D. Renné, (2004): Producing satellite-derived irradiances in complex arid terrain. Solar Energy 77, 4, p. 363-370.
3. Pérez, R., P. Ineichen, E. Maxwell, R. Seals y A. Zelenka, (1992): Dynamic Global-to-Direct Irradiance Conversion Models. ASHRAE Transactions-Research Series, p. 354-369.
4. P. Ineichen, (2008): Comparación y validación de tres modelos de irradiación global al haz de luz frente a las mediciones en tierra. Solar Energy 82, p. 501-512

Los siguientes artículos describen el rendimiento del modelo SolarAnywhere V3:

5. Pérez R., S. Kivalov, A. Zelenka, J. Schlemmer y K. Hemker Jr: Improving the Performance of Satellite-to-Irradiance Models using the Satellite's Infrared Sensors. Proc., ASES Annual Conference, Phoenix, Arizona.
6. Dise J., Kankiewicz, A., Schlemmer, J., Hemker, K., Kivalov, S., Hoff, T., Pérez, R., (2013): Operational Improvements in the Performance of the SUNY Satellite-to-Solar Irradiance Model Using Satellite Infrared Channels. Proc., 39th Annual IEEE Photovoltaic Specialists Conference, Tampa, Florida.
7. Pérez, Richard & Schlemmer, James & Hemker, Karl & Kivalov, Sergey & Kankiewicz, Adam & Gueymard, Chris. (2015). Satellite-to-Irradiance Modeling - A New Version of the SUNY Model. 10.1109/PVSC.2015.7356212.

Los siguientes artículos incluyen validaciones del modelo SUNY/SolarAnywhere en diferentes entornos:

8. Wilcox, S., R. Perez, R. George, W. Marion, D. Meyers, D. Renné, A. DeGaetano, y C. Gueymard, (2005): Progress on an Updated National Solar Radiation Data Base for the United States. Proc. ISES World Congress, Orlando, FL
9. Vignola F., y R. Pérez (2005): Solar Resource Data base for the Pacific Northwest Using Satellite Data. Informe final para el USDOE. http://solardata.uoregon.edu/download/misc/doefinalreport.pdf
10. Wilcox, S., M. Anderberg, R. George, W. Marion, D. Myers, D. Renné, W. Beckman, A. DeGaetano, C. Gueymard, R. Pérez, N. Lott, P. Stackhouse y F. Vignola, (2006): Towards Production of an Updated National Solar Radiation Data base. Proc. ASES Annual Conference, Denver, CO
11. Paul W. Stackhouse, Jr., Taiping Zhang, William S. Chandler, Charles H. Whitlock, James M. Hoell, David J. Westberg, Richard Pérez y Steve Wilcox, (2008): Evaluación basada en satélites de las irradiaciones del sitio de la NSRDB y series temporales de los algoritmos de la NASA y de SUNY/Albany. Proc. ASES Annual Meeting, San Diego, CA.
12. Pérez R., J. Schlemmer, D. Renné, S. Cowlin, R. George y B. Bandyopadhyay, (2009): Validación del modelo de satélite SUNY en un entorno Meteosat. Proc. ASES Annual Conference, Buffalo, New York.

Referencias de la estación de referencia:

13. BSRN: Driemel, A., Augustine, J., Behrens, K., Colle, S., Cox, C., Cuevas-Agulló, E., Denn, F. M., Duprat, T., Fukuda, M., Grobe, H., Haeffelin, M., Hodges, G., Hyett, N., Ijima, O., Kallis, A., Knap, W., Kustov, V., Long, C. N., Longenecker, D., Lupi, A., Maturilli, M., Mimouni, M., Ntsangwane, L., Ogihara, H., Olano, X., Olefs, M., Omori, M., Passamani, L., Pereira, E. B., Schmithüsen, H., Schumacher, S., Sieger, R., Tamlyn, J., Vogt, R., Vuilleumier, L., Xia, X., Ohmura, A., y König-Langlo, G.: Baseline Surface Radiation Network (BSRN): structure and data description (1992-2017), Earth Syst. Sci. Data, 10, 1491-1501, doi:10.5194/essd-10-1491-2018, 2018.
14. KACARE: Erica Zell, Sami Gasim, Stephen Wilcox, Suzan Katamoura, Thomas Stoffel, Husain Shibli, Jill Engel-Cox, Madi Al Subie: Assessment of solar radiation resources in Saudi Arabia, Solar Energy, Volume 119, 2015, Pages 422-438, ISSN 0038-092X, https://doi.org/10.1016/j.solener.2015.06.031.Reference to KACARE Data.

Para ver los resultados de una evaluación independiente de SolarAnywhere Data del Instituto Fraunhofer de Sistemas de Energía Solar ISE, haga clic en el siguiente enlace.