Validation des données historiques
SolarAnywhere® V3.7Mise à jour août 2023 Centre d'assistance SolarAnywhere
Résumé exécutif
SolarAnywhere® est un logiciel en tant que service géré par Clean Power Research® qui fournit un accès à la demande à des données et des informations sur l'énergie solaire susceptibles d'être financées. Le logiciel et la qualité des données sont arrivés à maturité en termes de développement, d'adoption et de validation.
Les données d'irradiance sont générées à partir des données des canaux visibles et infrarouges captées par des satellites en orbite géosynchrone. L'ensemble de données est cohérent dans l'espace et dans le temps, et géographiquement précis. SolarAnywhere offre plus de deux décennies d'enregistrement, fonctionne indépendamment des mesures au sol en cours et est disponible en temps quasi réel.
SolarAnywhere est largement utilisé pour l'évaluation indépendante et bancable des ressources solaires, la surveillance opérationnelle et les prévisions solaires. Les données SolarAnywhere sur l'irradiation horizontale globale (GHI) se sont révélées précises à +/- 4,2 % sur une base annuelle, avec un taux de confiance de 95 %.
Les statistiques présentées dans la figure 1 sont représentatives de la performance du produit mais ne doivent pas être considérées comme un indicateur absolu de la précision. Pour plus d'informations, voir la méthodologie de validation.
Figure 1 : Mesures de précision annuelle de l'indice GHI de SolarAnywhere
Table des matières
Introduction
Ce document fournit des informations de référence et des statistiques de validation actualisées pour SolarAnywhere Data, un produit de données d'irradiance de Clean Power Research. La version 2023.08_3.7 du document a été mise à jour pour la dernière fois en août 2023 pour la version 3.7 (V3.7) du modèle d'irradiance historique de SolarAnywhere.
À propos de Clean Power Research
Depuis 20 ans, Clean Power Research® fournit des solutions logicielles en nuage primées aux services publics et à l'industrie. Nos familles de produits PowerClerk®, WattPlan®et SolarAnywhere®permettent à nos clients de comprendre et de prospérer dans le cadre de la transformation énergétique. Clean Power Research a des bureaux à Napa, CA, et à Kirkland, WA. Pour plus d'informations, visitez www.cleanpower.com.
À propos de SolarAnywhere
Les données d'irradiation de SolarAnywhere sont générées à partir des données des canaux visibles et infrarouges capturées par des satellites en orbite géosynchrone. Les images satellites sont traitées à l'aide des algorithmes les plus avancés développés par le Dr. Richard Perez à l'Université d'Albany (SUNY). Ces algorithmes extraient des indices nuageux des données visibles et infrarouges du satellite. Un processus de rétroaction auto-calibrant permet d'ajuster les surfaces au sol arbitraires telles que le terrain et l'albédo. Les indices de nuages sont utilisés pour moduler les modèles de transfert radiatif basés sur la physique qui décrivent la climatologie du ciel clair localisé.
Le modèle de Perez est appliqué de manière pseudo-empirique et est périodiquement calibré avec quelques stations au sol sélectionnées. Cependant, il fonctionne en grande partie indépendamment de l'apport continu de données au sol. Cette approche est unique dans l'industrie et permet aux études de corrélation sol-satellite d'être réellement basées sur deux sources de mesures indépendantes.
Les données d'irradiance de SolarAnywhere sont générées dans les composantes d'irradiance horizontale globale (GHI) et normale directe (DNI). L'équation d'équilibrage géométrique suivante est utilisée pour calculer l'éclairement énergétique horizontal diffus (DHI) :
DHI = GHI - DNI*cos(αzenith)
Clean Power Research a une relation exclusive avec le Dr. Perez et SUNY pour mettre en œuvre les dernières avancées méthodologiques en matière d'irradiation solaire par satellite. De plus amples informations sur la validation approfondie du modèle de Perez sont disponibles dans la section des références.
En accord avec le département américain de l'énergie par l'intermédiaire du National Renewable Energy Laboratory (NREL), les données d'irradiation par satellite basées sur le modèle de Perez ont constitué les versions 2005 (SUNY version 1) et 2010 (SolarAnywhere version 2.3) de la National Solar Radiation Database (NSRDB). Bien que le format de sortie des données d'irradiation par satellite de SolarAnywhere soit similaire à celui des données NSRDB, SolarAnywhere fournit désormais des ensembles de données plus récents et plus précis destinés à un usage commercial.
La version la plus récente du modèle SolarAnywhere a été mise en œuvre de manière opérationnelle sous la forme de la version 3.7. Les données d'irradiation satellitaire de SolarAnywhere sont disponibles pour des sites spécifiques sur une base de 1 km x 15-min ou 10 km x heure, et de 1998 à aujourd'hui en fonction de la disponibilité géographique. Des données à haute résolution, 0,5 km x 5-min, sont disponibles pour les États-Unis continentaux à partir du 1er janvier 2020.
Méthodologie de validation
Les données de certaines stations au sol sont utilisées comme référence pour calculer l'erreur et l'incertitude du modèle opérationnel d'éclairement énergétique SolarAnywhere. Un ensemble de données de référence de haute qualité est nécessaire pour que les statistiques de validation représentent, dans la mesure du possible, la performance du modèle plutôt que les inexactitudes des données au sol. Par conséquent, seules les stations de référence de la plus haute qualité sont utilisées comme sites de validation, et les données sont passées au crible des problèmes de qualité des données. Les sites de validation couvrent une large zone géographique et une variété de types de terrain et de climat afin d'évaluer la performance du modèle dans des conditions hétérogènes. La plupart font partie du réseau de référence du rayonnement de surface(BSRN) du Centre mondial de surveillance des rayonnements.
Le modèle SolarAnywhere possède trois propriétés essentielles pour la validation des données et la confiance globale dans les performances du modèle. Premièrement, le modèle n'est jamais adapté à des sites de validation individuels. Deuxièmement, le modèle fonctionne indépendamment de l'apport continu de données au sol. Troisièmement, SolarAnywhere utilise un modèle historique unique, quels que soient l'heure et le lieu (avec des adaptations pour chaque plateforme satellitaire). En raison de ces propriétés, les statistiques de validation sont représentatives de la performance du modèle non seulement sur les sites de validation, mais aussi pour le modèle en général. Les données GHI, DNI et Diffuse Horizontal Irradiance (DIF) sont comparées à intervalles horaires, mensuels et annuels à l'aide de métriques d'erreur traditionnelles telles que l'erreur de biais moyenne (MBE), l'erreur absolue moyenne (MAE) et l'erreur quadratique moyenne (RMSE).
Les mesures d'erreur sont définies par les formules suivantes :
- rMBE=\frac{\sum_{i=1}^N (x_i^{SA} - x_i^{obs})}{N}\frac{100\%}{{overline{x_l^{obs}}}
- rMAE=\frac{\sum_{i=1}^N | (x_i^{SA} - x_i^{obs}) | }{N}\frac{100\%}{{overline{x_l^{obs}}}
- rRMSE=\sqrt\frac{\sum_{i=1}^N (x_i^{SA} - x_i^{obs})^{2}}{N}\frac{100\%}{\overline{x_l^{obs}}}
Un x représente la variable considérée (soit GHI, DNI ou DHI) ; N est le nombre de points de données utilisés ; et les exposants SA et obs signifient SolarAnywhere et les données observées au sol. Les erreurs métriques sont normalisées par la moyenne des données observées au sol et désignées par rMBE, rMAE et rRMSE. Hoff et al. ont déjà discuté de l'applicabilité de diverses mesures d'erreur pour le solaire dans l'article intitulé "Reporting of Irradiance Model Relative Errors". Les écarts types et les intervalles de confiance sont également présentés.
Les statistiques présentées ici sont représentatives des performances du produit, mais ne doivent pas être considérées comme un indicateur absolu de précision. Malgré tous les efforts déployés pour contrôler la qualité des données de référence, aucun ensemble de données de référence n'est parfait. Dans la mesure du possible, les données SolarAnywhere sont testées par rapport au GHI calculé à partir de l'irradiation directe et diffuse mesurée (DHI + DNI*cos(αzenith)). Les mesures de la somme des composantes sont généralement plus précises que les mesures pyranométriques du GHI ; cependant, ces mesures ne sont pas disponibles pour tous les sites de validation. Par souci de cohérence, les statistiques de l'IGH présentées dans ce document utilisent les mesures pyranométriques comme référence.
Résultats de la validation
Les résultats de la validation sont organisés d'abord par période (à long terme, annuelle, mensuelle et horaire) et ensuite par géographie. Chaque période est associée à un cas d'utilisation des données. Par exemple, les moyennes à long terme sont appropriées pour l'évaluation des ressources solaires, tandis que les statistiques horaires sont plus pertinentes pour le suivi des performances en temps réel.
Moyennes à long terme
La base de données SolarAnywhere comprend plus de vingt ans de données d'irradiance dérivées de satellites. Cet enregistrement long et cohérent est particulièrement utile pour l'évaluation des ressources solaires. Les moyennes à long terme sont dérivées de la série chronologique complète, et elles peuvent être résumées par un fichier d'année type et utilisées pour projeter la production d'énergie pendant la durée de vie d'une installation solaire. À ces fins, il est utile de comprendre l'incertitude des données sur les ressources solaires à long terme pour un site donné.
Vingt-quatre années de données de référence (1998-2022) sont prises en compte pour les stations de référence dans la mesure du possible. Les études précédentes de validation des modèles d'irradiation par satellite ont pris en compte environ 5 à 15 ans de données pour chaque site. Ce n'est que récemment qu'il a été possible d'étudier deux décennies pour chaque site. Cette période plus longue confirme la cohérence du modèle sur plusieurs années et plusieurs générations de matériel satellitaire. En outre, la période de vingt ans est importante car elle dépasse la durée moyenne d'un contrat d'achat d'électricité (CAE). La période de validation utilisée pour les autres sites de validation dépend de la disponibilité des données.
L'erreur moyenne de biais de l'IGH et du DNI pour chaque site de validation est représentée sur les cartes ci-dessous (figure 2). Chaque point représente la période complète pour laquelle les données de validation sont prises en compte. Un biais proche de zéro signifie que le modèle est bien calibré ; en d'autres termes, en moyenne, le modèle ne sur- ou sous-prédit pas la ressource solaire.
Figure 2 : Erreur de biais moyenne à long terme par site de validation
Irradiance horizontale globale (GHI)
Irradiance normale directe (DNI)
Pour tous les sites, l'erreur de biais moyenne de l'IGH se situe entre -4,2 % et +4,2 %. Le biais moyen est de +0,01 % et l'écart-type est de 2,1 %. En Amérique du Nord, l'erreur de biais moyenne de l'indice des GES se situe entre -3,4 % et +3,3 %, avec un écart-type de 1,7 %.
Annuel
L'insolation annuelle est utilisée dans une variété d'applications, notamment :
- Évaluation des ressources - pour comparer les données récentes et à long terme obtenues par satellite à une campagne de mesures au sol d'une année.
- Développement et financement - pour évaluer la variabilité interannuelle et la capacité d'un projet solaire à satisfaire aux exigences de couverture de la dette lors d'une année de faible ensoleillement.
- Gestion des opérations et des actifs - pour comparer annuellement la production prévue à la production réelle
À ces fins ou à des fins connexes, une évaluation de la distribution des erreurs annuelles par site de validation est cruciale pour comprendre la cohérence et l'incertitude du modèle satellitaire. Les moyennes à long terme cachent à elles seules des erreurs compensatoires. Le diagramme en boîte de la figure 3 ci-dessous illustre l'intervalle interquartile de l'erreur de biais moyenne annuelle de l'IGH pour chaque site de validation. Des barres plus étroites indiquent une meilleure précision du modèle et une meilleure corrélation avec les capteurs de validation qui, au fil du temps, présentent une certaine variabilité au niveau de l'étalonnage et de la maintenance. Chaque point représente un site-année de données. Une boîte blanche représente la moyenne. Au total, 1 175 sites-années de données sont présentés.
Figure 3 : Distribution des erreurs annuelles
La plupart des sites ont une distribution d'erreurs similaire et une moyenne à quelques pour cent du biais neutre. La dispersion des données après regroupement par site illustre le fait que les performances du modèle dépendent à la fois du lieu et des conditions météorologiques. Le manque d'uniformité dans la qualité ou l'étalonnage des mesures de référence entraîne également une dispersion.
Pour cette raison, et en raison du nombre relativement faible de stations terrestres de haute qualité par rapport à la variété des terrains et des régions climatiques, il est difficile d'extrapoler les performances du modèle à un endroit donné à la région ou à la région climatique associée. Les données indiquent plutôt que le modèle fonctionne bien à tous les endroits. Des statistiques détaillées par site sont disponibles en annexe.
La distribution plus large du DNI est attendue en raison de l'introduction du modèle de décomposition. SolarAnywhere utilise le modèle DIRINDEX développé par Perez et al. pour dériver le DNI à partir du GHI et de plusieurs autres entrées. Les statistiques ont été évaluées pour confirmer que le modèle opérationnel SolarAnywhere applique avec précision le modèle de décomposition et qu'il est bien calibré. Des données DNI précises sont importantes pour le plan de l'irradiance du réseau et les simulations de la puissance PV.
Les histogrammes de la figure 4 montrent la distribution de l'erreur de biais moyenne annuelle pour le GHI et le DNI pour tous les sites de validation.
Figure 4 : Distribution des erreurs annuelles
Tous les sites de validation
Pour le GHI, les données forment une distribution serrée autour d'un biais neutre, comme le montre la figure 5. La moyenne de tous les points est de +0,01%, ce qui indique qu'en moyenne, le modèle ne sur- ou sous-prévoit pas de manière significative l'insolation annuelle. L'écart type est de 2,1 %, ce qui signifie que deux tiers des sites-années se situent dans une fourchette de +/- 2 % par rapport à la référence. En supposant une distribution normale et que chaque site-année de données est indépendant, l'intervalle de confiance à 95 % de l'erreur de biais moyenne annuelle de l'IGH est de [-4,16 %, +4,17 %] (N = 583).
Pour le DNI, la moyenne de tous les points est de 3 % et l'écart-type est de 6,2 %. L'intervalle de confiance à 95 % de l'erreur de biais moyenne annuelle du DNI est de [-9,2 %, +15,1 %] (N = 536). Une explication supplémentaire de la sélection et de la qualité des données est présentée en annexe.
Figure 5 : Mesures de précision annuelle de l'indice GHI de SolarAnywhere
Toutes les statistiques utilisent le modèle de résolution spatiale de 1 km, qui est standard pour les données chronologiques de SolarAnywhere (lorsqu'elles sont disponibles). La validation précédemment publiée du modèle à résolution spatiale plus faible de 10km2 a montré que l'intervalle de confiance à 95 % de l'erreur de biais de la moyenne annuelle de l'IGH est de +/- 5 %. La plus grande précision démontrée ici est attribuée aux améliorations du modèle et à l'augmentation de la résolution spatiale. Les données à plus haute résolution rendent mieux compte de la formation des nuages dans les terrains hétérogènes et les microclimats. Sur les zones complexes et côtières, les données SolarAnywhere de 1 km sont plus précises que les données SolarAnywhere de 10 km et devraient être fortement considérées comme la mesure préférée de la ressource bancable.
Clean Power Research a réalisé des centaines d'études d'évaluation des ressources et de réglage au sol spécifiques à un site qui comparent les données SolarAnywhere à des mesures d'irradiance au sol de haute qualité appartenant à des sociétés privées. Les résultats de ces études permettent de conclure que la validation présentée ici représente fidèlement la précision et l'incertitude des données SolarAnywhere pour la multitude de sites où l'énergie solaire est envisagée.
Enfin, la cohérence temporelle du modèle est évaluée. La cohérence temporelle signifie que les performances du modèle sont constantes sur toute la période de disponibilité des données. La cohérence des performances du modèle permet de mener des campagnes d'évaluation des ressources solaires plus précises (également connues sous le nom de "ground tuning") et d'accroître la capacité à repérer des tendances telles que la dégradation des modules dans les performances des actifs opérationnels. Un modèle cohérent dans le temps est indispensable pour analyser les tendances météorologiques sur plusieurs décennies qui peuvent avoir un impact sur la conception des projets solaires et le rendement énergétique.
Étant donné que chaque région dispose de plusieurs générations de sources d'entrée satellitaires et que les propriétés atmosphériques régionales changent avec le temps, la cohérence temporelle n'est pas acquise. Pour cette raison, la période entière de disponibilité des données est évaluée pour les changements de biais dans le temps. Seules les stations de validation ayant l'historique le plus long sont considérées pour l'évaluation de la cohérence temporelle.
Figure 6 : Cohérence temporelle
Moyennes par région du satellite des erreurs moyennes de biais de l'IGH sur l'ensemble de la période d'enregistrement (1998-2022)
Comme le montre la figure 6, l'évaluation du modèle sur l'ensemble de la période de disponibilité des données montre des performances constantes dans le temps - il n'y a pas de tendances ou de sauts de biais. Par conséquent, les utilisateurs de SolarAnywhere peuvent comparer en toute confiance des données récentes à des moyennes à long terme pour des applications telles que l'évaluation des ressources solaires et l'analyse des performances. En outre, les résultats montrent que SolarAnywhere est adapté à l'analyse des tendances à long terme des ressources solaires. Pour les données auxiliaires telles que le vent et la température, les ensembles de données sont sélectionnés et maintenus pour maximiser la cohérence spatiale et temporelle.
Mensuel et horaire
Les gestionnaires d'actifs peuvent utiliser les données mensuelles pour comprendre les performances du PV dans le contexte des conditions météorologiques récentes. La performance de l'installation est normalisée en fonction des conditions météorologiques afin d'isoler les mesures de performance de la variabilité de l'ensoleillement mensuel, de la température, etc. Les données horaires peuvent être utilisées pour soutenir les opérations et la maintenance (O&M) en temps réel. En outre, les mesures d'erreurs horaires sont utiles pour comprendre comment le modèle se comporte dans diverses conditions météorologiques.
En général, lorsque la période de calcul de la moyenne est raccourcie (par exemple, d'annuelle à mensuelle, ou de mensuelle à horaire), les erreurs augmentent en raison des propriétés fondamentales des moyennes. La MAE et la RMSE résument la précision des données horaires et mensuelles. Comme le montre la figure 7, la dispersion des données domine le biais pour ces périodes plus courtes, qui est déjà caractérisé pour les moyennes annuelles et à long terme.
Figure 7 : Mesures de précision mensuelles et horaires du GHI de SolarAnywhere
Un nuage de points de SolarAnywhere par rapport à l'irradiation horizontale globale de référence sur une demi-heure montre les performances du modèle pour des conditions nuageuses, partiellement nuageuses et ensoleillées. Une corrélation parfaite se traduirait par une ligne droite allant d'un éclairement énergétique nul, dans le coin inférieur gauche du graphique, à un éclairement énergétique maximal, dans le coin supérieur droit.
Figure 8 : IGH demi-horaire (W/m^2)
Desert Rock, 2022
Les données de la station terrestre SURFRAD de Desert Rock, 2022, sont présentées dans la figure 8 à titre d'exemple. L'inspection révèle que le modèle fonctionne bien pour des conditions d'irradiation faibles à élevées.
Classification climatique
La classification climatique de Köppen-Geiger classe les régions du globe en fonction de facteurs tels que la température et les précipitations. Les cinq principales zones climatiques et les sous-types de la classification de Köppen sont énumérés dans la figure 9.
Figure 9 : Zones climatiques Köppen-Geiger
La signification de la troisième lettre dans les classifications climatiques de Köppen-Geiger est indiquée dans la figure 10.
Figure 10 : Classifications climatiques Köppen-Geiger : Importance de la troisième lettre dans la convention d'appellation des climats
La figure 11 montre une carte mondiale des classifications Köppen-Geiger et la liste des stations terrestres utilisées pour la validation des données de la v3.7.
Figure 11 : Carte globale de la classification et des stations au sol utilisées pour la validation
La figure 12 montre le biais annuel (rMBE) du modèle de données GHI de SolarAnywhere basé sur les classifications Köppen-Geiger. En général, les écarts sont dispersés et il n'y a pas de relation stricte entre la position géographique et les valeurs d'erreur. L'erreur de biais moyenne pour toutes les catégories climatiques à travers le monde se situe dans une fourchette de +/-4,0 %, ce qui est cohérent avec l'erreur MBE annuelle pour l'indice de GES lorsque les sites ne sont pas classés par régions climatiques. Cela montre que la précision du modèle de données SolarAnywhere est cohérente dans toutes les régions.
Figure 12 : Indice de masse surfacique (GHI) annuel basé sur la classification climatique
Conclusion
SolarAnywhere est le fournisseur le plus fiable de données sur les ressources solaires pour l'industrie solaire. L'ensemble des données dérivées des satellites est cohérent sur l'ensemble de la zone de couverture géographique et sur plus de 20 ans d'enregistrement. De plus, les données sont disponibles à la demande.
Les informations présentées valident la faible incertitude des données SolarAnywhere et leur utilisation dans l'évaluation des ressources solaires pour le financement de projets photovoltaïques (PV). L'incertitude annuelle de SolarAnywhere Data concernant l'indice de masse grise (GHI) est inférieure à 4,2 %. Le modèle s'avère cohérent dans l'espace et sur plus de deux décennies d'enregistrement. Les statistiques mensuelles et horaires démontrent la capacité du modèle à capturer des périodes plus courtes et la gamme complète des conditions météorologiques possibles pour les cas d'utilisation opérationnels.
SolarAnywhere garantit la plus haute qualité de données au niveau mondial en utilisant partout un modèle satellite-solaire unique et actualisé. SolarAnywhere peut être utilisé comme référence solaire à long terme, indépendamment de la nécessité d'un réglage au sol régional ou spécifique à un site. Cette capacité unique a été clairement démontrée lorsque les données SolarAnywhere ont permis de détecter un problème d'étalonnage du capteur d'irradiance non signalé dans l'une des stations de référence les plus fiables du pays : la station SURFRAD de Fort Peck, dans le Montana.
Clean Power Research continue d'investir dans SolarAnywhere pour répondre aux besoins de l'industrie solaire et accélérer la transformation de l'énergie propre.
Vous avez besoin d'une version imprimable de ce document de validation ?
Pour consulter les résultats d'une évaluation indépendante de SolarAnywhere Data par l'Institut Fraunhofer pour les systèmes d'énergie solaire ISE, cliquez sur le lien ci-dessous.
Annexe
Sources des données d'entrée
SolarAnywhere utilise un algorithme satellite-solaire pour estimer l'irradiance à partir d'images de satellites géosynchrones. Les données d'entrée brutes pour les données d'irradiance comprennent :
Les données auxiliaires, notamment la profondeur optique des aérosols, la vitesse du vent, la température ambiante, l'humidité relative, les précipitations solides, les précipitations liquides et l'épaisseur de la neige, sont dérivées de divers modèles météorologiques numériques.
Stations de référence
Critères de sélection des stations
Une validation significative nécessite une référence de haute qualité. Pour garantir que les statistiques de validation sont représentatives du modèle, les stations de validation doivent répondre aux critères suivants :
- Une organisation crédible assume la responsabilité de l'installation
- Les métadonnées telles que le type de capteur, l'emplacement, etc. existent ; les capteurs sont de niveau secondaire ou supérieur.
- Les données sont accessibles au public
- La période d'enregistrement est d'au moins 1 an
- Les données passent généralement le contrôle de qualité standard et la station a une disponibilité de >75%.
- La station est représentative des endroits où l'on installe des systèmes photovoltaïques.
Les stations suivantes répondaient à ces critères et ont été utilisées pour la validation de SolarAnywhere :
Contrôle de la qualité
Les données de chaque station doivent être soumises à des contrôles statistiques de qualité similaires à ceux recommandés par le BSRN. En outre, les données sont examinées par un analyste de données afin de s'assurer que les mesures ne sont pas affectées par les problèmes courants suivants :
- Salissures
- Ombrage
- Dérive de l'étalonnage
Les données qui ne passent pas le contrôle de qualité sont exclues de l'analyse. Si les problèmes avec la station sont persistants, la station est entièrement exclue de l'analyse. La déviation de SolarAnywhere n'est pas utilisée comme une raison pour exclure des données.
Il est plus difficile d'obtenir des données de haute qualité sur l'indice DNI que sur l'indice GHI. Les mesures de référence du DNI sont vérifiées en comparant le GHI mesuré au GHI calculé à partir de l'irradiation directe et diffuse mesurée (DHI + DNI*cos(αzenith)). Si la comparaison n'est pas cohérente au-delà de certains seuils, les mesures DNI sont exclues de la validation.
Statistiques
Des statistiques détaillées par site sont disponibles dans la version imprimée de ce document.
Contrôle de la version
Général
SolarAnywhere utilise le contrôle de version pour garantir la reproductibilité des résultats d'un utilisateur ou d'un contexte à l'autre. Les données d'irradiance publiées en tant que "Archive", indiquées par le préfixe "A" dans le type d'observation d'irradiance, ne changeront pas pour cette version du modèle. Les nouvelles versions du modèle devraient présenter des données d'éclairement énergétique quelque peu différentes, car des techniques de modélisation plus récentes et plus précises sont appliquées à l'enregistrement historique des images satellite.
Cliquez ici pour obtenir des informations sur les versions actuelles et passées de SolarAnywhere Data.
Limites connues et errata
- Le modèle IR n'est pas utilisé pour les satellites Meteosat de première génération (MFG) dans la région de l'Asie occidentale et de l'Afrique en raison de la dégradation probable des capteurs, qui affecte les données du début de l'enregistrement jusqu'en 2016. Il en résulte une plus grande incertitude des données dans les endroits où la couverture neigeuse est persistante. Comme le modèle IR est utilisé pour les satellites les plus récents couvrant la région, des incohérences temporelles peuvent exister dans l'enregistrement à long terme.
- La couverture initiale pour les régions d'Asie de l'Est et d'Océanie comprend les données de 2005 à aujourd'hui. Pour les périodes antérieures à 2005, les tests ont révélé des problèmes de qualité des données provenant des anciens satellites de cette région. Si ces données répondent à nos exigences de validation, nous mettrons à disposition des données antérieures.
- Le 15 juillet 2021, Clean Power Research a corrigé un problème affectant certaines demandes de données d'épaisseur de neige de SolarAnywhere. Ce problème a entraîné des valeurs d'épaisseur de neige moyennes incorrectes pour les données horaires, mensuelles et annuelles (toutes les versions de données, à l'échelle mondiale). Les données d'épaisseur de neige sur 30 minutes et 15 minutes n'étaient pas affectées. Les données ont été corrigées pour toutes les nouvelles demandes de données. Nous estimons que les estimations de perte de neige peuvent varier de 0 à -2% (différence en pourcentage absolu) lorsque l'on utilise les anciennes données par rapport aux données corrigées dans le modèle de perte de neige de Marion ; cependant, les résultats varieront en fonction de l'emplacement spécifique, du type de système et de l'application.
- Les versions 3.4 et 3.5 du modèle sous-estiment le GHI dans les zones affectées par la neige dans la région GOES-Ouest pendant l'hiver 2021-2022. Les données de la bande IR de GOES-17 ont des problèmes connus; des efforts raisonnables sont faits pour utiliser ce qui est disponible. Le problème est corrigé dans les versions 3.6 et suivantes.
Références
Les articles suivants, évalués par des pairs, décrivent le modèle SUNY qui sous-tend les simulations de SolarAnywhere :
- Perez R., P. Ineichen, K. Moore, M. Kmiecik, C. Chain, R. George et F. Vignola, (2002) : A New Operational Satellite-to-Irradiance Model. Solar Energy 73, 5, p. 307-317.
- Perez R., P. Ineichen, M. Kmiecik, K. Moore, R. George et D. Renné, (2004) : Producing satellite-derived irradiances in complex arid terrain. Solar Energy 77, 4, p. 363-370.
- Perez, R., P. Ineichen, E. Maxwell, R. Seals et A. Zelenka, (1992) : Dynamic Global-to-Direct Irradiance Conversion Models. ASHRAE Transactions-Research Series, p. 354-369.
- P. Ineichen, (2008) : Comparaison et validation de trois modèles d'irradiance global-to-beam par rapport aux mesures au sol. Solar Energy 82, p. 501-512
Les articles suivants décrivent les performances du modèle SolarAnywhere V3 :
- Perez R., S. Kivalov, A. Zelenka, J. Schlemmer et K. Hemker Jr. (2010) : Improving the Performance of Satellite-to-Irradiance Models using the Satellite's Infrared Sensors. Conférence annuelle de l'ASES, Phoenix, Arizona.
- Dise J., Kankiewicz, A., Schlemmer, J., Hemker, K., Kivalov, S., Hoff, T., Perez, R., (2013) : Améliorations opérationnelles de la performance du modèle SUNY d'irradiance satellite-à-solaire en utilisant les canaux infrarouges des satellites. Proc. 39e conférence annuelle des spécialistes du photovoltaïque de l'IEEE, Tampa, Floride.
- Perez, Richard & Schlemmer, James & Hemker, Karl & Kivalov, Sergey & Kankiewicz, Adam & Gueymard, Chris. (2015). Modélisation satellite-irradiance - Une nouvelle version du modèle SUNY. 10.1109/PVSC.2015.7356212.
Les articles suivants présentent des validations du modèle SUNY/SolarAnywhere dans différents environnements :
- Wilcox, S., R. Perez, R. George, W. Marion, D. Meyers, D. Renné, A. DeGaetano, et C. Gueymard, (2005) : Progress on an Updated National Solar Radiation Data Base for the United States. Proc. Congrès mondial de l'ISES, Orlando, FL.
- Vignola F., et R. Perez (2005) : Solar Resource Data base for the Pacific Northwest Using Satellite Data. Rapport final à l'USDOE. http://solardata.uoregon.edu/download/misc/doefinalreport.pdf
- Wilcox, S., M. Anderberg, R. George, W. Marion, D. Myers, D. Renné, W. Beckman, A. DeGaetano, C. Gueymard, R. Perez, N. Lott, P. Stackhouse et F. Vignola, (2006) : Towards Production of an Updated National Solar Radiation Data base. Proc. ASES Annual Conference, Denver, CO
- Paul W. Stackhouse Jr, Taiping Zhang, William S. Chandler, Charles H. Whitlock, James M. Hoell, David J. Westberg, Richard Perez et Steve Wilcox, (2008) : Satellite Based Assessment of the NSRDB Site Irradiances and Time Series from NASA and SUNY/Albany Algorithms. Proc. ASES Annual Meeting, San Diego, CA.
- Perez R., J. Schlemmer, D. Renné, S. Cowlin, R. George et B. Bandyopadhyay, (2009) : Validation du modèle satellitaire SUNY dans un environnement Meteosat. Proc. ASES Annual Conference, Buffalo, New York.
Références de la station de référence :
- 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., and 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.
- 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.
Pour consulter les résultats d'une évaluation indépendante de SolarAnywhere Data par l'Institut Fraunhofer pour les systèmes d'énergie solaire ISE, cliquez sur le lien ci-dessous.