Introduction
Les fichiers PXX de SolarAnywhere permettent plus facile et plus rapide de calculer le rendement énergétique PXX de votre projet. Le "XX" fait référence à la probabilité que le niveau d'irradiation soit dépassé au cours d'une année donnée. Vous spécifiez la probabilité (par exemple, P90) et SolarAnywhere renvoie un fichier météo représentatif avec 8760 valeurs horaires qui peuvent être importées dans n'importe quel outil de modélisation PV. Les données PXX sont disponibles dans l'interface utilisateur Web et l'API, et sont incluses dans les licences de séries chronologiques (non disponibles avec les licences Academic).
Les fichiers PXX de SolarAnywhere sont créés à l'aide d'une méthode améliorée de calcul de la probabilité de dépassement qui représente mieux les distributions asymétriques de l'irradiance et le risque météorologique que les approches standard. Des données de meilleure qualité réduisent le risque d'un financement inutilement conservateur ou coûteux.
Méthodologie
Pour créer un fichier de probabilité de dépassement, nous avons d'abord besoin d'une distribution de l'irradiance annuelle. SolarAnywhere offre un ensemble de données précises et cohérentes remontant à 1998 en Amérique du Nord, soit environ 20 ans et plus. C'est plus long qu'un contrat d'achat d'électricité typique de 20 ans. Malheureusement, la période d'enregistrement est insuffisante pour créer une distribution satisfaisante.
Les limites des méthodes standard ont conduit Dr. Richard Perez à proposer une méthode améliorée en 2012, que nous appelons ici la méthode des années partielles. La méthode de l'année partielle a été présentée lors de l'atelier de modélisation photovoltaïque en 2017.1 Pour créer un ensemble de données élargi, la moyenne du GHI est calculée sur des segments de quatre mois pour chaque année. La moyenne sur quatre mois est utilisée pour construire toutes les combinaisons d'années possibles. Le nombre de combinaisons est égal au nombre d'années considérées cubé, ce qui est suffisant pour établir la cible PXX. Dans la dernière étape, l'algorithme sélectionne les mois qui permettront de créer un fichier avec la cible d'irradiance annuelle souhaitée et un profil mensuel raisonnable.
SolarAnywhere utilise la méthode des années partielles pour créer des fichiers de probabilité de dépassement. La période est cohérente avec les jeux de données TGY de SolarAnywhere, de sorte qu'ils peuvent être comparés directement.
Comparaison avec d'autres méthodes
Il existe de nombreuses approches pour calculer la probabilité de dépassement, et il est important de comprendre l'approche adoptée et comment elle est liée à l'objectif spécifique. Nous comparons ici trois méthodes : empirique, normale (Guassienne) et année partielle.
L'application la plus directe des données est la distribution cumulative empirique. Chaque observation est supposée avoir la même probabilité et est triée de la plus faible à la plus forte. Les probabilités (y) sont attribuées à chaque observation par y = (i - 0,5)/m où i est l'observation, et m le nombre d'observations. La probabilité de dépassement est égale à 1 moins la probabilité. En bref, si nous avons 20 ans de valeurs annuelles d'irradiance, l'année la plus basse est le P97,5, la deuxième année la plus basse est le P92,5, et ainsi de suite. P99 n'est pas défini car les données permettant d'étayer l'estimation n'existent pas encore. L'inconvénient de l'utilisation d'une distribution empirique est que de nombreux échantillons (>>20) sont nécessaires pour que la véritable forme de la distribution apparaisse.
Par conséquent, une pratique courante consiste à définir une distribution normale en calculant la moyenne et l'écart type des totaux d'irradiation annuels. Par exemple, dans une publication de l'ASES de 2010, 8 années de données SolarAnywhere ont été utilisées pour estimer la variabilité interannuelle sur le territoire continental des États-Unis.2 Le problème de l'hypothèse d'une distribution normale est que l'irradiance solaire ne correspond pas, en général, à une distribution normale, ce qui peut fausser les résultats.3
Pour approfondir le sujet, nous avons analysé 221 emplacements coïncidant avec les Stations météo NSRDB TMY3 classe 1 à travers les États-Unis.4 SolarAnywhere a été utilisé pour estimer l'irradiance annuelle pour chaque emplacement. Ensuite, les trois distributions ont été calculées pour chaque emplacement. Un exemple pour un emplacement arbitraire est présenté dans la figure 1.
Fig. 1 : Distributions cumulatives pour les méthodes de probabilité de dépassement empirique, partielle et normale pour l'aéroport McGhee Tyson de Knoxville.
Les données sont trop éparses pour que la distribution empirique fournisse des percentiles satisfaisants. En outre, la P99 n'est pas définie, ce qui peut ne pas être acceptable pour certaines parties.
Cependant, avec un échantillon de sites suffisamment grand, la distribution empirique peut être utilisée comme référence pour évaluer l'ajustement des distributions normale et partielle. Le biais moyen d'une distribution bien ajustée devrait être faible. Pour le financement de projets, il est essentiel d'estimer la queue gauche de la distribution. L'analyse a donc porté sur les PXX associées aux années d'irradiation les plus faibles et les deuxièmes plus faibles pour la période de 1998 à 2016 (P97,4 et P94,1).
L'analyse a révélé que la distribution normale et la distribution sur une année partielle présentent toutes deux un faible biais moyen (moins de +/- 0,2 % d'erreur de biais moyen pour les deux méthodes et les deux PXX). Un faible biais est essentiel. Une distribution mal adaptée a le potentiel de sous-représenter ou de sur-représenter systématiquement la ressource.
Sur la base des sites individuels, les différences entre la distribution empirique et les deux autres méthodes se sont avérées inférieures à +/- 1 % pour la moitié des sites de l'analyse (l'intervalle interquartile) pour les années d'irradiation les plus faibles et les secondes années d'irradiation les plus faibles. Ces résultats sont conformes à l'erreur d'échantillonnage prévue (voir Incertitude).
P99 a également été examiné. Il n'existe aucune source pour une référence empirique de P99. Cependant, nous pouvons effectuer plusieurs vérifications de bon sens. Des totaux annuels inférieurs de moins de 9% à la moyenne du site n'ont été observés qu'une seule fois sur les 221 sites. D'autres méthodes ont montré que P99 se situe entre -4 et -8% sur le territoire continental des Etats-Unis.5 Par conséquent, il est peu probable que les estimations de P99 inférieures à -9 % constituent une bonne caractérisation de la ressource solaire. Près de 5 % des estimations de P99 qui supposent une distribution normale se situent dans la fourchette de -9 à -12 %. La méthode de l'année partielle était deux tiers moins susceptible de donner des estimations P99 erronément basses.
L'avantage de la méthode de l'année partielle par rapport à l'hypothèse de normalité est la prise en compte adéquate de la dissymétrie inhérente aux données. La distribution normale utilise la somme des carrés de la distance à la moyenne pour calculer l'écart-type. Comme la distribution est symétrique, une année d'irradiation exceptionnellement élevée peut produire une distribution qui semble surestimer la probabilité d'une année de faible irradiation. Un exemple de ce phénomène est illustré à la figure 1. La méthode des années partielles atténue ce problème en utilisant des combinaisons de moyennes sur 4 mois de l'ensemble de données plutôt que des statistiques pour créer la distribution.
Considérations sur l'incertitude
SolarAnywhere est la base de données solaires dérivées par satellite la plus précise.6 La cohérence de SolarAnywhere dans le temps et l'espace est un avantage essentiel par rapport aux mesures au sol pour les études de variabilité. En effet, ces caractéristiques ont été une motivation essentielle pour son développement et ont permis à SolarAnywhere d'identifier une problème d'étal étal étal étal d'une des stations de référence au sol les plus de confiance du pays non rapporté.7 Des estimations antérieures de la variabilité interannuelle ont exploité cette capacité unique.8
Malheureusement, un calcul de l'incertitude n'est pas possible car il n'existe pas d'ensemble de données de référence statistiquement significatif. Très peu de stations terrestres de haute qualité et bien entretenues ont plus de deux décennies d'enregistrement.
Les fichiers PXX n'incluent pas d'incertitudes de modélisation supplémentaires dans leur construction. De cette façon, les développeurs et les ingénieurs indépendants ont le contrôle et une transparence totale sur les incertitudes appliquées aux estimations énergétiques. En outre, les résultats sont reproductibles.
L'erreur dans l'estimation PXX est fonction du nombre d'observations et du niveau de probabilité (le XX). La moyenne d'une distribution peut être estimée avec moins d'observations que la P90. Une étude statistique de l'erreur d'échantillonnage des distributions normales estime que la moitié des P90 dérivées de 19 ans de données se situent à +/- 1% de la vraie P90. L'intervalle de confiance à 95 % est de +/- 2,0 % (σ = 1,2 %).9
La période d'enregistrement de 19 ans devrait présenter une variabilité moindre que le minimum de 30 ans qui serait typique d'une étude climatologique. Notamment, la période d'enregistrement ne comprend pas de très grandes explosions volcaniques (indice d'explosivité volcanique de 6 et plus). De telles explosions se produisent à raison de plusieurs par siècle et influencent donc la variabilité interannuelle autour du niveau P99. Une étude de la dernière explosion majeure, celle du mont Pinatubo aux Philippines en 1991, a révélé que le DNI de pointe dans quatre stations de l'ouest des États-Unis avait chuté de 10 à 20 % par rapport à l'année précédente, mais que l'impact sur le GHI était fortement atténué par une augmentation correspondante de l'irradiance diffuse.10
Le changement climatique est une autre préoccupation. Les données historiques ne permettent pas d'estimer l'impact du changement climatique sur la production future d'énergie solaire.
Les fichiers de probabilité de dépassement de SolarAnywhere représentent la variabilité interannuelle de la base de données SolarAnywhere. Bien que la base de données SolarAnywhere constitue un excellent enregistrement à long terme, des incertitudes supplémentaires doivent être prises en compte à la queue de la distribution, par exemple P99.
Données SolarAnywhere PXX
Fichiers PXX de SolarAnywhere rendez-le pratique pour calculer le rendement énergétique PXX de votre projet. SolarAnywhere utilise une méthode améliorée qui présente un biais moyen négligeable tout en produisant des estimations PXX plus réalistes que les seuls totaux annuels observés. En outre, les données PXX de SolarAnywhere sont deux tiers moins susceptibles de donner des estimations P99 erronément basses que celles basées sur une distribution normale, ce qui réduit le risque d'un financement inutilement conservateur.
Références
1 J. Dise, " Advances in Long-Term Solar Energy Prediction and Project Risk Assessment Methodology Through Non-Normally Distributed Probabilities of Exceedance ", 8e PVPMC, vol. 2017.
2 S. Wilcox, C. Gueymard, "Spatial and Temporal Variability of the Solar Resource in the United States", ASES Solar 2010.
3 Voir par exemple : A. Dobos, P. Gilman, M. Kasberg, " P50/P90 Analysis for Solar Energy Systems Using the System Advisor Model ", National Renewable Energy Laboratory, présenté au Forum mondial des énergies renouvelables 2012 ; G. Kimball et al, " Improved model of solar resource variability based on regional aggregation and climate zones ", IEEE WCPEC-7 2018 ; J. Dise, " Advances in Long-Term Solar Energy Prediction and Project Risk Assessment Methodology Through Non-Normally Distributed Probabilities of Exceedance ", 8th PVPMC, vol. 2017.
4 https://www.nrel.gov/docs/fy08osti/43156.pdf
5 G. Kimball et al. "Improved model of solar resource variability based on regional aggregation and climate zones" IEEE WCPEC-7 2018.
6 Basé sur la validation auto-déclarée par chaque fournisseur, lorsqu'elle est disponible. Voir Validation pour plus d'informations sur la validation de SolarAnywhere.
7 Perez, R., J. Schlemmer, A. Kankiewicz, J. Dise, A. Tadese & T. Hoff, "Detecting Calibration Drift at Ground Truth Stations-A Demonstration of Satellite Irradiance Models' Accuracy," IEEE PVSC-44, 2017.
8 S. Wilcox, C. Gueymard, "Spatial and Temporal Variability of the Solar Resource in the United States", ASES Solar 2010.
9 Voir G. Kimball et al. "Improved model of solar resource variability based on regional aggregation and climate zones", IEEE WCPEC-7 2018. Statistiques reproduites avec l'aimable autorisation de G. Kimball.
10 Rosenthal, A.L., Robert, J.M., "Effects of the Mount Pinatubo eruption on solar insolation : Four case studies," Sandia National Laboratories, U.S. Department of Energy, 1993.