1. IntroductionMeeting a significan

1. Introduction
Meeting a significant portion of society’s energy needs by means of renewable energy has become a highly researched topic over the last couple of decades due to increasingly rising oil prices related to diminishing oil reserves (Sorrell et al., 2010) and insecurity in its continued availability (Bardi, 2009). Additionally, increased environmental awareness has a negative impact on the fossil fuel utilization due to its adverse effects to the environment becoming increasingly recognized (Hansen et al., 2008 and Lyvovsky et al., 2000). However, for the renewables to reach a more prominent role in the world’s overall energy production, it is necessary to compensate for some of their inherent shortcomings. For example, solar energy is only available at certain intervals during the day, and the available energy is highly-dependent on geographical location (Li et al., 2013 and Yoon et al., 2014), cloud cover patterns (Adaramola, 2012 and El-Sebaii et al., 2010), terrain configuration (Araya-Munoz et al., 2014), surface tilting (Araya-Munoz et al., 2014, Ismail et al., 2013 and McKenney et al., 2008), and microclimatic conditions such as air temperature, wind and relative humidity (Li et al., 2013 and Polo et al., 2011). Since it is virtually impossible to accurately predict the local microclimatic conditions over the whole span of solar system utilization, these effects would likely have a significant impact on the availability of solar energy.

Hence, numerous efforts have been dedicated to precise characterization and prediction of solar energy production potentials, which included; (i) solar irradiation estimation based on photographic data while also taking into account local shading and albedo effects (Yoon et al., 2014); (ii) satellite imaging-based solar irradiation estimation (Adaramola, 2012 and Polo et al., 2011); (iii) utilization of neural networks for global daily solar radiation estimation based on ground-level solar radiation measurements (Yacef et al., 2014), or meteorological satellite imaging data (Linares-Rodriguez et al., 2013). Other practical approaches to global solar radiation prediction included linear regression modeling (Adaramola, 2012 and Almorox et al., 2013) based on sunshine hours, temperature, cloudiness, humidity and other local meteorological data. These have also been used to obtain more comprehensive quadratic (El-Sebaii et al., 2010), polynomial (Teke and Yildirim, 2014) and exponential (Wan Nik et al., 2012) regression models. The utilization of meteorological satellite data, especially those obtained from open-source data archives, such as NASA’s Surface meteorology and Solar Energy database (NASA SSE Website, 2006), should be preferred for global solar irradiation modeling (Adaramola, 2012, Linares-Rodriguez et al., 2013, Polo et al., 2011 and Yacef et al., 2014) during the solar power system design optimization stage. On the other hand, the locale-specific modeling which focuses on the terrain configuration and local shading/albedo effects (Li et al., 2013 and Yoon et al., 2014) would be more valuable in the solar system building and commissioning phase. Moreover, meteorological satellite data, collected and systematized over a relatively long period of time (e.g. 10 consecutive years), should provide a statistically more representative picture of global seasonal solar power trends and variations when compared to local data. Finally, long-term data should be preferable in order to have a more faithful picture of solar power system operation over the anticipated life spans of key solar power system components, i.e. solar panels and grid power converters, which are typically estimated to around 20 years in the case of the former (Jordan and Kurtz, 2013), and 10 years in the case of the latter (Rodriguez and Amaratunga, 2008 and Stetz et al., 2011).

Since solar energy availability directly affects the solar power system’s ability to cover for the anticipated energy requirements, it represents the principal input parameter for solar energy system sizing. The main issue is that unpredictable solar power variations have direct effect on the solar energy availability, while the actual solar power system has to meet the target energy requirements (i.e. satisfy the specified production targets) over the considered time period. The aforementioned parameters play key technical and economical roles in solar system design which currently limit a wider commercial use of solar energy systems (Watt and Outhred, 2000). In order to mitigate the solar power variability issues, the solar power system components need to be carefully chosen, so that the most favorable ratio between the initial investment and subsequent payback rate is obtained. A prospective solar system profitability calculation procedure is illustrated by the block diagram (flowchart) in Fig. 1. A straightforward insolation statistical model should be preferred to utilizing typically large crude past insolation data sets, because a statistical model may be able to provide a straightforward way of insolation characterization for the solar system analysis and prospective profitability calculations (Dobos et al., 2012 and Yu and Tuzuner, 2008). Based on the statistical insolation model and other influential factors, such as energy needs and market-based energy pricing, anticipated cost savings (adjusted for the equipment procurement and maintenance costs) may be evaluated over the anticipated solar system lifetime, and used as a basis for payback time and profitability calculations.

ผลลัพธ์ (ไทย) 1:

1. บทนำการประชุมเป็นส่วนสำคัญของความต้องการพลังงานของสังคมโดยการใช้พลังงานทดแทนได้กลายเป็น หัวข้อวิจัยสูงกว่าสองทศวรรษเนื่องมากเพิ่มขึ้นราคาน้ำมันกับน้ำมันสำรอง (ซอร์เรลล์ et al., 2010) ลดลงและความไม่มั่นคงในการมีอยู่อย่างต่อเนื่อง (Bardi, 2009) นอกจากนี้ ความตระหนักด้านสิ่งแวดล้อมเพิ่มขึ้นได้เท่าใดการใช้เชื้อเพลิงฟอสซิลเนื่องจากการกระทบกับสิ่งแวดล้อมกลายเป็นที่รู้จักมากขึ้น (al. et แฮนเซ่น 2008 และ Lyvovsky และ al., 2000) อย่างไรก็ตาม สำหรับเท่าถึงบทบาทที่โดดเด่นมากในการผลิตพลังงานโดยรวมของโลก จำเป็นต้องชดเชยสำหรับการแสดงโดยธรรมชาติ เช่น พลังงานแสงอาทิตย์มีเฉพาะในช่วงระหว่างวัน และพลังงานใช้จะสูงขึ้นอยู่กับตำแหน่งทางภูมิศาสตร์ (Li et al., 2013 และจินเกสท์ et al., 2014), เมฆรูปแบบปก (Adaramola, 2012 และเอ Sebaii et al., 2010), ภูมิประเทศที่ตั้งค่าคอนฟิก (น่าโชว์อารยา et al., 2014), พื้นผิวเอียง (น่าโชว์อารยา et al., 2014 สุลต่านอิสมาอิลและ al., 2013 และ McKenney et al , 2008), และ microclimatic เช่นเครื่องวัดอุณหภูมิ ลม และความชื้นสัมพัทธ์ (Li et al., 2013 และโปโล et al., 2011) เนื่องจากเป็นจริงไปได้อย่างถูกต้องทำนายสภาพ microclimatic ท้องถิ่นผ่านระยะทั้งหมดของระบบพลังงานแสงอาทิตย์ใช้ ลักษณะพิเศษเหล่านี้จะมีผลกระทบสำคัญพร้อมพลังงานแสงอาทิตย์Hence, numerous efforts have been dedicated to precise characterization and prediction of solar energy production potentials, which included; (i) solar irradiation estimation based on photographic data while also taking into account local shading and albedo effects (Yoon et al., 2014); (ii) satellite imaging-based solar irradiation estimation (Adaramola, 2012 and Polo et al., 2011); (iii) utilization of neural networks for global daily solar radiation estimation based on ground-level solar radiation measurements (Yacef et al., 2014), or meteorological satellite imaging data (Linares-Rodriguez et al., 2013). Other practical approaches to global solar radiation prediction included linear regression modeling (Adaramola, 2012 and Almorox et al., 2013) based on sunshine hours, temperature, cloudiness, humidity and other local meteorological data. These have also been used to obtain more comprehensive quadratic (El-Sebaii et al., 2010), polynomial (Teke and Yildirim, 2014) and exponential (Wan Nik et al., 2012) regression models. The utilization of meteorological satellite data, especially those obtained from open-source data archives, such as NASA’s Surface meteorology and Solar Energy database (NASA SSE Website, 2006), should be preferred for global solar irradiation modeling (Adaramola, 2012, Linares-Rodriguez et al., 2013, Polo et al., 2011 and Yacef et al., 2014) during the solar power system design optimization stage. On the other hand, the locale-specific modeling which focuses on the terrain configuration and local shading/albedo effects (Li et al., 2013 and Yoon et al., 2014) would be more valuable in the solar system building and commissioning phase. Moreover, meteorological satellite data, collected and systematized over a relatively long period of time (e.g. 10 consecutive years), should provide a statistically more representative picture of global seasonal solar power trends and variations when compared to local data. Finally, long-term data should be preferable in order to have a more faithful picture of solar power system operation over the anticipated life spans of key solar power system components, i.e. solar panels and grid power converters, which are typically estimated to around 20 years in the case of the former (Jordan and Kurtz, 2013), and 10 years in the case of the latter (Rodriguez and Amaratunga, 2008 and Stetz et al., 2011).Since solar energy availability directly affects the solar power system’s ability to cover for the anticipated energy requirements, it represents the principal input parameter for solar energy system sizing. The main issue is that unpredictable solar power variations have direct effect on the solar energy availability, while the actual solar power system has to meet the target energy requirements (i.e. satisfy the specified production targets) over the considered time period. The aforementioned parameters play key technical and economical roles in solar system design which currently limit a wider commercial use of solar energy systems (Watt and Outhred, 2000). In order to mitigate the solar power variability issues, the solar power system components need to be carefully chosen, so that the most favorable ratio between the initial investment and subsequent payback rate is obtained. A prospective solar system profitability calculation procedure is illustrated by the block diagram (flowchart) in Fig. 1. A straightforward insolation statistical model should be preferred to utilizing typically large crude past insolation data sets, because a statistical model may be able to provide a straightforward way of insolation characterization for the solar system analysis and prospective profitability calculations (Dobos et al., 2012 and Yu and Tuzuner, 2008). Based on the statistical insolation model and other influential factors, such as energy needs and market-based energy pricing, anticipated cost savings (adjusted for the equipment procurement and maintenance costs) may be evaluated over the anticipated solar system lifetime, and used as a basis for payback time and profitability calculations.

ผลลัพธ์ (ไทย) 2:

1.
บทนำประชุมเป็นส่วนสำคัญของสังคมของความต้องการพลังงานโดยวิธีการของพลังงานทดแทนได้กลายเป็นหัวข้อวิจัยสูงกว่าคู่สุดท้ายของทศวรรษที่ผ่านมาเนื่องจากการเพิ่มขึ้นมากขึ้นราคาน้ำมันที่เกี่ยวข้องกับการลดลงน้ำมันสำรอง(Sorrell et al., 2010) และความไม่มั่นคงใน ความพร้อมอย่างต่อเนื่อง (กำไล 2009) นอกจากนี้เพิ่มขึ้นความตระหนักด้านสิ่งแวดล้อมที่มีผลกระทบในทางลบต่อการใช้เชื้อเพลิงฟอสซิลอันเนื่องมาจากผลกระทบของสภาพแวดล้อมที่จะกลายเป็นที่ยอมรับมากขึ้น (แฮนเซน et al., 2008 และ Lyvovsky et al., 2000) แต่สำหรับพลังงานหมุนเวียนในการเข้าถึงบทบาทสำคัญมากขึ้นในการผลิตพลังงานโดยรวมของโลกก็เป็นสิ่งที่จำเป็นเพื่อชดเชยบางส่วนของข้อบกพร่องธรรมชาติของพวกเขา ยกตัวอย่างเช่นพลังงานแสงอาทิตย์จะใช้ได้เฉพาะในช่วงเวลาหนึ่งในระหว่างวันและพลังงานที่มีอยู่สูงขึ้นอยู่กับที่ตั้งทางภูมิศาสตร์ (Li et al., 2013 และยุน et al., 2014) รูปแบบเมฆปกคลุม (Adaramola 2012 และ El-Sebaii et al., 2010) การกำหนดค่าภูมิประเทศ (อารยา-Munoz et al., 2014), เอียงพื้นผิว (อารยา-Munoz et al., 2014, อิสมาอิล et al., 2013 และ McKenney et al., 2008) และเงื่อนไข microclimatic เช่นอุณหภูมิของอากาศลมและความชื้นสัมพัทธ์ (Li et al., 2013 และโปโล et al., 2011) เพราะมันเป็นไปไม่ได้จริงอย่างถูกต้องคาดการณ์สภาพ microclimatic ท้องถิ่นมากกว่าช่วงทั้งการใช้ระบบพลังงานแสงอาทิตย์ผลกระทบเหล่านี้มีแนวโน้มที่จะมีผลกระทบอย่างมีนัยสำคัญกับความพร้อมของพลังงานแสงอาทิตย์. ดังนั้นความพยายามจำนวนมากได้รับการทุ่มเทเพื่อลักษณะที่แม่นยำและการคาดการณ์ของแสงอาทิตย์ ศักยภาพการผลิตพลังงานซึ่งรวมถึง; (i) การประมาณค่าการฉายรังสีแสงอาทิตย์บนพื้นฐานของข้อมูลการถ่ายภาพในขณะที่ยังคำนึงถึงการแรเงาท้องถิ่นและผลกระทบที่อัลเบโด้ (ยุน et al, 2014.); (ii) การถ่ายภาพที่ใช้การประมาณค่าการฉายรังสีแสงอาทิตย์ดาวเทียม (Adaramola 2012 และโปโล et al, 2011.); (iii) การใช้ประโยชน์จากเครือข่ายประสาทสำหรับการประมาณพลังงานแสงอาทิตย์ทั่วโลกทุกวันขึ้นอยู่กับระดับพื้นดินวัดรังสีดวงอาทิตย์ (Yacef et al., 2014) หรือข้อมูลการถ่ายภาพดาวเทียมอุตุนิยมวิทยา (Linares-Rodriguez et al., 2013) วิธีการปฏิบัติอื่น ๆ ที่จะทำนายพลังงานแสงอาทิตย์ทั่วโลกรวมถึงการสร้างแบบจำลองการถดถอยเชิงเส้น (Adaramola 2012 และ Almorox et al., 2013) ตามชั่วโมงแสงแดดอุณหภูมิหมองความชื้นและข้อมูลอื่น ๆ อุตุนิยมวิทยาท้องถิ่น เหล่านี้ได้ถูกนำมาใช้เพื่อให้ได้ครอบคลุมมากขึ้นกำลังสอง (El-Sebaii et al., 2010), พหุนาม (Teke และ Yildirim 2014) และชี้แจง (Wan Nik et al., 2012) รูปแบบการถดถอย การใช้ประโยชน์จากข้อมูลดาวเทียมอุตุนิยมวิทยาโดยเฉพาะอย่างยิ่งผู้ที่ได้รับจากที่เก็บข้อมูลเปิดแหล่งที่มาเช่นอุตุนิยมวิทยาพื้นผิวของนาซ่าและฐานข้อมูลพลังงานแสงอาทิตย์ (NASA SSE เว็บไซต์ 2006) ควรได้รับการแนะนำสำหรับการสร้างแบบจำลองการฉายรังสีแสงอาทิตย์ทั่วโลก (Adaramola 2012 Linares-Rodriguez et al., 2013 โปโล et al., 2011 และ Yacef et al., 2014) ในระหว่างการใช้พลังงานระบบการออกแบบขั้นตอนการเพิ่มประสิทธิภาพของเซลล์แสงอาทิตย์ ในทางกลับกันการสร้างแบบจำลองสถานที่เฉพาะเจาะจงที่มุ่งเน้นไปที่การตั้งค่าภูมิประเทศและท้องถิ่นแรเงา / ผลกระทบที่อัลเบโด้ (Li et al., 2013 และยุน et al., 2014) จะมีคุณค่ามากขึ้นในการสร้างระบบพลังงานแสงอาทิตย์และขั้นตอนการว่าจ้าง นอกจากนี้ข้อมูลดาวเทียมอุตุนิยมวิทยาเก็บรวบรวมและจัดระบบในระยะเวลาที่ค่อนข้างนาน (เช่น 10 ปีติดต่อกัน) ควรให้ภาพสถิติตัวแทนของแนวโน้มพลังงานแสงอาทิตย์ทั่วโลกตามฤดูกาลและการเปลี่ยนแปลงเมื่อเทียบกับข้อมูลท้องถิ่น สุดท้ายข้อมูลในระยะยาวควรจะดีกว่าเพื่อให้ได้ภาพที่ซื่อสัตย์มากขึ้นของการทำงานของระบบพลังงานแสงอาทิตย์ที่ผ่านช่วงชีวิตที่คาดว่าจะของส่วนประกอบของระบบพลังงานแสงอาทิตย์ที่สำคัญคือแผงเซลล์แสงอาทิตย์และแปลงไฟตารางซึ่งมักจะคาดว่าจะประมาณ 20 ปีที่ผ่านมา ในกรณีของอดีต (จอร์แดนและ Kurtz 2013) และ 10 ปีในกรณีของหลัง (โรดริเกและ Amaratunga, 2008 และ Stetz et al., 2011). เนื่องจากความพร้อมใช้งานพลังงานแสงอาทิตย์โดยตรงส่งผลกระทบต่อความสามารถของระบบพลังงานแสงอาทิตย์ที่จะ ครอบคลุมความต้องการพลังงานที่คาดว่าจะแสดงถึงการป้อนข้อมูลพารามิเตอร์หลักสำหรับการปรับขนาดของระบบพลังงานแสงอาทิตย์ ปัญหาที่สำคัญคือรูปแบบพลังงานแสงอาทิตย์ที่คาดเดาไม่ได้มีผลกระทบโดยตรงต่อความพร้อมในการใช้พลังงานแสงอาทิตย์ในขณะที่ระบบพลังงานแสงอาทิตย์ที่เกิดขึ้นจริงมีการตอบสนองความต้องการพลังงานเป้าหมาย (เช่นตอบสนองเป้าหมายการผลิตที่ระบุ) ในช่วงระยะเวลาการพิจารณา พารามิเตอร์ดังกล่าวมีบทบาททางด้านเทคนิคและประหยัดสำคัญในการออกแบบระบบพลังงานแสงอาทิตย์ซึ่งขณะนี้ จำกัด การใช้งานในเชิงพาณิชย์มากขึ้นของระบบพลังงานแสงอาทิตย์ (วัตต์และ Outhred, 2000) เพื่อลดปัญหาความแปรปรวนของพลังงานแสงอาทิตย์ส่วนประกอบของระบบพลังงานแสงอาทิตย์ที่จะต้องมีการเลือกอย่างระมัดระวังเพื่อให้อัตราส่วนที่ดีที่สุดระหว่างการลงทุนเริ่มต้นและอัตราการคืนทุนที่ตามมาจะได้รับ ระบบพลังงานแสงอาทิตย์ในอนาคตขั้นตอนการคำนวณผลกำไรจะแสดงโดยแผนภาพบล็อก (ผัง) ในรูป 1. ไข้แดดตรงไปตรงมาแบบจำลองทางสถิติควรจะเลือกที่จะใช้โดยทั่วไปจะมีขนาดใหญ่น้ำมันดิบชุดข้อมูลไข้แดดที่ผ่านมาเพราะแบบจำลองทางสถิติอาจจะสามารถให้เป็นวิธีที่ตรงไปตรงมาของตัวละครไข้แดดสำหรับการวิเคราะห์ระบบพลังงานแสงอาทิตย์และการคำนวณผลกำไรที่คาดหวัง (Dobos et al., ปี 2012 และยูและ Tuzuner 2008) ขึ้นอยู่กับรูปแบบไข้แดดทางสถิติและปัจจัยที่มีอิทธิพลอื่น ๆ เช่นความต้องการพลังงานและการกำหนดราคาพลังงานตามตลาดประหยัดค่าใช้จ่ายที่คาดว่าจะ (ตั้งค่าสำหรับการจัดซื้ออุปกรณ์และค่าใช้จ่ายในการบำรุงรักษา) อาจได้รับการประเมินในช่วงอายุการใช้งานของระบบพลังงานแสงอาทิตย์ที่คาดการณ์ไว้และใช้เป็นพื้นฐาน เวลาคืนทุนและการคำนวณผลกำไร

ผลลัพธ์ (ไทย) 3:

1 . บทนำ
การประชุมส่วนสําคัญของสังคม ความต้องการพลังงานโดยใช้พลังงานทดแทน ได้กลายเป็นหัวข้อวิจัยสูงมากกว่าคู่สุดท้ายของทศวรรษที่ผ่านมาเนื่องจากการเพิ่มขึ้นของราคาน้ำมันที่เพิ่มขึ้นลดลงน้ำมันสำรอง ( ซอร์เริล et al . , 2010 ) และความไม่มั่นคงในการว่างอย่างต่อเนื่องของ ( กำไล , 2009 ) นอกจากนี้ความตระหนักด้านสิ่งแวดล้อมที่เพิ่มขึ้นที่มีผลกระทบเชิงลบในการใช้เชื้อเพลิงฟอสซิลเนื่องจากผลกระทบของสภาพแวดล้อมกลายเป็นได้รับการยอมรับมากขึ้น ( Hansen et al . , 2008 และ lyvovsky et al . , 2000 ) อย่างไรก็ตาม ในรายงานถึงบทบาทที่โดดเด่นมากขึ้นในการผลิตพลังงานโดยรวมของโลก มันเป็นสิ่งจำเป็นเพื่อชดเชยบางส่วนของข้อบกพร่องโดยธรรมชาติของพวกเขาตัวอย่างเช่น พลังงานแสงอาทิตย์สามารถใช้ได้เฉพาะในช่วงเวลาบางอย่างในระหว่างวัน และพลังงานที่มีอยู่เป็นอย่างมากขึ้นอยู่กับที่ตั้งทางภูมิศาสตร์ ( Li et al . , 2013 และยุน et al . , 2010 ) , ลายเมฆ ( adaramola 2012 และ El sebaii et al . , 2010 ) , การตั้งค่าภูมิประเทศ ( อารยา มูนอซ ร้อยเอ็ด al . , 2014 ) , พื้นผิวที่เอียง ( อารยา มูนอซ et al . , 2014 , อิส et al . , 2013 และ Mckenney et al . ,2008 ) , และเงื่อนไข microclimatic เช่น อุณหภูมิ ลม และความชื้นสัมพัทธ์ ( Li et al . , 2013 และโปโล et al . , 2011 ) ในเมื่อความจริงมันเป็นไปไม่ได้ที่จะถูกต้องทำนายท้องถิ่น microclimatic เงื่อนไขในช่วงเวลาทั้งหมดของการใช้ระบบพลังงานแสงอาทิตย์ ผลกระทบเหล่านี้อาจมีผลกระทบอย่างมีนัยสำคัญต่อความพร้อมของพลังงานแสงอาทิตย์ .

ดังนั้นความพยายามมากมายได้ทุ่มเทเพื่อทำให้ชัดเจน และการประเมินศักยภาพในการผลิตพลังงานแสงอาทิตย์ซึ่งรวมถึง ; ( ผม ) พลังงานแสงอาทิตย์ประมาณจากข้อมูลภาพถ่ายในขณะที่ยังคำนึงถึงพื้นที่แรเงาและการสะท้อนของผล ( ยุน et al . , 2010 ) ; ( 2 ) การประมาณค่ารังสีแสงอาทิตย์ที่ใช้ภาพถ่ายดาวเทียม ( adaramola 2012 และโปโลและ al . , 2011 )( 3 ) การใช้โครงข่ายประสาทเทียมสำหรับทั่วโลกทุกวัน รังสีจากระดับพื้นดินประมาณรังสีการวัด ( yacef et al . , 2010 ) , หรือข้อมูลภาพดาวเทียมอุตุนิยมวิทยา ( ลีนา โรดริเกซ et al . , 2013 ) วิธีปฏิบัติอื่น ๆที่จะทำนายรังสีทั่วโลกรวมแบบจำลองการถดถอยเชิงเส้น ( adaramola 2012 และ almorox et al . , 2013 ) ขึ้นอยู่กับชั่วโมงแสงแดดความขุ่น อุณหภูมิ ความชื้น และข้อมูลทางอุตุนิยมวิทยาท้องถิ่น เหล่านี้ยังถูกใช้เพื่อขอรับข้อมูลเพิ่มเติมกำลังสอง ( El sebaii et al . , 2010 ) , พหุนาม ( เทะ และ ยิลดิริม ปี 2014 ) และเอกซ์โพเนนเชียล ( วานนิค et al . , 2012 ) การถดถอย การใช้ข้อมูลดาวเทียมอุตุนิยมวิทยา โดยเฉพาะผู้ที่ได้รับจากแหล่งข้อมูลคลัง ,เช่นนาซ่าพื้นผิวอุตุนิยมวิทยาและฐานข้อมูลพลังงานแสงอาทิตย์ ( เว็บไซต์ SSE นาซา 2006 ) ควรใช้สำหรับการจำลองการฉายรังสีแสงอาทิตย์ของโลก ( adaramola 2012 Linares Rodriguez et al . , 2013 , โปโล et al . , 2011 และ yacef et al . , 2014 ) ในระบบพลังงานแสงอาทิตย์พลังงานเพิ่มประสิทธิภาพการออกแบบเวที บนมืออื่น ๆสถานที่เฉพาะ โมเดลลิ่ง ซึ่งมุ่งเน้นไปที่การตั้งค่าและการแรเงาภูมิประเทศท้องถิ่น / ดัชนีสะท้อนผล ( Li et al . , 2013 และยุน et al . , 2010 ) จะมีคุณค่ามากขึ้นในการสร้างระบบพลังงานแสงอาทิตย์และขั้นตอนการว่าจ้าง นอกจากนี้ ข้อมูลจากดาวเทียมอุตุนิยมวิทยา เก็บรวบรวม และจัดระบบในช่วงระยะเวลาที่ค่อนข้างนาน ( เช่น 10 ปีติดต่อกัน )ควรให้ข้อมูลเพิ่มเติมตัวแทนภาพแนวโน้มพลังงานแสงอาทิตย์ทั่วโลกและการเปลี่ยนแปลงตามฤดูกาล เมื่อเทียบกับข้อมูลท้องถิ่น สุดท้ายข้อมูลระยะยาวควรจะดีกว่าเพื่อมีความศรัทธามากกว่าภาพของระบบพลังงานแสงอาทิตย์มากกว่าที่คาดการณ์ไว้ ชีวิต ครอบคลุมองค์ประกอบหลักของระบบพลังงานแสงอาทิตย์ ได้แก่ แผงเซลล์แสงอาทิตย์และพลังงานตารางแปลงซึ่งโดยปกติจะประมาณประมาณ 20 ปี ในกรณีของอดีต ( จอร์แดนและ Kurtz , 2013 ) และ 10 ปีในกรณีของหลัง ( โรดริเกซ และ amaratunga 2551 และ stetz et al . , 2011 ) .

เนื่องจากพลังงานแสงอาทิตย์โดยตรงต่อระบบพลังงานแสงอาทิตย์สามารถครอบคลุมสำหรับ คาดความต้องการพลังงานมันหมายถึงการป้อนพารามิเตอร์หลักสำหรับระบบพลังงานแสงอาทิตย์ขนาด ปัญหาหลักคือการเปลี่ยนแปลงที่ไม่อาจคาดเดา พลังงานแสงอาทิตย์ มีผลโดยตรงต่อพลังงานแสงอาทิตย์ , ในขณะที่จริงระบบพลังงานแสงอาทิตย์เพื่อตอบสนองความต้องการพลังงานมีเป้าหมาย ( เช่น ตอบสนองการผลิตที่ระบุเป้าหมาย ) ผ่านการพิจารณาระยะเวลาพารามิเตอร์ดังกล่าวเล่นคีย์บทบาทในทางเทคนิคและการประหยัดพลังงานแสงอาทิตย์ในการออกแบบระบบซึ่งปัจจุบันวงเงินที่กว้างที่ใช้ในเชิงพาณิชย์ของระบบพลังงาน ( วัตต์และ outhred , 2000 ) เพื่อลดปัญหาความแปรปรวนพลังงานแสงอาทิตย์ , ส่วนประกอบของระบบพลังงานแสงอาทิตย์ต้องเลือกอย่างระมัดระวัง ,ดังนั้นอัตราส่วนที่โปรดปรานมากที่สุด ระหว่างการลงทุนเริ่มต้นและอัตราการคืนทุนภายหลังจะได้รับ ข้อมูล ระบบสุริยะ ขั้นตอนการคำนวณอัตราผลตอบแทนเป็นภาพประกอบจากบล็อกไดอะแกรม ( Flowchart ) ในรูปที่ 1 สถิติแบบตรงไปตรงมา insolation ควรนิยมใช้โดยทั่วไปขนาดใหญ่ดิบข้อมูลที่ผ่านมา insolation ชุดเนื่องจากแบบจำลองทางสถิติอาจจะให้ตรงไปตรงมาวิธีการ insolation คุณสมบัติสำหรับการวิเคราะห์และการคำนวณอัตราผลตอบแทนที่คาดหวังของระบบสุริยะ ( dobos et al . , 2012 และ ยู และ tuzuner , 2008 ) ตามสถิติ insolation รูปแบบและปัจจัยที่มีอิทธิพลต่อการตัดสินใจอื่น ๆเช่น ความต้องการพลังงานและราคาอิงตลาดพลังงาน ,คาดประหยัดต้นทุนการปรับต้นทุนการจัดซื้ออุปกรณ์และการบำรุงรักษา ) อาจถูกประเมินผ่านระบบพลังงานแสงอาทิตย์ไว้ตลอดชีวิต และใช้เป็นพื้นฐานสำหรับเวลาคืนทุนและการคำนวณผลกำไร