The first step in the solar energy

The first step in the solar energy system design is the determination and collection of relevant input data. Energy availability, with anticipated energy consumption data, is the most important input parameter and the basis for the design of all system parts and the consequent system optimization process. However, the collected crude solar power data may not be directly applicable in the optimization process, because: (i) large input data sets would result in increased optimization problem complexity, and (ii) inherent data discontinuities, and skewing and distortion of the solar power data probability distribution may result in inaccurate solar power statistical characterization and related inaccuracy of solar system optimization results (Rahman et al., 1988). Therefore, an analytical model would be better suited for the assessment of the available solar energy within the solar system optimization strategy. The developed statistical model utilizing long-term observations (Rahman et al., 1988, Lun and Lam, 2000 and van Donk et al., 2005), characterized by reasonable generalization ability may be used for renewable system simulation studies (see e.g. Yu and Tuzuner, 2008), thus providing input for renewable energy system payback calculations. A normal distribution-based statistical model might be convenient because it could facilitate straightforward long-term data-based assessment of anticipated solar energy availability, especially when compared to the utilization of averaged solar power data (Sharp, 1982). However, normal probability distribution-like models are currently being used for characterization of temporal distribution of solar irradiation during daytime hours only (Ku et al., 1983 and Wan Nik et al., 2012). Specifically, in the case of normal distribution-based insolation model, standardized and relatively simple statistical tools can be used for data analysis (Jaynes, 2003). These results would then be aimed at determining the probable safety margins of the solar energy system based on the past (historical) data and their estimated statistical properties. As illustrated by Dobos et al. (2012), such an approach may offer a good insight into the future solar power plant output and associated financial gains.

To this end, this paper presents an exact statistical methodology for long-term insolation characterization for the purpose of assessment of solar energy availability, as a key prerequisite for the assessment and sizing of solar power system aimed at meeting the anticipated energy demand and achieving the target payback time. The methodology has been developed based on the results of a straightforward statistical analysis of 10-years worth insolation data for the Zagreb (Republic of Croatia) greater metropolitan area, obtained from the NASA’s Surface meteorology and Solar Energy database (NASA SSE Website, 2006), and utilizing the “STATISTICA” software package (StatSoft Inc., 2013). The preliminary analysis of the collected insolation data has indicated that May, June, July and August are the most significant months solar energy-wise, because they relate to over 50% of annual solar energy potential. However, for the sake of completeness, the proposed methodology has been applied to all monthly data sets. The methodology starts with crude insolation data set, which is then transformed into a modified data set characterized by normal probability distribution (i.e. “normalized” data set) via appropriate transformations. The hypothesis of normal probability distribution of the transformed data set is tested by means of descriptive statistics and identification of skewness and kurtosis (Duncan, 1997 and Oja, 1981), followed by comprehensive analytical tests such as Shapiro–Wilk (SW) (Shapiro and Wilk, 1965), Kolmogorov–Smirnov (KS) (Conover, 1999 and Massey, 1951), Lilliefors (Lilliefors, 1967) and Chi-square (Moore, 1986), and final comparative analysis of probability levels of the original and transformed data sets. As a result, a simple statistical model has been proposed, which would be suitable for statistical characterization of insolation and related solar power availability assessment aimed at solar system profitability and payback time calculation. Along with the results of proposed data set normalization methodology for insolation statistical characterization, the comparative results of Weibull probability distribution for insolation characterization have also been given for the case of original (raw) data set.

The paper is organized as follows. Section 2 outlines the statistical analysis of original solar irradiation (insolation) data utilizing normal (Gaussian) and Weibull probability distribution fitting, and including descriptive statistics, skewness and kurtosis, and quantitative tests of data set normal distribution such as Shapiro–Wilk, Kolmogorov–Smirnov, Lilliefors and Chi-square. The normalization of insolation data via data set transformations is presented in Section 3, along with the results of aforementioned statistical tests. Concluding remarks are given in Section 4.

2. Statistical data analysis
The original insolation data collected over a 10-year period has been analyzed in this section by means of descriptive statistics, including skewness and kurtosis, and by means of stringent data set normality tests such as Kolmogorov–Smirnov, Shapiro–Wilk, Lilliefors and Chi-square.

2.1. Sample data

The data sample considered in this work is the average daily insolation on a horizontal plane [kW h/(m2 day)] for the Zagreb greater metropolitan area from 1994 to 2003 (a 10-year period), obtained from the NASA’s HOMER meteorological satellite database. The actual data and the methodology by which the averaged daily data have been obtained can be found at NASA’s Surface meteorology and Solar Energy website (NASA SSE Website, 2006). The particular data set has revealed that the bulk of daily insolation (approximately 50% of solar energy potential) is associated with May through August data sets, as illustrated in Fig. 2. The crude daily data for all months, recorded over the considered 10-year period, are shown in Fig. 3.

ผลลัพธ์ (ไทย) 1:

ขั้นตอนแรกในการออกแบบระบบพลังงานแสงอาทิตย์เป็นกำหนดและเก็บรวบรวมข้อมูลที่เกี่ยวข้องเข้า ห้องว่างพลังงาน พลังงานคาดว่าปริมาณการใช้ข้อมูล เป็นพารามิเตอร์ป้อนเข้าสำคัญและข้อมูลพื้นฐานสำหรับการออกแบบของระบบทั้งหมดและการเพิ่มประสิทธิภาพระบบตามมา อย่างไรก็ตาม ข้อมูลรวบรวมพลังงานแสงอาทิตย์น้ำมันอาจไม่เกี่ยวข้องโดยตรงในการเพิ่มประสิทธิภาพ เนื่องจาก: ชุดข้อมูลที่ป้อนเข้า (i) ขนาดใหญ่จะส่งผลให้เพิ่มประสิทธิภาพเพิ่มปัญหาความซับซ้อน และ discontinuities ข้อมูล (ii) โดยธรรมชาติ และรูปและความผิดเพี้ยนของการแจกแจงความน่าเป็นข้อมูลพลังงานแสงอาทิตย์อาจทำให้คุณลักษณะทางสถิติพลังงานแสงอาทิตย์ที่ไม่ถูกต้องและ inaccuracy ที่เกี่ยวข้องของระบบพลังงานแสงอาทิตย์เพิ่มประสิทธิภาพผลลัพธ์ (Rahman et al , 1988) ดังนั้น แบบจำลองวิเคราะห์จะดีกว่าเหมาะสำหรับวัดพลังงานแสงอาทิตย์ใช้ในกลยุทธ์การเพิ่มประสิทธิภาพของระบบพลังงานแสงอาทิตย์ สามารถใช้พัฒนาสถิติแบบระยะยาวสังเกต (Rahman et al., 1988, Lun และ ลำ 2000 และแวน Donk et al., 2005), ลักษณะ generalization เหมาะสมสามารถใช้ทดแทนระบบจำลองการศึกษา (ดูเช่นยูและ Tuzuner, 2008), ดังนั้น ให้ป้อนข้อมูลสำหรับระบบพลังงานทดแทนคืนทุนที่คำนวณ การแจกแจงปกติโดยใช้สถิติแบบอาจสะดวกเนื่องจากจะสามารถอำนวยความสะดวกตรงระยะยาวตามข้อมูลการประเมินของพลังงานแสงอาทิตย์คาดว่าจะพร้อมใช้งาน โดยเฉพาะอย่างยิ่งเมื่อเทียบกับการใช้ประโยชน์ของพลังงานแสงอาทิตย์เฉลี่ยข้อมูล (ชาร์ป 1982) อย่างไรก็ตาม รูปแบบการแจกแจงความน่าเป็นเหมือนปกติในปัจจุบันใช้สำหรับคุณสมบัติของขมับกระจายวิธีการฉายรังสีแสงอาทิตย์ในช่วงเวลากลางวันเท่านั้น (Ku และ al., 1983 และ al. et คโฮวาน 2012) โดยเฉพาะ กรณี insolation แจกตามแบบ เครื่องมือทางสถิติที่ค่อนข้างง่าย และเป็นมาตรฐานสามารถใช้สำหรับการวิเคราะห์ข้อมูล (Jaynes, 2003) ผลลัพธ์เหล่านี้จะมุ่งประเด็นที่การกำหนดค่าเผื่อความปลอดภัยที่น่าเป็นของระบบพลังงานแสงอาทิตย์ตามข้อมูลอดีต (ประวัติศาสตร์) และคุณสมบัติทางสถิติประเมินแล้ว ดังที่โดย Dobos et al. (2012), วิธีการดังกล่าวอาจมีความเข้าใจดีในโรงไฟฟ้าพลังงานแสงอาทิตย์ในอนาคตผลผลิตและกำไรทางการเงินที่เกี่ยวข้องเพื่อการนี้ กระดาษนี้นำเสนอระเบียบวิธีสถิติแน่นอนสำหรับจำแนก insolation ระยะยาวเพื่อประเมินพลังงานแสงอาทิตย์พร้อม คีย์ข้อกำหนดเบื้องต้นสำหรับการประเมินและการปรับขนาดของระบบพลังงานแสงอาทิตย์ประชุมความต้องการพลังงานที่คาดไว้ และบรรลุเป้าหมายคืนทุนเวลา วิธีได้รับการพัฒนาตามผลการวิเคราะห์ทางสถิติตรง 10 ปีมูลค่าข้อมูล insolation ซาเกร็บ (สาธารณรัฐโครเอเชีย) มากกว่าห้อง ได้รับจากอุตุนิยมวิทยาผิวของ NASA และฐานข้อมูลพลังงานแสงอาทิตย์ (NASA SSE เว็บไซต์ 2006), และใช้แพคเกจซอฟต์แวร์ "STATISTICA" (StatSoft Inc., 2013) Insolation รวบรวมข้อมูลการวิเคราะห์เบื้องต้นได้ระบุที่พฤษภาคม มิถุนายน กรกฎาคม และสิงหาคมเป็นเดือนที่สำคัญแสง energy-wise เนื่องจากเกี่ยวข้องมากกว่า 50% ของพลังงานแสงอาทิตย์ปีอาจเกิดขึ้น อย่างไรก็ตาม เพื่อความสมบูรณ์ วิธีการนำเสนอได้ถูกใช้ค่ารายเดือนทั้งหมด วิธีเริ่มต้นกับ insolation ดิบชุดข้อมูล ซึ่งมีแปลงเป็นชุดข้อมูลปรับเปลี่ยนโดยปกติความน่าเป็นการแจกจ่าย (เช่น "มาตรฐาน" กำหนด) ผ่านแปลงที่เหมาะสมแล้ว มีทดสอบสมมติฐานของการแจกแจงความน่าเป็นปกติของชุดข้อมูลที่แปรรูปโดยใช้สถิติพรรณนาและรหัสของความเบ้และเคอร์โทซิ (ดันแคน 1997 และ Oja, 1981), ตาม ด้วยการทดสอบวิเคราะห์ครอบคลุมเช่น Shapiro – Wilk (SW) (Shapiro และ Wilk, 1965), น่าเป็น – Smirnov (KS) (โฮปมิลส์ 1999 และ Massey, 1951), Lilliefors (Lilliefors, 1967) และ Chi-square (มัวร์ 1986), และสุดท้ายการวิเคราะห์เปรียบเทียบระดับความน่าเป็นชุดข้อมูลเดิม และแปรรูป ดัง แบบจำลองทางสถิติอย่างง่ายได้รับการเสนอชื่อ ซึ่งจะเหมาะสำหรับจำแนกสถิติ insolation และพลังงานแสงอาทิตย์ที่เกี่ยวข้องพร้อมประเมินมุ่งระบบผลกำไรและคืนทุนคำนวณเวลา พร้อมกับผลลัพธ์ของชุดข้อมูลที่นำเสนอวิธีการฟื้นฟูสำหรับจำแนกสถิติ insolation ผลเปรียบเทียบการกระจายความน่าเป็นแบบเวย์บูล insolation จำแนกได้ยังรับในกรณีของชุดข้อมูล (ดิบ)กระดาษมีการจัดระเบียบดังนี้ ส่วนที่ 2 สรุปการวิเคราะห์ทางสถิติของข้อมูลแสงวิธีการฉายรังสี (insolation) เดิมที่ใช้ปกติ (Gaussian) และการกระจายความน่าเป็นแบบเวย์บูลเหมาะสม และสถิติพรรณนา ความเบ้ และเคอร์โทซิ และทดสอบเชิงปริมาณของการแจกแจงปกติของชุดข้อมูลเช่น Shapiro – Wilk ฟ – Smirnov, Lilliefors และ Chi-square ฟื้นฟูข้อมูล insolation ผ่านการแปลงชุดข้อมูลจะแสดง 3 ส่วน พร้อมกับผลลัพธ์ของสถิติทดสอบดังกล่าว หมายเหตุสรุปได้ใน 4 ส่วน2. สถิติข้อมูลวิเคราะห์Insolation เดิมที่ข้อมูลที่รวบรวมระยะเวลา 10 ปีได้รับการวิเคราะห์ในส่วนนี้โดย ใช้ สถิติพรรณนา ความเบ้และเคอร์โทซิ และ จากชุดข้อมูลเข้มข้น normality ทดสอบน่าเป็น – Smirnov, Shapiro – Wilk, Lilliefors และ Chi-square2.1. ตัวอย่างข้อมูลตัวอย่างข้อมูลที่พิจารณาในการทำงานนี้เป็นการเฉลี่ยรายวัน insolation เครื่องแนวนอน [kW h /(m2 day)] ในซาเกร็บมากกว่าห้องจากปี 1994 2003 (10 ปีระยะเวลา), ได้จากฐานข้อมูลของ NASA โฮเมอร์ดาวเทียมอุตุนิยมวิทยา สามารถพบข้อมูลที่แท้จริงและวิธีที่ได้รับซึ่งรับข้อมูลทุกวันเฉลี่ยที่อุตุนิยมวิทยาผิวของ NASA และเว็บไซต์พลังงานแสงอาทิตย์ (NASA SSE เว็บไซต์ 2006) ตั้งค่าข้อมูลเฉพาะได้เปิดเผยจำนวนมาก insolation ทุกวัน (ประมาณ 50% ของศักยภาพพลังงานแสงอาทิตย์เกี่ยวข้องกับพฤษภาคมผ่านชุดข้อมูลสิงหาคม ดังที่แสดงใน Fig. 2 น้ำมันทุกวันทุกเดือน บันทึกข้อมูลระยะเวลา 10 ปีพิจารณา แสดงใน Fig. 3

ผลลัพธ์ (ไทย) 2:

ขั้นตอนแรกในการออกแบบระบบพลังงานแสงอาทิตย์เป็นความมุ่งมั่นและการเก็บรวบรวมข้อมูลการป้อนข้อมูลที่เกี่ยวข้อง ความพร้อมใช้งานพลังงานที่มีข้อมูลการใช้พลังงานที่คาดว่าจะเป็นพารามิเตอร์ที่สำคัญที่สุดและเป็นพื้นฐานสำหรับการออกแบบชิ้นส่วนระบบและกระบวนการการเพิ่มประสิทธิภาพของระบบที่เกิดขึ้นที่ อย่างไรก็ตามการเก็บรวบรวมข้อมูลพลังงานแสงอาทิตย์น้ำมันดิบอาจจะไม่ตรงที่ใช้บังคับในการเพิ่มประสิทธิภาพเนื่องจาก (i) ชุดป้อนข้อมูลขนาดใหญ่ที่จะส่งผลให้ในความซับซ้อนปัญหาการเพิ่มประสิทธิภาพที่เพิ่มขึ้นและ (ii) ต่อเนื่องข้อมูลโดยธรรมชาติและบิดเบือนและการบิดเบือนของแสงอาทิตย์ การกระจายอำนาจน่าจะเป็นข้อมูลที่อาจส่งผลให้ไฟฟ้าพลังงานแสงอาทิตย์ที่ไม่ถูกต้องลักษณะทางสถิติและความไม่ถูกต้องที่เกี่ยวข้องกับผลการเพิ่มประสิทธิภาพของระบบพลังงานแสงอาทิตย์ (เราะห์มาน et al., 1988) ดังนั้นรูปแบบการวิเคราะห์จะดีเหมาะสำหรับการประเมินผลของพลังงานแสงอาทิตย์ที่มีอยู่ภายในกลยุทธ์การเพิ่มประสิทธิภาพของระบบพลังงานแสงอาทิตย์ ที่พัฒนาแบบจำลองทางสถิติใช้การสังเกตในระยะยาว (เราะห์มาน et al., 1988, ลุนและลำ 2000 และรถตู้ Donk et al., 2005) โดดเด่นด้วยความสามารถทั่วไปที่เหมาะสมอาจจะใช้สำหรับการศึกษาแบบจำลองระบบพลังงานทดแทน (ดูเช่นยูและ Tuzuner 2008) จึงให้การป้อนข้อมูลสำหรับระบบพลังงานทดแทนการคำนวณการคืนทุน กระจายตามปกติแบบจำลองทางสถิติอาจจะสะดวกเพราะมันจะอำนวยความสะดวกในการประเมินข้อมูลที่ใช้ในระยะยาวตรงไปตรงมาพร้อมพลังงานแสงอาทิตย์ที่คาดการณ์ไว้โดยเฉพาะอย่างยิ่งเมื่อเทียบกับการใช้ประโยชน์จากข้อมูลที่มีค่าเฉลี่ยพลังงานแสงอาทิตย์ (คม 1982) แต่น่าจะเป็นรูปแบบการกระจายเหมือนปกติกำลังถูกใช้สำหรับลักษณะของการกระจายชั่วคราวของการฉายรังสีแสงอาทิตย์ในช่วงเวลากลางวันเท่านั้น (Ku et al., 1983 และ Wan Nik et al., 2012) โดยเฉพาะในกรณีของรูปแบบการกระจายไข้แดดตามปกติเครื่องมือทางสถิติที่ได้มาตรฐานและค่อนข้างง่ายสามารถนำมาใช้ในการวิเคราะห์ข้อมูล (เจย์นส์, 2003) ผลลัพธ์เหล่านี้ก็จะมุ่งเป้าไปที่การกำหนดอัตรากำไรขั้นต้นน่าจะเป็นความปลอดภัยของระบบพลังงานแสงอาทิตย์ขึ้นอยู่กับอดีตที่ผ่านมา (ประวัติศาสตร์) ข้อมูลและคุณสมบัติทางสถิติของพวกเขาโดยประมาณ ที่แสดงโดย Dobos et al, (2012) เช่นวิธีการอาจมีความเข้าใจที่ดีไปสู่พลังงานแสงอาทิตย์ในอนาคตการส่งออกพืชและผลประโยชน์ทางการเงินที่เกี่ยวข้อง. ด้วยเหตุนี้กระดาษนี้ได้นำเสนอวิธีการทางสถิติที่แน่นอนสำหรับลักษณะไข้แดดระยะยาวสำหรับวัตถุประสงค์ของการประเมินความพร้อมของพลังงานแสงอาทิตย์ เป็นสิ่งที่จำเป็นที่สำคัญสำหรับการประเมินและการปรับขนาดของระบบไฟฟ้าพลังงานแสงอาทิตย์มุ่งเป้าไปที่การประชุมความต้องการพลังงานที่คาดว่าจะประสบความสำเร็จและเวลาคืนทุนเป้าหมาย วิธีการได้รับการพัฒนาบนพื้นฐานของผลของการวิเคราะห์ทางสถิติตรงไปตรงมาของปี 10 มูลค่าข้อมูลไข้แดดสำหรับซาเกร็บ (สาธารณรัฐโครเอเชีย) เขตเมืองมากขึ้นที่ได้รับจากอุตุนิยมวิทยาพื้นผิวของนาซ่าและฐานข้อมูลพลังงานแสงอาทิตย์ (NASA SSE เว็บไซต์ 2006) และใช้ "STATISTICA" แพคเกจซอฟต์แวร์ (StatSoft อิงค์ 2013) การวิเคราะห์เบื้องต้นของข้อมูลที่เก็บรวบรวมไข้แดดได้ระบุว่าเดือนพฤษภาคมมิถุนายนกรกฎาคมและสิงหาคมเป็นเดือนที่สำคัญที่สุดแสงอาทิตย์พลังงานที่ชาญฉลาดเพราะพวกเขาเกี่ยวข้องกับการมากกว่า 50% ของที่มีศักยภาพพลังงานแสงอาทิตย์ประจำปี แต่เพื่อประโยชน์ของความสมบูรณ์วิธีการที่นำเสนอได้รับนำไปใช้กับชุดข้อมูลรายเดือนทั้งหมด วิธีการเริ่มต้นด้วยข้อมูลชุดไข้แดดน้ำมันดิบซึ่งจะเปลี่ยนแล้วเป็นข้อมูลการปรับเปลี่ยนชุดโดดเด่นด้วยการกระจายความน่าจะปกติ (คือ "ปกติ" ข้อมูลชุด) ผ่านการเปลี่ยนแปลงตามความเหมาะสม สมมติฐานของการกระจายความน่าจะเป็นปกติของข้อมูลชุดเปลี่ยนมีการทดสอบโดยวิธีการของสถิติเชิงพรรณนาและบัตรประจำตัวของเบ้และความโด่ง (ดันแคน, ปี 1997 และ Oja, 1981) ตามด้วยการทดสอบการวิเคราะห์ที่ครอบคลุมเช่นชาปิโร-Wilk (SW) (ชาปิโรส์และ Wilk, 1965) Kolmogorov-Smirnov (KS) (คอนโอเวอร์ปี 1999 และ Massey, 1951) Lilliefors (Lilliefors, 1967) และ Chi-square (มัวร์, 1986) และการวิเคราะห์เปรียบเทียบสุดท้ายของระดับความน่าจะเป็นข้อมูลเดิมและเปลี่ยน ชุด เป็นผลให้แบบจำลองทางสถิติที่เรียบง่ายได้รับการเสนอซึ่งจะเหมาะสำหรับลักษณะทางสถิติของไข้แดดและการประเมินพลังงานแสงอาทิตย์ที่เกี่ยวข้องกับความพร้อมในการทำกำไรที่มุ่งระบบสุริยะและการคำนวณเวลาการคืนทุน พร้อมกับผลของข้อมูลที่นำเสนอวิธีการที่กำหนดไว้สำหรับการฟื้นฟูลักษณะทางสถิติไข้แดดผลการเปรียบเทียบการกระจายความน่าจะเป็น Weibull สำหรับลักษณะไข้แดดยังได้รับการได้รับสำหรับกรณีของเดิม (ดิบ) ข้อมูลชุด. กระดาษที่ถูกจัดขึ้นดังต่อไปนี้ ส่วนที่ 2 แสดงการวิเคราะห์ทางสถิติของการฉายรังสีแสงอาทิตย์เดิม (ไข้แดด) ข้อมูลการใช้ปกติ (เสียน) และความน่าจะ Weibull ที่เหมาะสมการจัดจำหน่ายและรวมถึงสถิติเชิงพรรณนาเบ้และความโด่งและการทดสอบเชิงปริมาณของข้อมูลที่ตั้งกระจายปกติเช่นชาปิโร-Wilk, Kolmogorov- นอฟ, Lilliefors และ Chi-square การฟื้นฟูของข้อมูลไข้แดดผ่านการแปลงข้อมูลชุดจะนำเสนอในส่วนที่ 3 พร้อมกับผลของการทดสอบทางสถิติดังกล่าวข้างต้น หมายเหตุสรุปจะได้รับในมาตรา 4 2 การวิเคราะห์ข้อมูลทางสถิติข้อมูลไข้แดดเดิมที่เก็บรวบรวมได้ในช่วงระยะเวลา 10 ปีได้รับการวิเคราะห์ในส่วนนี้โดยวิธีการของสถิติเชิงพรรณนารวมทั้งเบ้และความโด่งและโดยวิธีการของข้อมูลที่เข้มงวดตั้งการทดสอบภาวะปกติเช่น Kolmogorov-Smirnov ชาปิโร-Wilk, Lilliefors และ Chi-square. 2.1 ข้อมูลตัวอย่างตัวอย่างข้อมูลการพิจารณาในการทำงานนี้เป็นไข้แดดเฉลี่ยต่อวันในระนาบแนวนอน [กิโลวัตต์ชั่วโมง / (m2 วัน)] สำหรับซาเกร็บเขตเมืองมากขึ้น 1994-2003 (เป็นระยะเวลา 10 ปี) ที่ได้รับจากโฮเมอร์ของนาซ่า ฐานข้อมูลดาวเทียมอุตุนิยมวิทยา ข้อมูลที่เกิดขึ้นจริงและวิธีการที่ข้อมูลเฉลี่ยในชีวิตประจำวันได้รับสามารถพบได้ที่พื้นผิวอุตุนิยมวิทยาของนาซ่าและเว็บไซต์พลังงานแสงอาทิตย์ (NASA SSE เว็บไซต์ 2006) ชุดข้อมูลโดยเฉพาะอย่างยิ่งได้เปิดเผยว่าเป็นกลุ่มของไข้แดดในชีวิตประจำวัน (ประมาณ 50% ของที่มีศักยภาพพลังงานแสงอาทิตย์) มีความเกี่ยวข้องกับเดือนพฤษภาคมถึงสิงหาคมชุดข้อมูลดังแสดงในรูปที่ 2. ข้อมูลดิบทุกวันทุกเดือน, บันทึกไว้ในช่วงการพิจารณาระยะเวลา 10 ปีจึงจะแสดงในรูป 3

ผลลัพธ์ (ไทย) 3:

ขั้นตอนแรกในการออกแบบระบบพลังงานแสงอาทิตย์คือการหาและรวบรวมข้อมูลที่เกี่ยวข้อง พลังงาน , คาดข้อมูลการบริโภคพลังงานเป็นสิ่งสำคัญที่สุด และใส่พารามิเตอร์พื้นฐานสำหรับการออกแบบชิ้นส่วนระบบทั้งหมดและระบบจากกระบวนการปรับให้เหมาะสม อย่างไรก็ตามเก็บดิบพลังงานแสงอาทิตย์ข้อมูลที่อาจไม่สามารถใช้โดยตรงในกระบวนการปรับให้เหมาะสม เพราะ ( ฉัน ) ชุดข้อมูลขนาดใหญ่ จะส่งผลในการเพิ่มประสิทธิภาพที่เพิ่มขึ้น ปัญหาที่ซับซ้อน และ ( ii ) ต่อเนื่องข้อมูลซ่อนเร้นและการบิดเบือนและการบิดเบือนของข้อมูลพลังงานแสงอาทิตย์การแจกแจงความน่าจะเป็นที่อาจส่งผลให้สถิติการพลังงานแสงอาทิตย์และที่เกี่ยวข้องกับความไม่ถูกต้องของผลลัพธ์การเพิ่มประสิทธิภาพระบบพลังงานแสงอาทิตย์ ( Rahman et al . , 1988 ) ดังนั้นแบบจำลองการวิเคราะห์ที่น่าจะเหมาะกับการประเมินของพลังงานแสงอาทิตย์ใช้ได้ภายในระบบสุริยะกลยุทธ์การเพิ่มประสิทธิภาพ .การพัฒนารูปแบบการใช้สถิติการสังเกตระยะยาว ( Rahman et al . , 1988 และลุ้น ในปี 2000 และรถตู้ donk et al . , 2005 ) , ลักษณะโดยทั่วไปอาจจะใช้ความสามารถที่เหมาะสมสำหรับการศึกษาการจำลองระบบพลังงานหมุนเวียน ( เช่น ยู และ tuzuner 2008 ) จึงให้นำเข้าเพื่อทดแทนระบบพลังงานคืนเครื่องคิดเลขการแจกแจงแบบปกติตามสถิติรูปแบบอาจจะสะดวกเพราะสามารถให้ข้อมูลตรงไปตรงมา ระยะยาวตามการประเมินคาดการณ์พลังงานแสงอาทิตย์ โดยเฉพาะเมื่อเทียบกับการใช้ประโยชน์จากข้อมูลพลังงานแสงอาทิตย์ ( คม 2525 ) อย่างไรก็ตามการแจกแจงความน่าจะเป็นแบบปกติเหมือนกำลังถูกใช้สำหรับการกระจายสินค้าชั่วคราวของพลังงานแสงอาทิตย์ในช่วงกลางวันชั่วโมงเท่านั้น ( KU et al . , 1983 และวานนิค et al . , 2012 ) โดยเฉพาะในกรณีของการแจกแจงปกติตามแบบ insolation มาตรฐาน และการใช้เครื่องมือทางสถิติที่ค่อนข้างง่ายที่สามารถใช้ในการวิเคราะห์ข้อมูล ( เจนส์ , 2003 )ผลลัพธ์เหล่านี้จะมุ่งเป้าไปที่การกำหนดน่าจะเป็นขอบความปลอดภัยของระบบพลังงานแสงอาทิตย์จากอดีต ( ประวัติศาสตร์ ) ข้อมูลทางสถิติและประเมินคุณสมบัติ ที่แสดงโดย dobos et al . ( 2012 ) วิธีการดังกล่าวมีความเข้าใจดีในผลผลิตพืชพลังงานแสงอาทิตย์ในอนาคตและผลประโยชน์ทางการเงินที่เกี่ยวข้อง .

จบนี้บทความนี้นำเสนอวิธีการทางสถิติที่แน่นอนสำหรับการ insolation ระยะยาวสำหรับวัตถุประสงค์ของการประเมินพลังงานแสงอาทิตย์เป็นหลักเบื้องต้นสำหรับการประเมินและการปรับขนาดของระบบพลังงานแสงอาทิตย์เพื่อประชุมคาดความต้องการพลังงานและการบรรลุเป้าหมายคืนทุนในเวลาวิธีการได้รับการพัฒนาบนพื้นฐานของผลลัพธ์ของการวิเคราะห์ทางสถิติของข้อมูล insolation ตรงไปตรงมา 10 ปีมูลค่าใน ซาเกร็บ ( โครเอเชีย ) พบในเขตกรุงเทพมหานคร ซึ่งได้จากของนาซาอุตุนิยมวิทยาพื้นผิวและฐานข้อมูลพลังงานแสงอาทิตย์ ( เว็บไซต์ SSE นาซา 2549 ) และใช้ " statistica " แพคเกจซอฟต์แวร์ ( StatSoft 2013 ) )การวิเคราะห์เบื้องต้นของการเก็บข้อมูล ได้ระบุว่า insolation อาจ , มิถุนายน , กรกฎาคมและสิงหาคมเป็นเดือนที่สำคัญที่สุดของพลังงานแสงอาทิตย์ที่ฉลาดเพราะพวกเขาเกี่ยวข้องกับมากกว่า 50 % ของศักยภาพพลังงานแสงอาทิตย์ประจำปี อย่างไรก็ตาม เพื่อความสมบูรณ์ การเสนอวิธีการได้รับนำไปใช้กับข้อมูลชุด วิธีการเริ่มต้นด้วยดิบ insolation ชุดข้อมูลซึ่งจะเปลี่ยนไปเป็นชุดข้อมูลแก้ไขลักษณะการแจกแจงความน่าจะเป็นแบบปกติ ( เช่น " ปกติ " ชุดข้อมูล ) ผ่านการเปลี่ยนแปลงที่เหมาะสม สมมติฐานของการแจกแจงความน่าจะเป็นแบบปกติของแปลงชุดข้อมูลทดสอบโดยใช้สถิติเชิงพรรณนาและการวิเคราะห์ความเบ้และความโด่ง ( ดันแคน , 1997 และ oja , 1981 )ตามด้วยการทดสอบเชิงวิเคราะห์ที่ครอบคลุมเช่น Shapiro ) ตัวแทน ( SW ) ( Shapiro และตัวแทน , 1965 ) , แอนเดอร์สัน - ดาร์ลิง ( KS ) ( Conover , 2542 และ Massey , 1951 ) , lilliefors ( lilliefors 1967 ) และไคสแควร์ ( มัวร์ , 1986 ) และการวิเคราะห์เปรียบเทียบสุดท้ายของระดับความน่าจะเป็นของเดิมและเปลี่ยน ชุดข้อมูล เป็นผลให้แบบจำลองทางสถิติอย่างง่ายได้รับการเสนอซึ่งจะเหมาะสำหรับลักษณะทางสถิติของ insolation และที่เกี่ยวข้องกับพลังงานแสงอาทิตย์มีการประเมินที่มุ่งกำไร ระบบพลังงานแสงอาทิตย์และการคำนวณเวลาคืนทุน พร้อมกับผลของการเสนอข้อมูลทางสถิติ insolation บรรทัดฐานการ ,การเปรียบเทียบแบบการแจกแจงความน่าจะเป็นสำหรับการ insolation ยังได้รับในกรณีของเดิม ( ดิบ ) ชุดข้อมูล .

กระดาษจัดดังนี้ ส่วนที่ 2 สรุปการวิเคราะห์ทางสถิติของการฉายรังสีแสงอาทิตย์ต้นฉบับ ( insolation ) ข้อมูลที่ใช้ปกติ ( Gaussian ) และแบบการแจกแจงความน่าจะเป็นที่เหมาะสม และรวมถึงสถิติเชิงพรรณนาความเบ้และความโด่งและการทดสอบเชิงปริมาณของข้อมูลการแจกแจงแบบปกติเช่น Shapiro –ตัวแทนแอนเดอร์สัน ) , ดาร์ลิง lilliefors และไคสแควร์ การฟื้นฟูข้อมูล insolation ผ่านการแปลงชุดข้อมูลนำเสนอในส่วนที่ 3 พร้อมกับผลลัพธ์ของการทดสอบทางสถิติดังกล่าว สรุปข้อสังเกตที่ได้รับในส่วนที่ 4 .

2
การวิเคราะห์ข้อมูลทางสถิติต้นฉบับ insolation ข้อมูลในช่วงระยะเวลา 10 ปี ได้ทำการวิเคราะห์ในส่วนนี้ด้วยวิธีการสถิติเชิงพรรณนา ได้แก่ ความเบ้และความโด่ง และด้วยวิธีการที่เข้มงวดชุดข้อมูลทดสอบ เช่น แอนเดอร์สัน - ดาร์ลิง ปกติ , และตัวแทน lilliefors Shapiro , และไคสแควร์

2.1 . ข้อมูลตัวอย่าง

ข้อมูลตัวอย่างการพิจารณาในงานนี้คือ insolation รายวันเฉลี่ยในระนาบแนวนอน [ kW ( m2 H / วัน ) ] สำหรับซาเกร็บ เขตที่สูงจาก 2537 ถึง 2545 ( 10 ปี ) จากข้อมูลดาวเทียมอุตุนิยมวิทยาของนาซา โฮเมอร์ ฐานข้อมูลข้อมูลที่แท้จริง และวิธีการ ซึ่งจากข้อมูลรายวันได้รับสามารถพบได้ที่พื้นผิวของอุตุนิยมวิทยาและเว็บไซต์พลังงานแสงอาทิตย์ ( เว็บไซต์ SSE นาซา 2549 ) ข้อมูลการตั้งค่าเฉพาะ ได้เปิดเผยว่า เป็นกลุ่มของ insolation ทุกวัน ( ประมาณ 50% ของศักยภาพพลังงานแสงอาทิตย์ ) เกี่ยวข้องกับพฤษภาคมถึงสิงหาคมข้อมูล ตามที่แสดงในรูปที่ 2ข้อมูลดิบทุกวัน ทุกเดือน บันทึกผ่านการพิจารณาปีระยะเวลาที่แสดงในรูปที่ 3