Uncertainty of satellite-derived DNI data in arid regions from the - PowerPoint PPT Presentation

Uncertainty of satellite-derived DNI data in arid regions from the global perspective Marcel Suri and Tomas Cebecauer GeoModel Solar, Slovakia geomodelsolar.eu SolarPACES Conference, 16-19 September 2014, Beijing, China [1] SolarPACES Conference, 16-19 September 2014, Beijing, China

About GeoModel Solar Development and operation of SolarGIS online system • Solar resource and meteo database • Data services for solar energy: • Planning • Monitoring • Forecasting Bankable expert services for CSP • Quality characterization of measured DNI • Site-adaptation and TMY • Solar resource assessment • Country studies http://solargis.info SolarPACES Conference, 16-19 September 2014, Beijing, China [2]

Topics 1. Ground measurements and satellite-based solar models 2. Measures of model uncertainty - bias 3. Site adaptation of satellite data 4. Uncertainty - conclusions SolarPACES Conference, 16-19 September 2014, Beijing, China [3]

Topics 1. Ground measurements and satellite-based solar models 2. Measures of model uncertainty - bias 3. Site adaptation of satellite data 4. Uncertainty - conclusions SolarPACES Conference, 16-19 September 2014, Beijing, China [4]

SolarGIS database Requirements for solar resource data • Data to be available at any location (continuous coverage) • Long climate record • High accuracy (validated) • High level of detailed (temporal, spatial) • Continuous: • Historical data • Data for monitoring, nowcasting • Data for forecasting • Correlation of satellite and ground data This is available with satellite-based data , supported by high-quality ground measurements SolarPACES Conference, 16-19 September 2014, Beijing, China [5]

How ¡to ¡acquire ¡solar ¡resource ¡data ¡ Satellite-­‑based ¡models ¡ • Extensive ¡geographical ¡coverage ¡and ¡con3nuity ¡ • Historical ¡availability ¡(12 ¡to ¡20+ ¡years ¡available) ¡ • Spa3al ¡and ¡temporal ¡stability ¡ ¡ Source: SolarGIS ¡ ¡ On-­‑site ¡measurements ¡ • Accuracy ¡ • Frequency ¡of ¡measurements ¡ ¡ Source: GeoSUN Africa SolarPACES Conference, 16-19 September 2014, Beijing, China [6]

On-­‑site ¡measurements ¡ Several companies offer a professional service: • Best available instruments and approaches • Site selection, meteo station configuration • Data logging • Cleaning, maintenance, calibration • Data quality control • Extreme climate needs special focus Source: GeoSUN Africa SolarPACES Conference, 16-19 September 2014, Beijing, China [7]

On-­‑site ¡(ground) ¡measurements ¡ ¡ ¡ ¡ Instruments ¡and ¡their ¡accuracy 1 ¡ ¡ RSR 2 ¡ Pyrheliometers ¡ SPN1 ¡ ¡ ¡ ¡ ¡ Secondary ¡standard ¡ First ¡class ¡ ¡ ¡ ¡ ¡ Direct ¡Normal ¡ ±0.5% ¡ ±1.0% ¡ ±3 ¡to ¡±4% ¡ ±5% ¡ Irradiance, ¡DNI ¡ RSR 2 ¡ Pyranometers ¡ SPN1 ¡ ¡ ¡ ¡ ¡ Secondary ¡standard ¡ First ¡class ¡ Second ¡class ¡ ¡ ¡ ¡ ¡ Global ¡Horizontal ¡ ±2% ¡ ±5% ¡ ±10% ¡ ±3.5% ¡ ±5% ¡ Irradiance, ¡GHI ¡ 1 ¡Daily ¡summaries, ¡at ¡95% ¡confidence ¡level ¡in ¡laboratory ¡condi3ons; ¡ ¡ ¡ ¡in ¡real ¡condi3ons ¡assuming ¡rigorous ¡opera3on ¡and ¡maintenance ¡prac3ces ¡ 2 ¡AOer ¡post ¡processing ¡ SolarPACES Conference, 16-19 September 2014, Beijing, China [8]

On-­‑site ¡(ground) ¡measurements ¡ ¡ ¡ ¡ Instruments ¡and ¡their ¡accuracy 1 ¡ ¡ RSR 2 ¡ Pyrheliometers ¡ SPN1 ¡ ¡ ¡ ¡ ¡ Secondary ¡standard ¡ First ¡class ¡ ¡ ¡ ¡ ¡ Direct ¡Normal ¡ ±0.5% ¡ ±1.0% ¡ ±3 ¡to ¡±4% ¡ ±5% ¡ Irradiance, ¡DNI ¡ RSR 2 ¡ Pyranometers ¡ SPN1 ¡ ¡ ¡ ¡ ¡ Secondary ¡standard ¡ First ¡class ¡ Second ¡class ¡ ¡ ¡ ¡ ¡ Global ¡Horizontal ¡ ±2% ¡ ±5% ¡ ±10% ¡ ±3.5% ¡ ±5% ¡ Irradiance, ¡GHI ¡ 1 ¡Daily ¡summaries, ¡at ¡95% ¡confidence ¡level ¡in ¡laboratory ¡condi3ons; ¡ ¡ ¡ ¡in ¡real ¡condi3ons ¡assuming ¡rigorous ¡opera3on ¡and ¡maintenance ¡prac3ces ¡ 2 ¡AOer ¡post ¡processing ¡ SolarPACES Conference, 16-19 September 2014, Beijing, China [9]

Satellite-­‑based ¡models ¡ Modern ¡models ¡are ¡based ¡on ¡sound ¡theoreFcal ¡grounds ¡ • Best ¡available ¡algorithms ¡(clear-­‑sky, ¡cloud, ¡components, ¡terrain, ¡transposi3on) ¡ • Geographically ¡and ¡temporally ¡consistent ¡ ¡ • Fast ¡and ¡computa3onally ¡stable ¡ ¡ Input ¡data: ¡satellite, ¡aerosols, ¡water ¡vapor, ¡... ¡ • Global ¡data ¡sets ¡ • "High" ¡resolu3on ¡(spa3al ¡and ¡temporal) ¡ • Systema3cally ¡updated ¡ • Quality ¡controlled ¡and ¡validated ¡ ¡ Support ¡data ¡and ¡algorithms ¡ ¡ Refresh ¡rate: ¡15 ¡and ¡30 ¡minutes ¡ Spa3al ¡resoluton ¡3 ¡to ¡6 ¡km ¡ SolarPACES Conference, 16-19 September 2014, Beijing, China [10]

Satellite-based solar models Semi-empirical approach: example SolarGIS SolarPACES Conference, 16-19 September 2014, Beijing, China [11]

Satellite data: calculation of cloud transmittance PRIME IODC GOES ¡East Pacific GOES ¡West 0° 57.5° -­‑75° 145° -­‑135° 2013 2012 2011 MTSAT ¡1,2 MSG ¡1,2,3 2010 2009 GOES ¡8,12,13,14 GOES ¡10, ¡11, ¡15 2008 2007 MFG ¡5,7 2006 2005 2004 2003 GOES ¡9 2002 2001 GMS ¡5 Source: NOAA 2000 MFG ¡4-­‑7 1999 1998 1997 1996 1995 1994 SolarPACES Conference, 16-19 September 2014, Beijing, China [12]

Attenuation of solar irradiance due to clouds • Satellite pixel integrates cloud signal from an area ~3 to 6 km • Ground instrument provides a pinpoint measurement SolarPACES Conference, 16-19 September 2014, Beijing, China [13]

Satellite model: adapted to different geographies Improvements in SolarGIS: • Snow/ice/fog conditions • Tropical clouds • High mountains • Deserts (reflecting surfaces, high clouds, dust) • Coastal zones Source: EUMETSAT SolarPACES Conference, 16-19 September 2014, Beijing, China [14]

Satellite-based solar models Semi-empirical approach: example SolarGIS SolarPACES Conference, 16-19 September 2014, Beijing, China [15]

Aerosols: key info on the state of the atmosphere Atmospheric aerosols change rapidly (Daily values: MACC-II model) Riyadh, Saudi Arabia (AERONET vs. MACC-II data) Source: AERONET, ECMWF SolarPACES Conference, 16-19 September 2014, Beijing, China [16]

Aerosols: uncertainty due to spatial resolution Malaga (Spain) MACC AOD pixel 1.125x1.125 deg. Site-adaptation for local climate Empirical altitude adaptation Complex geography: inter-pixel variability DNI bias +12% SolarPACES Conference, 16-19 September 2014, Beijing, China [17]

Average deviation: AERONET measurements – MACC model data • More than 365 days of data: 235 sites • Overall slight overestimation by MACC SolarPACES Conference, 16-19 September 2014, Beijing, China [18]

Why satellite data do not match perfectly the ground measurements? Ground ¡measured ¡data ¡may ¡deviate ¡from ¡satellite ¡DNI ¡because ¡of: ¡ • Size ¡of ¡the ¡satellite ¡pixel ¡and ¡sampling ¡rate ¡ • Resolu3on ¡and ¡limita3ons ¡of ¡the ¡input ¡amtospheric ¡data ¡ • Imperfec3ons ¡of ¡the ¡solar ¡models ¡ ¡ • Site ¡specific ¡microclimate ¡ • Issues ¡in ¡ground ¡measurements ¡ 3.5 km SolarPACES Conference, 16-19 September 2014, Beijing, China [19]

Topics 1. Ground measurements and satellite-based solar models 2. Measures of model uncertainty - bias 3. Site adaptation of satellite data 4. Uncertainty - conclusions SolarPACES Conference, 16-19 September 2014, Beijing, China [20]

Measures of solar model accuracy Bias Systematic model deviation Root Mean Square Deviation (RMSD) Spread of error of instantaneous values Mean Average Deviation (MAD) Kolmogorov-Smirnoff index (KSI) Representativeness of distribution of values .... SolarPACES Conference, 16-19 September 2014, Beijing, China [21]

Measures of solar model accuracy Bias Systematic model deviation Relates to the accuracy of longterm estimates Root Mean Square Deviation Spread of error of instantaneous values (RMSD) Mean Average Deviation (MAD) Kolmogorov-Smirnoff index (KSI) Representativeness of distribution of values .... SolarPACES Conference, 16-19 September 2014, Beijing, China [22]