Aurinkopaneelien tuotannon arvioiminen irradianssimittauksilla

Abstract

Kandidaatintyö käsittelee aurinkopaneelien sähköntuotannon arviointia irradianssimittauksiin perustuen. Työn tavoitteena on muodostaa mallinnus Sallila Energia Oy:n aurinkovoimalan tehokäyrästä varttisarjassa ja verrata sitä sähkönmittauksessa saatuihin tietoihin.

Työn aineistona käytettiin aurinkovoimalan tuotantotietoja sekä Ilmatieteen laitoksen julkisia säteily- ja säämittauksia. Python ohjelmointikieltä hyödynnettiin säteily- ja säätietojen noutamiseen sekä käsittelemiseen. Mallinnuksessa hyödynnettiin vektorilaskentaa, jossa otettiin huomioon paneelien asennuskulmat ja säteilyn vaikutukset. Mallinnetun tehokäyrän tarkkuutta arvioitiin tilastollisten virhemittarien avulla vaihtelevissa olosuhteissa.

Työn tulokset osoittavat, että aurinkovoimalan tuotanto on arvioitavissa aurinkoisina päivinä hyvinkin tarkasti, kun ennuste on skaalattu mittausdatan perusteella. Pilvisinä päivinä on havaittavissa tarkkuuden vaihtelua tarkastellulla aikavälillä. Koneoppimisavusteisiin irradianssimalleihin verrattuna tämän työn mallinnus tuotti suurempia virheitä, mikä selittyy osin suuremmasta mittausetäisyydestä ja yksinkertaistetuista laskumenetelmistä. Tarkempia tuloksia varten on kuitenkin suotavaa analysoida vastaavassa mallinnuksessa tarkemmin voimalan sisäisiä häviöitä sekä integroida malliin koneoppimistekniikoita. Työ on tehty Sallila Energia Oy:lle tukemaan tuotannonarvioinnin kehittämistä kasvavan aurinkovoimakapasiteetin myötä.

The subject of this bachelor's thesis focuses on estimating solar panel output based of irradiance measurements. The objective is to model a quarter-hour time-series power curve of Sallila Energia Oy's solar power plant and compare it to the data from the measurements.

Thesis utilizes the solar power plant's production data and public radiation and weather measurements provided by the Finnish Meteorological Institute. Python was utilized to fetch and clean the radiation and weather data. Modeling employed vector calculations, taking into account panels installation angles and sun radiation components. Correlation of the modeled power curve was evaluated with statistical metrics in variating conditions.

The results indicate that the solar power output can be accurately assessed on sunny days after the forecast is scaled to the measurements. On cloudy days, there is perceptible variation in accuracy during the examined time period. Compared to machine learning-assisted irradiance models, this thesis modeling produced greater errors, partly due longer irradiance measurement distance and simplified calculation methods. For more precise results, it's desirable to further analyze internal losses of the power plant in more detail and integrate machine learning techniques in corresponding modeling. The work was conducted for Sallila Energia Oy to support the development of solar panel production assesment as capacity grows.