Rozklad slunečního ozáření s užitím Erbsova modelu

Abstract

S nejnovějším nárůstem iniciativ v oblasti solární energie po celém světě existuje potřeba správného posouzení slunečního záření. Sluneční záření se skládá ze dvou složek: přímého a difúzního. Údaje o difúzním a přímém záření hrají klíčovou roli při odhadu energie ze sluneční fotovoltaiky a jsou také potřebné při simulacích budov. Difúzní a přímé komponenty radiace lze měřit pomocí přístroje. Taková měření však mohou být komplikovaná a nákladná. To je důvod, proč bylo provedeno mnoho výzkumu pro výpočet těchto složek pomocí matematických modelů. V současné studii je Erbsův model aplikován na rozklad globálního slunečního záření na přímé a difúzní komponenty. Pro porovnání vypočtených a naměřených hodnot byly použity údaje o slunečním záření z Třeboně. Data slunečního záření byla zpracována v tabulkovém procesoru Excel. Grafy různých měsíců jsou uvedeny pro pochopení charakteristik modelu v různých atmosférických podmínkách. Je třeba poznamenat, že Erbsův model funguje relativně dobře, když je index čistoty na středním rozmezí, zatímco když je index čistoty nad 0,8, korelace mezi vypočtenými a změřenými daty není tak dobrá.

With the latest rise in solar energy initiatives around the world, there is a raising need for right estimation of solar radiation. Sun radiation consists of two components: direct and diffuse. Diffuse and direct radiation data plays a crucial role in energy estimation from solar photovoltaics and are also needed in building performance simulations. The diffuse and direct components can be measured using an instrument. However, such measurements might be complicated and expensive. This is why there has been a lot of research conducted to compute these components by mathematical models. In the current study, Erbs model is applied for the decomposition of global solar irradiance into direct and diffuse components. The solar radiation data from Třeboň were used to compare the calculated and measured values. The solar irradiance data were processed in Excel spreadsheet. The graphs of different months are presented to understand the characteristics of the model in different atmospheric conditions. It is noted that Erbs model performs relatively well when the clearness index is on the medium range, whereas when the clearness index is above 0.8 the correlation between the calculated and measured data is not so good.