// บทที่ 16.8 · ออกแบบระบบโซลาร์เซลล์ · Energy Yield Prediction

คาดการณ์พลังงานที่ผลิตได้: Performance Ratio ห่วงโซ่การสูญเสีย และ kWh/kWp ในไทย

ก่อนลงทุนต้องตอบให้ได้ว่า “ระบบนี้จะผลิตไฟได้ปีละกี่หน่วย และมั่นใจแค่ไหน” คำตอบไม่ใช่กำลังบนป้ายคูณชั่วโมงแดด แต่ต้องหักการสูญเสียทีละรายการ ตั้งแต่ความร้อนของแผงจนถึงสาย AC แล้วบอกความไม่แน่นอนด้วย หน้านี้สร้างการคาดการณ์แบบที่วิศวกรใช้ ตั้งแต่สูตรบรรทัดเดียวจนถึง P50/P90

เขียนโดย อาจารย์มดอัปเดต 13 ต.ค. 2569

เครื่องคำนวณพลังงาน ห่วงโซ่การสูญเสีย รายเดือนและรายปี P50 · P90 ซอฟต์แวร์

สรุปใน 30 วินาที

$E = P_{STC}\times H_{POA}\times PR$ · ไทย: 1 kWp ≈ 1,300–1,450 kWh/ปี ≈ 3.6–4.0 kWh/วัน
PR = ผลคูณของ (1 − การสูญเสีย) ทุกรายการ การสูญเสียที่ใหญ่ที่สุดในไทยคืออุณหภูมิ (8–12 %)
มี.ค.–เม.ย. ผลิตมากสุด ส.ค.–ก.ย. น้อยสุด ต่างกันราว 25 %
รายงานเป็น P50 และ P90 เสมอเมื่อใช้ตัดสินใจลงทุน

สมการพลังงานบรรทัดเดียว พื้นฐาน

E1 Energy yield พลังงานที่ผลิตได้

E_{day} = P_{STC}\times PSH_{POA}\times PR \qquad E_{year} = P_{STC}\times H_{POA,year}\times PR

E2 Yields and PR (IEC 61724) ผลผลิตจำเพาะและ performance ratio

Y_f = \frac{E_{AC}}{P_{STC}}\ \left[\tfrac{\text{kWh}}{\text{kWp}}\right] \qquad Y_r = \frac{H_{POA}}{1\ \text{kW/m}^2}\ [\text{h}] \qquad PR = \frac{Y_f}{Y_r}

$Y_f$ (specific yield) ใช้เทียบระบบต่างขนาดในพื้นที่เดียวกัน $PR$ ใช้เทียบระบบต่างพื้นที่ เพราะหักผลของแสงออกแล้ว ทั้งสองค่าคือภาษากลางระหว่างผู้ออกแบบ ผู้ลงทุน และผู้ดูแลระบบ

ห่วงโซ่การสูญเสีย กลาง

E3 PR as a loss chain PR จากห่วงโซ่การสูญเสีย

PR = \prod_i (1 - L_i)

E4 Temperature loss การสูญเสียจากอุณหภูมิ

L_T \approx |\gamma|\,(\bar T_{c} - 25) \qquad \bar T_c \approx \bar T_{a,day} + \Delta T_{mount}

$\bar T_c$ คืออุณหภูมิเซลล์เฉลี่ยถ่วงน้ำหนักด้วยพลังงาน (ช่วงที่แสงมากมีน้ำหนักมาก) $\Delta T_{mount}$ ประมาณ 18–32 °C ตามวิธีติดตั้ง (ลอยน้ำต่ำสุด ติดชิดหลังคาสูงสุด)

รายการ	ช่วงทั่วไปในไทย	ลดได้อย่างไร
อุณหภูมิ	8–12 %	แผง γ ต่ำ (HJT/TOPCon) ยกแผงให้มีช่องลม
ฝุ่น/สิ่งสกปรก	2–6 % (ฟาร์มใกล้ไร่อ้อย ถนนลูกรัง ฟาร์มสัตว์ปีก 5–10 %)	มุมเอียง ≥ 10° ล้างตามรอบ
เงาบัง	0–10 %	ออกแบบตามกฎ 09–15 น. แยก MPPT optimizer
แสงน้อย + มุมตกกระทบ (IAM) + สเปกตรัม	2–4 %	กระจก AR coating แผง low-light ดี
Mismatch + LID	1–3 %	แผงรุ่นเดียวกัน n-type (ไม่มี LID)
สาย DC	1–2 %	สายใหญ่ขึ้น สตริงยาวขึ้น
อินเวอร์เตอร์ (ประสิทธิภาพถ่วงน้ำหนัก)	1.5–4 %	อินเวอร์เตอร์ Euro/CEC efficiency ≥ 97.5 %
Clipping	0–3 %	DC/AC 1.1–1.3
สาย AC + หม้อแปลง (ฟาร์ม)	0.5–2 %	—
หยุดทำงาน/ไฟดับ/ตัดเพราะแรงดันเกิน	0.5–3 %	monitoring แจ้งเตือน ตรวจแรงดันกริด

ตัวอย่าง E-1

ระบบ 5.8 kWp กรุงเทพฯ หลังคาทิศใต้ 15°

GHI 4.8 kWh/m²/วัน × ตัวประกอบระนาบเอียง 1.04 → $H_{POA}$ = 4.99 kWh/m²/วัน
E4: อากาศกลางวันเฉลี่ย 33 °C + ยกลอยบนหลังคา 25 °C → $\bar T_c$ = 58 °C → $L_T = 0.29(58-25) = 9.6\ \%$
E3: $PR = (1-0.096)(1-0.03)(1-0.02)(1-0.015)(1-0.025)(1-0.005)(1-0.03)(1-0.01) = 0.789$
E1: $E_{year} = 5.8 \times 4.99 \times 365 \times 0.789 \approx 8{,}340$ kWh/ปี → $Y_f$ ≈ 1,437 kWh/kWp ≈ 22.8 kWh/วัน
ถ้าหลังคาร้อนไม่มีช่องลม (+7 °C) ฝุ่น 5 % และมีเงาเช้า 3 % → PR ลดเหลือ ≈ 0.73 และ $Y_f$ ≈ 1,330 — นี่คือเหตุผลที่ค่าในไทยมีช่วงกว้าง 1,300–1,450

เครื่องคำนวณพลังงานและ PR

เปลี่ยนพื้นที่ ทิศ การติดตั้ง และการสูญเสียแต่ละรายการ กราฟแท่งแสดงพลังงานรายเดือนตามรูปแบบแสงของภาคกลาง (ค่าประมาณ)

รายเดือน รายปี และการเสื่อม กลาง

ผลผลิตรายเดือนตามรูปแบบแสงของภาคกลาง (ค่าสัมพัทธ์ มี.ค. 1.13 · เม.ย. 1.16 · ส.ค. 0.93 · ก.ย. 0.92) ระบบในตัวอย่าง E-1 ผลิตเดือนมีนาคม ≈ 800 kWh และกันยายน ≈ 630 kWh การวางแผนการเงินรายเดือนจึงควรเผื่อช่วงฝน

E5 Energy with yearly degradation พลังงานเมื่อแผงเสื่อมทุกปี

E_y = E_1\,(1-d)^{y-1} \qquad \sum_{y=1}^{N}E_y = E_1\,\frac{1-(1-d)^N}{d}

ตัวอย่าง: $d$ = 0.4 %/ปี $N$ = 25 ปี → ผลรวมเท่ากับ $E_1 \times 23.8$ ไม่ใช่ $E_1 \times 25$ (ใช้ในหน้า ความคุ้มค่า)

E6 Capacity factor ตัวประกอบกำลังการผลิต

CF = \frac{E_{year}}{P_{rated}\times 8760\ \text{h}}

โซลาร์ในไทยมี CF ราว 15–17 % เทียบ kWp (สูงขึ้นถ้าเทียบพิกัด AC ของระบบที่ DC/AC > 1) ใช้เทียบกับโรงไฟฟ้าชนิดอื่นและคำนวณขนาดที่ต้องการต่อพลังงาน

ความไม่แน่นอน P50 และ P90 ขั้นสูง

E7 P90 from combined uncertainty P90 จากความไม่แน่นอนรวม

\sigma_{tot} = \sqrt{\sum_i \sigma_i^2} \qquad P_{90} = P_{50}\,(1 - 1.282\,\sigma_{tot}) \qquad \sigma_{IAV,N\text{ yr}} = \frac{\sigma_{IAV}}{\sqrt N}

1.282 มาจากการแจกแจงปกติ (โอกาสเกิน 90 %) แหล่งความไม่แน่นอนหลัก: ความแปรปรวนของแสงระหว่างปี (inter-annual variability) ความแม่นของข้อมูลแสง แบบจำลองการแปลงเป็นระนาบเอียงและแบบจำลองระบบ การสูญเสียที่ประมาณ (ฝุ่น การเสื่อม ความพร้อมใช้)

ตัวอย่าง E-2

P90 ของโครงการ

ความแปรปรวนรายปี 4 % ข้อมูลแสง 5 % แบบจำลอง 3 % การสูญเสียอื่น 3 %

$\sigma_{tot} = \sqrt{4^2+5^2+3^2+3^2} = 7.7\ \%$
P90 หนึ่งปี $= P_{50}(1 - 1.282 \times 0.077) = 0.90\,P_{50}$
P90 เฉลี่ย 10 ปี: ความแปรปรวนรายปีลดเหลือ $4/\sqrt{10} = 1.26\ \%$ → $\sigma_{tot}$ = 6.7 % → P90 = 0.91 $P_{50}$
ความหมาย: ส่วนที่ลดไม่ได้ด้วยเวลาคือข้อมูลแสงและแบบจำลอง — การวัดแสงหน้างานจริง 1 ปีช่วยลดความไม่แน่นอนได้มากที่สุด

คำนวณรายชั่วโมงด้วยตัวเอง ขั้นสูง

ซอฟต์แวร์ทุกตัวทำสิ่งเดียวกันในหลักการ: ทุกชั่วโมงของปีตัวแทน (8,760 ค่า) คำนวณตำแหน่งดวงอาทิตย์ แปลงแสงเป็นบนระนาบแผง หักเงาและ IAM คำนวณอุณหภูมิเซลล์ คำนวณกำลัง DC หักการสูญเสีย DC ผ่านแบบจำลองอินเวอร์เตอร์ (รวม clipping) แล้วรวมเป็นพลังงาน โค้ดแบบย่อ (Python/NumPy) เพื่อให้เห็นโครงสร้าง:

import numpy as np
# poa: W/m2 บนระนาบแผง (8760 ค่า), ta: อุณหภูมิอากาศ °C, จากข้อมูลรายชั่วโมงของพื้นที่
P_stc, gamma, noct = 5800.0, -0.0029, 43.0     # W, 1/°C, °C
p_ac_max, eta_inv = 5000.0, 0.975
dc_loss = (1-0.03)*(1-0.02)*(1-0.015)*(1-0.03)  # ฝุ่น, mismatch, สาย DC, IAM/แสงน้อย

tc   = ta + (noct - 20) / 800 * poa              # P7
p_dc = P_stc * poa / 1000 * (1 + gamma * (tc - 25)) * dc_loss
p_ac = np.minimum(p_dc * eta_inv, p_ac_max)      # clipping ที่พิกัด AC
E_kwh = p_ac.sum() / 1000                         # ข้อมูลรายชั่วโมง → Wh ต่อชั่วโมง
PR = E_kwh / (P_stc / 1000 * poa.sum() / 1000)

สำหรับงานวิจัยใช้ไลบรารี pvlib python ซึ่งมีแบบจำลองตำแหน่งดวงอาทิตย์ (SPA) การแปลงแสง (Perez, Hay-Davies) อุณหภูมิเซลล์ (SAPM, Faiman) แบบจำลองไดโอดเดี่ยว (CEC, De Soto) และ PVWatts ครบ และดึงข้อมูลจาก PVGIS/NSRDB ได้

ซอฟต์แวร์และแหล่งข้อมูล

เครื่องมือ	ราคา	เหมาะกับ
PVGIS (European Commission JRC)	ฟรี บนเว็บ	ประเมินเบื้องต้น ข้อมูลรายชั่วโมง TMY ของไทย
SAM (NREL System Advisor Model)	ฟรี	จำลองละเอียด + การเงิน + แบตเตอรี่
pvlib python	ฟรี โอเพนซอร์ส	งานวิจัย ระบบอัตโนมัติ เทียบกับข้อมูลวัดจริง
PVsyst	เชิงพาณิชย์	มาตรฐานอุตสาหกรรม รายงานสำหรับธนาคาร P50/P90
HelioScope, Aurora, PVcase	เชิงพาณิชย์	ออกแบบผังบนภาพดาวเทียม/3D เงาบัง สายไฟ
แอปของผู้ผลิตอินเวอร์เตอร์	ฟรี	ตรวจสตริงกับอินเวอร์เตอร์รุ่นนั้น

ตรวจสอบย้อนกลับเสมอ หลังติดตั้งให้เทียบพลังงานจริงกับการคาดการณ์ที่ปรับด้วยแสงจริงของเดือนนั้น (weather-corrected PR) ไม่ใช่เทียบกับค่าเฉลี่ยระยะยาว เพราะปีที่ฝนมากผลิตน้อยลงได้ 5–8 % โดยระบบไม่ได้ผิดปกติ (ดู เฝ้าติดตาม)

คำถามที่พบบ่อย

Performance Ratio (PR) ของระบบโซลาร์ที่ดีควรเป็นเท่าไร?

ระบบหลังคาในประเทศไทยที่ออกแบบดีมี PR รายปีประมาณ 0.75–0.82 โซลาร์ฟาร์มที่ดูแลดีได้ 0.80–0.85 PR ต่ำกว่า 0.7 บ่งชี้ปัญหา เช่น เงาบัง ฝุ่นมาก อินเวอร์เตอร์ตัดบ่อย หรือแผงเสื่อม PR ในไทยต่ำกว่าประเทศเขตหนาวเพราะอุณหภูมิเซลล์สูง

P50 กับ P90 ต่างกันอย่างไร?

P50 คือพลังงานรายปีที่มีโอกาสเกินครึ่งหนึ่ง (ค่ากลาง) P90 คือพลังงานที่มีโอกาส 90 % ที่จะผลิตได้มากกว่า ใช้เป็นฐานของสินเชื่อโครงการ ถ้าความไม่แน่นอนรวมประมาณ 7–8 % P90 หนึ่งปีจะต่ำกว่า P50 ประมาณ 10 %

ใช้โปรแกรมอะไรคาดการณ์พลังงานโซลาร์ได้ฟรี?

PVGIS ของ European Commission ใช้ผ่านเว็บได้ทันทีและมีข้อมูลประเทศไทย SAM ของ NREL เป็นโปรแกรมฟรีที่ละเอียดรวมการเงิน pvlib python เหมาะกับงานวิจัยและการคำนวณรายชั่วโมงเอง ส่วน PVsyst เป็นโปรแกรมเชิงพาณิชย์ที่ธนาคารและผู้พัฒนาโครงการใช้เป็นมาตรฐาน