第二章 TMY3 標準氣象年製作理論概述
第三節 TMY3 標準氣象年的製作流程
決定中選月的方法是將各氣象要素按建築熱負荷之影響程度而賦予不同之權重後，
各年逐月進行對長期氣象資料之累積分佈函數分析比對以求得最具長期氣候代表性之 中選月。整個流程如圖 2-1 所示。
依據 NREL 的建議，製作工程分析用之氣象年應至少採 15 年以上的長期氣象資料 作為篩選的範圍較具代表性，本研究以 1990-2012 年一共 23 年間之氣象資料作為選取 範圍，由此 23 年間篩選出各月份的中選月後，再連接成一整年的標準氣象年。中選月 的篩選採用 TMY3 手冊中所建議之 Modified Sandia Method 為方法，篩選過程如下：
首先計算逐年各月其各氣象要素之 FS 統計量(Finkelstein & Schafer statistics (Finkelstein and Schafer 1971))。
各氣象要素依其對建築熱負荷之影響經加權後計算 WS (weighted sum)。依逐年各 月之 WS 值排序選出前五組最小 WS 之月份為候選月。
針對此五組候選月再進行與長期氣候之方均根誤差(Root Mean Square Deviation, RMSD)比對，擁有最小 RMSD 者即為中選月份。
篩選的過程重點在於計算逐年各月其氣象要素之 FS、WS 值與 RMSD。分述如下：
圖 2-1 TMY3 製作程序與研究流程
步驟一：篩選候選月
將全期原始資料逐日化後，可得日最大乾球溫度、日最小乾球溫度、日平均乾球溫 度、日最大露點溫度、日最小露點溫度、日平均露點溫度、日最大風速、日平均風速、
日全天空日射總量以及日直達日射總量共 10 種氣象要素，藉此統計出個氣象要素 23 年份之長期累積分布函數（long-term CDF）與各月份累積分布函數（monthly CDF），
再進行 FS 統計量及 WS 指數的計算（見式 2-1、式 2-2），選出 WS 指數最小的 5 組月 份資料成為候選月。
FS 統計量採用累積分佈函數(Cumulative Distribution Fuction, CDF)作計算其意義在 於比較各月逐時單一氣象要素對長期氣候組成之分佈結構偏差程度，意即單一氣象要 素分佈結構上之長期氣候代表性檢定，其值愈小表示該月之該氣象要素變動愈趨近於 長期氣候之平均變動狀態，其計算公式如(式 2-1)。依本研究之研究範圍 23 年每月份以 10 種氣象要素(如表 2-5)進行篩選程序，故一共可得 23×12×10=2760 個相異之 FS 值。
累積分佈函數(CDF)是機率分佈函數(Probability Distribution Function)的累積值，其 意義為將所有樣本重新升冪排序後，該單一樣本值以下的所有樣本個數佔總樣本個數 的百分比，而單一樣本的 CDF 值可由樣本的平均數與標準差計算出來，給定任一分佈 的平均數與標準差，即可依統計方法計算該單一樣本的 CDF，由 CDF 之分佈圖形可得 知各氣象要素資料結構分佈的情況，如圖 2-2 所示。各月累積分佈函數(short-term monthly-CDF)呈現的是逐月的氣象數據分佈結構，而長期累積分佈函數(long-term monthly CDF)代表的是長期氣候數據分佈結構，FS 值以此二 CDF 分佈之絕對偏差作為 結構相似度的驗證，其值越小表示兩 CDF 越吻合，代表該月份之氣候分佈結構愈與長 期氣候相似。
∑ | | （式 2‐1）
δ
iS：該氣象要素之各月累積分佈函數 short‐term monthly‐CDFδ
iL：該氣象要素之各月長期累積分佈函數 long‐term monthly CDFn
：該月份的總小時數w
：各氣象要素圖 2-2 各月與長期之日射量 CDF 分佈示意 (資料來源：User's Manual for TMY2s)
WS (weighted sum of absolute difference between cumulative distributions)指標則是綜 合了各氣象變數之 FS 值再乘以權重係數後之總合，其計算如(式 2-2)。以 WS 值作為 決定最終中選月的原因在於各氣象要素間彼此對於建築熱負荷的影響程度不盡相同所 致。日射量對於建築熱負荷的影響遠大於風速，兩者之影響程度不一，故在選擇中選月 時不能等同視之，需以加權後之綜合指標 WS 值作為判斷。本研究依表 2-5 之權重，
將逐年各月之各氣象要素之 FS 值進行加權計算以得單一 WS 指標，依擁有最小 WS 之 前五個月份挑出作為候選月份。WS 值越小其意義代表經熱負荷影響程度修正後與長期 氣候的分佈結構最為相似之意。
WS Σw
iFS
w 式 2‐2w
i：各氣象要素的權重係數表 2-5 NSRDB-NREL 所建議之候選月篩選權重
氣象要素 NSRDB TMY 權重 氣象要素 NSRDB TMY 權重 最大乾球溫度 1/20 平均露點溫度 2/20 最小乾球溫度 1/20 最大風速 1/20 平均乾球溫度 2/20 平均風速 1/20 最大露點溫度 1/20 全天空日射量 5/20 最小露點溫度 1/20 直達日射量 5/20
(資料來源：本研究整理)
步驟二：候選月排名
由於 FS 統計量與 WS 指數只能反應出結構上的差異，無法代表月平均尺度下的母 體參數誤差，故將候選月的平均數與中位數與長期進行差值比較，差值越小者獲得越 高的排名，排名越高者中選的可能性越大。
步驟三：連續性（persistence)的檢測
然而，擁有最小的 WS 值之候選月尚無法確認為中選月，因 WS 僅代表該月份之 氣象變動趨勢最接近長期氣候。所謂具長期氣候代表性之意義除其變動之趨勢相似外，
與長期平均之偏差亦需最小才行。為排除極端氣候，運用持續性檢測可排除掉具有連 續過冷過熱及連續日射量不足的候選月。而持續的條件定義如下：
對於乾球溫度不足 33%（過冷）或超過 67%（過熱），日數相鄰者。
對於全天空日射量不足 33%，日數相鄰者。
對於直達日射量不足 33%，日數相鄰者。
在此檢測中，具有最多次持續、最長持續以及完全沒有持續性的候選月會被排除，
剩下來的月份具有最大排名者即成為中選月。中選月一共 12 個，一月到十二月每月各 一組。
有鑑於 Sandia Method 的步驟二、三之操作繁雜，Pissimanis 等人則採用了氣象學 上常用之方均根誤差運算作為取代，以影響建築耗能最多的全天空日射量之方均根誤 差(Root mean square deviation, RMSD)作為最後選擇的依據(Pissimanis, Karras et al. 1988)。
而據 Argiriou 等人的研究，此方法擁有相當不錯的準確性(Argiriou, Lykoudis et al. 1999)。
因此，本研究進一步針對前一階段所篩選出之五個候選月進行以對熱負荷變動影響為 最之日射量數據對長期氣候之日射量 RMSD 進行比對，其公式如式 2-3 所示，具最小 之 RMSD 者即為中選月份。
∑ ̅ . 式 2‐3
N
:白天期間之小時數k
:年份l
:小時本計畫依上述流程製作臺灣台北、新竹、台中、嘉義、台南、高雄、花蓮與台東等 八地之 TMY3 標準氣象年，然而臺灣地理尺度南北縱長不過 395 公里，氣候差異不若 歐美大陸明顯，為避免各地獨立進行篩選時，所挑出之中選月份年代各地不一導致產 製之各地標準氣象年在時間上無同時性而產生如北部均溫較南部高之不合理現象。本 研究參採文獻(林憲德 and 黃國倉 2005)之方法在長期氣候之定義上，將以八地之長期 氣候為之。
此外，針對潤年之處理，雖然 TMY3 標準年內無二月 29 日之值，但為最大化可利 用之原始數據，潤年之二月 29 日氣象資料亦作為決定長期氣候之累積分佈函數(long-term CDF)使用。