基于多源數(shù)據(jù)融合的城市屋頂光伏潛力評估

摘 要：針對現(xiàn)有研究多局限于采用衛(wèi)星遙感圖像或地理信息等單一數(shù)據(jù)源難以準(zhǔn)確反應(yīng)城市屋頂光伏潛力的問題，考慮陰影效應(yīng)、地理位置和氣象條件等因素的影響，該文提出一種基于多源信息融合的城市屋頂光伏提升方法，所提方法主要包括屋頂信息提取、區(qū)域建筑陰影計算和光伏發(fā)電潛力計算3個環(huán)節(jié)，在各環(huán)節(jié)的分析中引入大量衛(wèi)星遙感圖像、地理信息數(shù)據(jù)、氣象等數(shù)據(jù)，極大提升了城市光伏潛力評估的準(zhǔn)確性。最后以長沙市為例進行方法的應(yīng)用，評估結(jié)果表明長沙市城市屋頂光伏的發(fā)電潛力為14480.4 GWh，具備較大的開發(fā)潛力。

關(guān)鍵詞：分布式光伏；深度學(xué)習(xí)；地理信息系統(tǒng)；衛(wèi)星遙感圖像；多源信息融合

中圖分類號：TM615 " " " " " " " " " 文獻標(biāo)志碼：A

0 引 言

新能源成為破解經(jīng)濟高速發(fā)展下能源需求劇增和傳統(tǒng)能源日益枯竭困境的關(guān)鍵，其開發(fā)與利用已成為世界各國的重要戰(zhàn)略目標(biāo)。據(jù)統(tǒng)計，目前約有130個國家在其政策或法律文件中設(shè)定了碳中和目標(biāo)，以應(yīng)對能源危機和氣候變化［1］。中國也宣布到2030年達到二氧化碳排放峰值，到2060年努力實現(xiàn)碳中和的“雙碳”目標(biāo)［2-3］。屋頂光伏發(fā)電作為一種綠色、可持續(xù)的能源利用方式，具有土地利用成本低、布設(shè)靈活性高、就近消納能力強、能源利用效率高等特點，被廣泛認(rèn)為是實現(xiàn)能源可持續(xù)轉(zhuǎn)型的重要途徑和有益補充［4-5］。屋頂光伏的潛力巨大，但在城市尺度上，屋頂光伏發(fā)展存在屋頂資源開發(fā)不充分、宏觀引導(dǎo)不足、長期規(guī)劃缺乏、分布不均勻等問題，這些問題不僅影響了光伏發(fā)電的效益，也減緩了碳排放目標(biāo)的推進［6］。因此，如何準(zhǔn)確評估城市屋頂光伏的發(fā)展?jié)摿?，科學(xué)指導(dǎo)城市屋頂光伏健康有序發(fā)展，成為分布式新能源發(fā)展建設(shè)中亟待解決的問題。

近年來，國內(nèi)外部分研究人員聚焦于城市區(qū)域屋頂光伏的潛力評估方法研究。如文獻［7-11］利用城市規(guī)模參數(shù)與屋頂光伏潛力的關(guān)系，采用傳統(tǒng)的相關(guān)系數(shù)法獲得屋頂信息，但此類方法未充分考慮整個研究區(qū)域的局部屋頂特征，無法準(zhǔn)確掌握建筑物屋頂情況且耗時較長。高分辨率衛(wèi)星遙感圖像和深度學(xué)習(xí)技術(shù)也被應(yīng)用于建筑物屋頂信息提取中文獻［12-13］基于高分辨率衛(wèi)星遙感圖像，利用Unet語義分割網(wǎng)絡(luò)提取研究區(qū)域的屋頂面積信息，并根據(jù)氣象條件計算該區(qū)域的太陽總輻射，從而實現(xiàn)區(qū)域建筑物屋頂?shù)墓夥鼭摿υu估。文獻［14］則采用圖像語義分割算法DeepLabv3+提取城市屋頂信息以實現(xiàn)城市屋頂光伏潛力評估。

由于光照不足、建筑物互相遮擋等問題導(dǎo)致部分屋頂難以安裝光伏陣列，因此準(zhǔn)確估算屋頂可用面積對于可靠估算城市屋頂光伏潛力具有重要意義。解決這一問題可借助于地理信息系統(tǒng)（geographic information system，GIS）。文獻［15］考慮遮陽效應(yīng)，利用遮擋因子測量了武漢市洪山區(qū)太陽能潛力。但基于GIS的三維模型估算屋頂光伏潛力時，需要大量數(shù)據(jù)，存在耗時長且效率低下的問題［16］。文獻［17-18］則通過對建筑GIS數(shù)據(jù)進行Hillshade分析，計算了屋頂上的陰影面積，以估計城市屋頂光伏潛力，但缺少對屋頂特征的考慮。

由上述分析可見，盡管近年來新技術(shù)的應(yīng)用在城市屋頂光伏潛力評估領(lǐng)域取得了進展，但現(xiàn)有方法往往只側(cè)重于單一數(shù)據(jù)源，如僅依賴高分辨率衛(wèi)星遙感圖像或GIS數(shù)據(jù)，未能充分利用多種數(shù)據(jù)源的互補優(yōu)勢，這將導(dǎo)致評估結(jié)果難以全面反映城市實際光伏潛力。為更全面地評估光伏潛力，需要綜合考慮陰影效應(yīng)、地理位置和氣象條件等因素影響。對此，本文提出一種基于多源信息融合的城市屋頂光伏潛力評估方法，首先通過深度學(xué)習(xí)從衛(wèi)星遙感圖像中提取屋頂信息，篩選出不適合安裝光伏系統(tǒng)的屋頂；其次考慮周圍建筑物的陰影情況，利用GIS進行城市屋頂可用面積測算；最后根據(jù)氣象數(shù)據(jù)，進行城市屋頂光伏年發(fā)電量的估計，從而更準(zhǔn)確地實現(xiàn)城市屋頂光伏潛力評估。

1 城市屋頂光伏潛力評估框架

本文提出利用多源數(shù)據(jù)進行城市屋頂光伏潛力評估的方法，其基本框架如圖1所示。首先，采用自動標(biāo)注方法建立建筑樣本庫，并對DeepLabv3+進行改進，通過圖像特征提取和語義分割，完成高分辨率遙感圖像中上下文信息的多尺度提取和融合。在此基礎(chǔ)上，采用城市建筑物高度數(shù)據(jù)，進行Hillshade分析，計算屋頂上的陰影面積；最后，結(jié)合氣象數(shù)據(jù)和太陽能輻射數(shù)據(jù)進行屋頂光伏潛力分析。

1.1 屋頂信息提取

如圖1所示，在本文采用改進的DeepLabv3+深度學(xué)習(xí)模型，用于從衛(wèi)星遙感圖像中提取屋頂信息［19］。

首先，本文對衛(wèi)星遙感圖像進行預(yù)處理，包括標(biāo)準(zhǔn)化、裁剪和增強，以提高模型對輸入數(shù)據(jù)的處理效果。接著，又調(diào)整DeepLabv3+模型的網(wǎng)絡(luò)結(jié)構(gòu)，優(yōu)化超參數(shù)，并引入適用于屋頂信息提取的改進措施。

訓(xùn)練階段涵蓋了損失函數(shù)的選擇、優(yōu)化器的配置以及訓(xùn)練過程中的正則化技術(shù)。在相應(yīng)的數(shù)據(jù)集上對模型進行訓(xùn)練，確保其在衛(wèi)星遙感圖像中準(zhǔn)確捕捉屋頂?shù)恼Z義信息。

在測試階段，本文通過模型進行推斷，得到衛(wèi)星遙感圖像中的屋頂信息。提取的結(jié)果通過與傳統(tǒng)方法的比較進行評估。采用一系列評價指標(biāo)，如精度、召回率和F1分?jǐn)?shù)，驗證改進DeepLabv3+模型在屋頂信息提取任務(wù)上的優(yōu)越性能。

1.2 區(qū)域建筑陰影分析

本文采用Hillshade分析［20］以定量評估建筑物之間的相互遮擋效應(yīng)。要使用Hillshade算法分析建筑物陰影并計算陰影面積，需要輸入3個數(shù)據(jù)：建筑物樓層高度、太陽在地平線以上的高度、太陽方位角。由于太陽的高度和方位角在全年和一天中都在變化，因此在本研究中，在1—12月份的中旬從08：00到17：00（太陽在地平線上）這12個時間點，每小時計算一次太陽的高度和方位角。

利用這3個輸入數(shù)據(jù)，進行為期12 d的Hillshade分析，每小時間隔，共120次。從而準(zhǔn)確地揭示建筑物可能受到其他建筑物的遮擋，影響其太陽能接收效果。這種方法為在城市環(huán)境中尋找最佳的光伏發(fā)電位置提供了強有力的工具。

1.3 光伏發(fā)電潛力計算

為計算研究區(qū)域的屋頂光伏發(fā)電潛力，首先需要確定與該區(qū)域相關(guān)的屋頂光伏發(fā)電和安裝方式。在面積方面，屋頂上的一些結(jié)構(gòu)，如天窗和護墻，會減少光伏的安裝面積。因此，從屋頂分割算法提取的屋頂面積必須折現(xiàn)。

其次，在本研究中，額外排除了建筑上不能安裝光伏系統(tǒng)的區(qū)域。為此，參照湖南省2021年實際分布式光伏建設(shè)項目文件的規(guī)定，將低于安裝光伏系統(tǒng)最低要求的多邊形視為不合適的安裝區(qū)域。該文件規(guī)定，分布式光伏發(fā)電站采用540 W的單晶硅光伏組件，單塊組件長2279 mm，寬1134 mm。因此，采用26.03 m2作為安裝太陽能光伏系統(tǒng)的最小要求。這意味著，小于26.03 m2的空間被從可用的屋頂區(qū)域移除。這樣，通過排除難以安裝光伏系統(tǒng)的小而不規(guī)則的屋頂區(qū)域，可提取出可安裝光伏系統(tǒng)的可用屋頂區(qū)域的輸出多邊形。

根據(jù)中國各省市以往的經(jīng)驗，光伏陣列以朝南的最佳傾角安裝，將研究區(qū)域的最佳安裝傾角設(shè)為[φ=20°]［21-22］。以最大限度地提高屋頂單位面積的光伏發(fā)電量。考慮到風(fēng)荷載的影響和固定成本，光伏陣列一般以平放的方式安裝在傾斜的屋頂上。此外，由于日照時間短，光伏陣列不安裝在面向東北、北、西北方向傾斜的屋頂上。

根據(jù)上述安裝方法，并結(jié)合光伏陣列信息得到屋頂光伏的裝機容量。在光伏發(fā)電模型中，利用天空散射輻射各向同性模型計算斜面太陽輻照度，然后利用光伏性能模型估算發(fā)電量。

2 實施方法

2.1 基于改進DeepLabv3+的屋頂信息提取

由于建筑目標(biāo)尺寸較小，為提高語義分割識別結(jié)果的準(zhǔn)確性，本文采用一種改進DeepLabv3+的語義分割網(wǎng)絡(luò)進行建筑圖像提取。DeepLabv3+由編碼器Encoder和解碼器Decoder兩部分組成，與傳統(tǒng)的DeepLabv3+語義分割模型不同，本文在編碼器部分使用更為輕量化的MobileNetV2網(wǎng)絡(luò)模型作為本次屋頂特征提取主干網(wǎng)絡(luò)，以減少模型參數(shù)量，并在ASPP模塊中引入分條池模塊SP （Stripe Pooling Module），進一步增強模型對不同尺度信息的感知。如圖2所示，DeepLabv3+網(wǎng)絡(luò)包含編解碼架構(gòu)。在編解碼器結(jié)構(gòu)中，編碼器用于從輸入圖像中提取多尺度特征。在本文的模型中，采用Mobilenetv2作為編碼器的骨干網(wǎng)絡(luò)，通過卷積層和池化層進行操作，最終得到原始圖像大小1/16的特征圖。在空洞空間金字塔池化（atrous spatial pyramid pooling， ASPP）結(jié)構(gòu)的幫助下，通過屬性卷積層提取多尺度上下文信息。

解碼器負(fù)責(zé)恢復(fù)圖像的空間分辨率和位置信息。在解碼階段，首先對編碼階段后得到的特征圖使用雙線性插值進行四倍雙線性上采樣，并連接到編碼端進行1×1卷積（用以減少通道數(shù)）獲得的低級特征。與最初的DeepLabv3+不同，本文模型增加一個操作來融合骨干網(wǎng)的底層特征。將得到的特征圖進行3×3卷積，然后進行雙上采樣，得到一個新的4倍超采，以獲得更精細的識別和分割結(jié)果。

2.2 區(qū)域建筑陰影分析方法

Hillshade的工作原理是利用每個柵格的確定照度來獲得表面的假設(shè)照度。通過考慮假設(shè)光源的位置，并計算每個網(wǎng)格與相鄰柵格之間的相關(guān)照度值，即可確定假設(shè)表面照度。預(yù)設(shè)條件應(yīng)用0～255（整數(shù)）灰度來顯示陰影和光線（從暗到亮）：1）灰度值為0表示陰影區(qū)域（以黑色顯示）；2）低灰度值（例如，1）表示暗區(qū)域（以深灰色顯示）；3）高灰度值（例如，255）表示明亮區(qū)域（以淺灰色或白色顯示）。本研究采用ArcMap 10.1軟件，并根據(jù)建筑高度計算Hillshade值。

在制作城市地區(qū)的Hillshade地圖時，主要考慮因素是太陽在天空中的位置。太陽方位角是太陽的角度位置，用0°～360°表示。以北方為基準(zhǔn)，以順時針方向進行測量。

為計算陰影值，需獲取太陽的高度角和太陽方位角。這些信息用于計算坡度和坡向，以確定輸出柵格中每個網(wǎng)格的最終Hillshade值。Hillshade值的計算過程如下［19］：

[XHillshade=255×（cosθZenith×cosθSlope）+ " " " " " " " "（sinθZenith×sinθSlope×cosθAzimuth×cosθAspect）] （1）

式中：[θZenith]——太陽天頂角的弧度數(shù)，rad；[θSlope]——坡度弧度數(shù)，rad；[θAzimuth]——太陽光線方向角的弧度數(shù)，rad；[θAspect]——坡向弧度數(shù)，rad。

2.3 屋頂光伏發(fā)電潛力計算

2.3.1 光伏陣列上太陽輻照度的計算方法

光伏陣列接收輻照度通常由3個輻照源的貢獻組成為［23］：

[Gg，t=Gb，t+Gd，t+Gr，t] （2）

式中：[Gb，t]——波束輻照度，W/m2；[Gd，t]——天空漫射輻照度，W/m2；[Gr，t]——地面反射輻照度，W/m2；[t]——小時數(shù)， h。

太陽射線對光伏陣列的入射角（angle of incidence， AOI）計算如下［24］：

[θAOI=arccoscosβ×cosθAZ+sinβsinθAZcosθZenith-θM]

（3）

式中：[β]——光伏陣列的最佳傾角，（ °）；[θM]——光伏陣列的方位角（向北0°，向東90°），當(dāng)[θM]=180°，表明光伏陣列朝向正南；[θAZ]——太陽方位角，（ °）。

[Gb，t]計算如下：

[Gb，t=GDNI×cosθAOI] （4）

式中：[GDNI]——直接法向輻照度，W/m2。

天空漫射輻照度采用各向同性天空模型計算［23］，即：

[Gd，t=GDHI×1+cosβ2] （5）

式中：[GDHI]——漫反射水平輻照度，W/m2。

地面反射輻照度[Gd，t]的計算方法為：

[Gr，t=GGHI×ρ×1-cosβ2] （6）

式中：[GGHI]——全球水平輻照度，W/m2；[ρ]——地面反射率，選取為0.3。

2.3.2 屋頂光伏發(fā)電模型

通過分別計算有遮擋和無遮擋的發(fā)電量進行發(fā)電潛力估計，對于每個合適的屋頂，有陰影覆蓋和無陰影覆蓋的光伏陣列面積分別用[Ash，nt]和[Ansh，nt]表示。在此基礎(chǔ)上可得到屋頂光伏發(fā)電潛力如下：

[E=n=0365t=024η×Ash，nt+Ansh，nt×Gg，nt] （7）

式中：[E]——屋頂太陽能光伏系統(tǒng)一年的總技術(shù)潛力，MWh；[n]——天數(shù)；[η]——光伏組件效率，本研究中使用的光伏組件效率取為15%；[Gg，nt]——第[n]天第[t]小時的光伏陣列接收到的輻照度。

3 算例分析

3.1 案例區(qū)域

研究區(qū)域位于湖南省長沙市，北緯27°51′～28°41′，東經(jīng)111°53′～114°15′。長沙市平均海拔44.9 m，常住總?cè)丝?042.06萬人，面積11819 km2。研究區(qū)域?qū)賮啛釒Ъ撅L(fēng)氣候，四季分明。年平均日照時數(shù)為1400～2200 h，年日照百分率為37%。根據(jù)中國太陽能資源分布，研究區(qū)域?qū)儆冖箢悈^(qū)域，屬于太陽能資源的中等類型區(qū)域。每平方米面積每年接收的太陽輻射總量為1461 kWh/m2，此太陽輻射量足以用于屋頂太陽能光伏改造。

3.2 衛(wèi)星圖像和陰影分析的數(shù)據(jù)集

3.2.1 衛(wèi)星圖像的數(shù)據(jù)集

本文使用衛(wèi)星圖像作為長沙市數(shù)據(jù)源，衛(wèi)星圖像具有精度高、覆蓋范圍廣等優(yōu)點。根據(jù)長沙市邊界矢量數(shù)據(jù)，基于Google提供的開放地圖服務(wù)應(yīng)用程序接口（Google Earth API），使用Python腳本下載長沙區(qū)域內(nèi)的衛(wèi)星圖像。下載的衛(wèi)星圖像分辨率約為0.8 m/pixel。在此分辨率下，建筑物的細節(jié)可以清晰地顯示出來。

屋頂信息提取模型的預(yù)訓(xùn)練數(shù)據(jù)采用中國典型城市建筑數(shù)據(jù)集，該數(shù)據(jù)集包含北京、上海、深圳及武漢4個城市的7260個圖像及63886個建筑物標(biāo)簽，滿足語義分割訓(xùn)練的要求［25］。為進一步增加訓(xùn)練數(shù)據(jù)集的多樣性，在采用已發(fā)布數(shù)據(jù)集的同時，隨機抽取長沙市部分衛(wèi)星瓦片數(shù)據(jù)，進行人工分類標(biāo)注，擴充原有圖像數(shù)據(jù)集，解決因圖像類別單一和實例標(biāo)簽數(shù)量不足導(dǎo)致的建筑類型樣本不平衡問題。圖3顯示了建筑數(shù)據(jù)集的一個示例，其中圖3a為研究區(qū)域的遙感影像；圖3b為對應(yīng)的標(biāo)注圖像，白色部分為對應(yīng)的建筑區(qū)域，黑色部分為背景；圖3c為經(jīng)過圖像轉(zhuǎn)換成灰度圖的標(biāo)注圖像，便于DeepLabv3+模型訓(xùn)練。

最后建筑物圖像集的大小為500像素×500像素，其中訓(xùn)練集為7260張圖像，驗證集為599張圖像，測試集為835張圖像。

3.2.2 日影分析數(shù)據(jù)的收集與轉(zhuǎn)換

在建立城市日影分析模型之前，需要準(zhǔn)確獲得每個建筑物的位置、形狀以及高度，以便于進行后續(xù)的陰影計算。本文收集了2019年長沙市街道與建筑相關(guān)的圖形數(shù)據(jù)。這些數(shù)據(jù)采用GIS格式構(gòu)建，具有自己的坐標(biāo)系統(tǒng)和樓層數(shù)，該格式為shapefile （.shp）。由于建筑圖形數(shù)據(jù)只提供了建筑的層數(shù)，故在進行建筑高度計算時，假設(shè)層高為3 m。本文總共收集61589棟建筑的建筑數(shù)據(jù)，這些數(shù)據(jù)用于估計屋頂太陽能光伏系統(tǒng)的陰影系數(shù)。同時，為進行Hillshade分析，將建筑數(shù)據(jù)進行重分類，對無建筑高度數(shù)據(jù)的柵格單元賦0值。

3.3 建筑屋頂信息提取結(jié)果

3.3.1 模型性能評估

本文使用GPU（計算圖形處理器）加速計算，顯卡為NVIDIA Quadro RTX 4000，使用Windows 10操作系統(tǒng)和Pytorch深度學(xué)習(xí)框架。在DeepLabv3+語義分割網(wǎng)絡(luò)方法中，訓(xùn)練數(shù)設(shè)置為50000，圖像批處理大小為4，初始學(xué)習(xí)率為0.007。訓(xùn)練完成后，在測試集上測試的召回率（recall）為89.17%，準(zhǔn)確率為89.57%，F(xiàn)1值為83.4%。為驗證改進DeepLabV3+模型的優(yōu)勢，將其與Mask-RCNN模型、Unet模型、原始DeepLabv3+等深度學(xué)習(xí)方法進行對比，首先在屋頂數(shù)據(jù)集上進行訓(xùn)練后，然后在測試集上進行測試得到平均交并比（mean intersection over union，MIoU）、平均像素準(zhǔn)確率（mean pixel accuracy，MPA）和精確度（precision），并與本文提出的改進DeepLabv3+模型進行對比，以比較不同的語義分割模型在屋頂識別時的精度、參數(shù)量上的差異。

由表1可知，本文提出的改進DeepLabv3+模型的屋頂分割精度比其他深度學(xué)習(xí)方法更高，改進DeepLabv3+模型在MIoU、MPA、召回率這3方面的優(yōu)勢也很明顯，如其MIoU為81.47%，相較于Unet、Mask-RCNN、DeepLabv3+等模型的精度分別提高5.74%、5.47%、1.85%。

3.3.2 研究區(qū)域屋頂面積計算

將屋頂樣本數(shù)據(jù)集輸入改進的DeepLabv3+模型進行訓(xùn)練后，得到一個適合屋頂提取的理想模型。將所有待預(yù)測的衛(wèi)星圖像輸入到該模型中，即可識別出衛(wèi)星圖像的屋頂部分。由于在訓(xùn)練屋頂提取模型時輸入圖像的大小為500×500 像素，因此用于預(yù)測的輸入圖像的大小也應(yīng)為同等像素。然而，獲取的高精度衛(wèi)星圖像尺寸超出預(yù)測所需，所以需要對長沙市的衛(wèi)星圖像進行分塊處理。分塊后的標(biāo)準(zhǔn)圖像如圖4所示。

將每個塊的預(yù)測結(jié)果拼接起來，便完成了長沙市衛(wèi)星圖像的整體預(yù)測，具體過程如圖5所示。研究區(qū)域內(nèi)共計算得出61589個屋頂，屋頂面積為43.83 km2。由于部分屋頂有煙囪、通風(fēng)井、水箱和冷卻塔等設(shè)備，它們在屋頂上投下的陰影也限制了可用面積。故在本研究中，根據(jù)之前對中國建筑的調(diào)查，屋頂?shù)恼趽跸禂?shù)IRs設(shè)置為0.57［26］?？傻贸鲩L沙市市建筑屋頂總面積約為24.98 km2。

3.4 建筑陰影遮擋分析結(jié)果

圖6是對長沙某地區(qū)建筑物在春分當(dāng)天07：00—18：00的遮陽分析結(jié)果。圖6中白色地區(qū)表示屋頂區(qū)域；灰色地區(qū)表示不能安裝光伏系統(tǒng)的無遮蔽地面區(qū)域；黑色地區(qū)表示陰影部分。如圖6所示，在07：00—18：00期間，光伏系統(tǒng)能夠運行在最優(yōu)水平的屋頂無陰影區(qū)域和光伏系統(tǒng)不能運行在最優(yōu)水平的陰影區(qū)域連續(xù)變化。

圖7是根據(jù)圖6所示的Hillshade分析結(jié)果得出的長沙每個月每小時光伏可用的屋頂面積。在圖7中，根據(jù)逐時屋頂光伏可用面積的季節(jié)特征，將逐時屋頂光伏可用面積曲線劃分為不同類型：春季：3、4、5月份；夏季：6、7、8月份；秋季：9、10、11月份；冬季：12、1、2月份。

由圖7可見，屋頂光伏系統(tǒng)的可用屋頂面積在12：00—14：00達到最大值，這是因為太陽的高度角在中午最大，屋頂受到的陰影最小。在08：00太陽處于東方最低點（即日出）時，屋頂受到的陰影最大。其次，6月份屋頂可用面積最高。這是因為長沙5、6月份太陽仰角較高；相比之下，在冬季（12、1和2月份）最低。

3.5 光伏發(fā)電時空特性評估結(jié)果

結(jié)合研究區(qū)域的屋頂面積和相應(yīng)的光伏發(fā)電量，分析屋頂?shù)墓夥鼭摿ΑD8a和8b分別顯示了案例城市尺度屋頂光伏陣列接收輻照度和光伏發(fā)電量全年的變化趨勢。光伏發(fā)電（輻照度）的月平均小時（MMH）曲線的時間步長表示一個月中所有天在給定小時的平均值。標(biāo)準(zhǔn)差也顯示在光伏發(fā)電的月平均曲線的兩側(cè)，以表示日變化。在所有月份，屋頂光伏的發(fā)電量呈相似趨勢，上午和下午屋頂?shù)腗MH輪廓對稱，每日光伏發(fā)電的高峰期主要集中在11：00—14：00。

通過全年小時光伏發(fā)電出力計算得出，長沙市區(qū)的屋頂太陽能光伏總發(fā)電量：春季3310.1 GWh、夏季4185.6 GWh，秋季4646.1 GWh，冬季2338.6 GWh。這表明城市建筑屋頂太陽能光伏潛力受太陽輻射資源季節(jié)變化的影響。秋夏兩季，太陽總輻照度高，因此秋夏兩季屋頂太陽能光伏整體潛力較大；春季和冬季的情況正好相反，發(fā)電潛力相對較弱。

在研究區(qū)域，通過匯總計算每個屋頂?shù)慕ㄖ夥l(fā)電量，以顯示光伏發(fā)電的空間分布特性。結(jié)果按二級刻度顯示，如圖9所示。圖9a顯示了每個屋頂光伏年發(fā)電量的空間分布。較亮和較暗的區(qū)域分別代表低和高的光伏發(fā)電能力，可看出屋頂光伏發(fā)電量較高的屋頂多分布在郊區(qū)。以局部小區(qū)域為例，屋頂太陽能光伏電勢估算結(jié)果如圖9b所示。

根據(jù)對長沙市的綜合評估，屋頂太陽能光伏系統(tǒng)的年潛在發(fā)電量估計為14480.4 GWh。由表2分析可知，發(fā)電潛力受屋頂類型影響顯著。發(fā)電潛力較低的屋頂類型主要集中在低至中層高度的辦公樓、酒店和公寓等建筑。這些類型的建筑物通常面臨可利用屋頂空間有限的問題，同時在高密度城市環(huán)境中，其屋頂更易遭受鄰近高層建筑物產(chǎn)生的陰影遮擋，進而影響太陽能的接收效率。

相反，發(fā)電潛力較高的屋頂類型多見于具有廣闊屋頂面積的工業(yè)建筑、交通樞紐以及購物中心。特別是在長沙市產(chǎn)業(yè)結(jié)構(gòu)調(diào)整與升級的背景下，大型工業(yè)設(shè)施逐漸向郊區(qū)遷移。這一轉(zhuǎn)變帶來的一個顯著特點是郊區(qū)建筑物高度的均質(zhì)化，這種平均化的建筑高度布局減少了高層建筑對太陽輻射的遮擋效應(yīng)，從而為郊區(qū)工業(yè)園區(qū)的屋頂光伏發(fā)電提供了更為有利的條件。

綜上，考慮到工業(yè)園區(qū)多分布于郊區(qū)，并結(jié)合表2的數(shù)據(jù)可知，工業(yè)園區(qū)在總體建筑屋頂面積中占比最大，達到46.16%。因此，郊區(qū)的工業(yè)園區(qū)可能擁有較高的屋頂光伏發(fā)電量。

4 結(jié) 論

針對城市屋頂光伏潛力評估需求，本文考慮陰影效應(yīng)、地理位置和氣象條件多重因素的影響，提出一種基于多源數(shù)據(jù)融合的城市屋頂光伏潛力評估方法。通過本文的研究和案例分析，得到以下主要結(jié)論：

1）采用改進DeepLabv3+模型可獲得更精確的屋頂信息，相較于Unet、Mask-RCNN、DeepLabv3+等模型的精度分別高出5.74%、5.47%、1.85%。

2）評估案例表明長沙市屋頂總面積24.98 km2，考慮建筑陰影遮擋效應(yīng)，長沙地區(qū)屋頂太陽能光伏系統(tǒng)的可用屋頂面積在6月份達到了最大值。

3）長沙市全年城市化屋頂光伏發(fā)電潛力約為14480.4 GWh，時間上9月份的發(fā)電潛力最大，空間上工業(yè)建筑屋頂?shù)陌l(fā)電潛力最大，總體上長沙城市屋頂光伏具備較好的開發(fā)利用前景。

［參考文獻］

［1］ Net Zero Scorecard. Data Explorer ［EB/OL］. ［2022-12-25］. https：//eciu.net/netzerotracker

［2］ 黃震， 謝曉敏. 碳中和愿景下的能源變革［J］. 中國科學(xué) 院院刊， 2021， 36（9）： 1010-1018.

HUANG Z，XIE X M. Energy revolution under vision of carbon neutrality［J］. Bulletin of Chinese Academy of Sciences， 2021， 36（9）： 1010-1018.

［3］ 魏文棟. 能源革命： 實現(xiàn)碳達峰和碳中和的必由之路［J］. 探索與爭鳴， 2021（9）： 23-25.

WEI W D. Energy revolution： The only way to achieve emission peak and carbon neutrality［J］. Exploration and free views， 2021（9）： 23-25.

［4］ 王志軍， 劉明波， 謝敏. 含高光伏滲透配電網(wǎng)最優(yōu)潮流的分散式鞍點動態(tài)求解［J］. 中國電機工程學(xué)報， 2019， 39（2）： 459-468， 643.

WANG Z J， LIU M B， XIE M. Decentralized saddle-point dynamics solution for optimal power flow of distribution networks " " with " " "high " " photovoltaic " " penetration［J］. Proceedings of the CSEE， 2019， 39（2）： 459-468， 643.

［5］ 丁明， 王偉勝， 王秀麗， 等. 大規(guī)模光伏發(fā)電對電力系統(tǒng)影響綜述［J］. 中國電機工程學(xué)報， 2014， 34（1）： 1-14.

DING M， WANG W S， WANG X L， et al. A review on the effect of large-scale PV generation on power systems［J］. Proceedings of the CSEE， 2014， 34（1）： 1-14.

［6］ 楊春. 基于熵權(quán)TOPSIS模型的風(fēng)電光伏發(fā)展?jié)摿υu估［J］.太陽能學(xué)報， 2022， 43（12）：70-78.

YANG C. Comprehensive evaluation of wind power and photovoltaic development potential based on entropy weight "TOPSIS "model［J］. Acta "energiae "solaris sinica， 2022， 43（12）： 70-78.

［7］ MOHAJERI N， ASSOULINE D， GUDMUNDSSON A， et al. Effects of city size on the large-scale decentralised solar energy potential［J］. Energy procedia， 2017， 122： 697-702.

［8］ WIGINTON L K， NGUYEN H T， PEARCE J M. Quantifying rooftop solar photovoltaic potential for regional renewable energy policy［J］. Computer environment and urban system， 2010， 34： 345-57.

［9］ DEFAIX P， VAN S， WORRELL E， et al. Technical potential for photovoltaics on buildings in the EU-27［J］. Solar energy， 2012， 86（9）： 2644-2653

［10］ IZQUIERDO S， RODRIGUES M， FUEYO N. A Method for estimating the geographical distribution of the available roof surface area for large-scale PV energy-potential evaluations［J］. Solar energy， 2008， 82（10）： 929-939

［11］ SINGH R， BANERJEE R. Estimation of rooftop solar photovoltaic potential of a city［J］. Solar energy， 2015， 115： 589-602.

［12］ 徐孝彬， 張好杰， 白建波， 等. 基于改進Unet的分布式光伏建筑物高精度分割方法［J］. 太陽能學(xué)報， 2023， 44（11）： 82-90.

XU X B， ZHANG H J， BAI J B， et al. High-precision segmentation method of distributed photovoltaic buildings based on improved Unet［J］. Acta energiae solaris sinica， 2023， 44（11）： 82-90.

［13］ HUANG Z， MENDIS T， XU S. Urban solar utilization potential mapping via deep learning technology： A case study of Wuhan， China［J］. Applied energy， 2019， 250： 283-291.

［14］ ZHONG T， ZHANG Z， CHEN M， et al. A city-scale estimation of rooftop solar photovoltaic potential based on deep learning［J］. Applied energy， 2021， 298： 117132.

［15］ XU S， LI Z， ZHANG C， et al. A method of calculating urban-scale solar potential by evaluating and quantifying the relationship between urban block typology and occlusion coefficient： a case study of Wuhan in central China［J］. Sustainable cities and society， 2021， 64： 102451.

［16］ RODRIGUEZ L R， DUMINIL E， RAMOS J S， et al. Assessment of the photovoltaic potential at urban level based on 3D city models： a case study and new methodological approach［J］. Solar energy， 146： 264-275.

［17］ HONG T， LEE M， KOO C， et al. Development of a method for estimating the rooftop solar photovoltaic （PV） potential by analyzing the available rooftop area using Hillshade " analysis［J］. " Applied " energy， " 2017， " 194： 320-332.

［18］ KO L， WANG J C， CHEN C Y， et al. Evaluation of the development potential of rooftop solar photovoltaic in Taiwan［J］. Renewable energy， 2015， 76： 582-595.

［19］ CHEN L C， ZHU Y K， PAPANDREOU G， et al. Encoder-decoder with atrous separable convolution for semantic image "segmentation［C］//Proceedings of the 15th "European Conference on Computer Vision. Munich， Germany： Springer， 2018： 833-851.

［20］ BURROUGH P A， MCDONNELL R A， LLOYD C D. Principles of geographical information systems［M］. New York Oxford University Press， 1998.

［21］ 祝青， 張興， 李善壽， 等.一種基于功率閉環(huán)的動態(tài)多峰值最大功率點跟蹤算法研究與測試［J］.中國電機工程學(xué)報， 2016， 36（5）： 1218-1227.

ZHU Q， ZHANG X， LI S S， et al Researches and tests of a dynamic multi-peak maximum power point tracking algorithm based on power loop［J］. Proceedings of the CSEE， 2016， 36（5）： 1218-1227.

［22］ 孫韻琳， 杜曉榮， 王小楊， 等. 固定式并網(wǎng)光伏陣列的輻射量計算與傾角優(yōu)化［J］. 太陽能學(xué)報， 2009， 30（12）： 1597-1601.

SUN Y L， DU X R， WANG X Y， et al. Calculation of solar radiation and optimum tilted angle of fixed grid connected solar PV array［J］. Acta energiae solaris sinica， 2009， 30（12）： 1597-1601.

［23］ YOSHIDA S， UENO S， KATAOKA N， et al. Estimation of global tilted irradiance and output energy using meteorological data and performance of photovoltaic modules［J］. Solar energy， 2013， 93： 90-99.

［24］ HUANG S， RICH P M， CRABTREE R L， et al. Modeling monthly near-surface air temperature from solar radiation and lapse rate： application over complex terrain in Yellowstone National Park［J］. Physical geography， 2008， 29（2）： 158-178.

［25］ 方芳， 吳開順， 鄭道遠， 等. 中國典型城市建筑物實例數(shù)據(jù)集［J］. Science data bank， 2021， 6（1）： 182-190.

FANG F， WU K S， ZHENG D Y， et al. A dataset of typical urban buildings in China ［J］. Science data bank， 2021， 6（1）： 182-190.

［26］ MAO H， CHEN X， LUO Y， et al. Advances and prospects on estimating solar photovoltaic installation capacity and potential based on satellite and aerial images［J］. Renewable and sustainable energy reviews， 2023， 179： 113276.

ASSESSMENT OF URBAN ROOFTOP PV POTENTIAL BASED ON

MUTIL-SOURCE DATA FUSION

Peng Shurong1，Wang Na1，Li Bin1，Zhong Peijun1，Su Sheng1，Meng Wenchuang2

（1. College of Electrical Engineering， Changsha University of Science and Technology， Changsha 410114， China；

2. Energy Development Research Institute， China Southern Power Grid， Guangzhou 510663， China）

Abstract：Accurate assessment of urban rooftop PV development potential is one of the key problems to be solved for urban rooftop PV construction. Most of the existing studies are limited to the assessment of urban rooftop PV potential by a single data source， such as satellite remote sensing images or geographic information， which is difficult to accurately respond to the urban rooftop PV potential under the influence of multiple factors. Considering the shadow effect， geographic location and meteorological conditions， this paper proposes an urban rooftop PV enhancement method based on the fusion of multi-source information， which mainly includes three links： roof information extraction， regional building shadow calculation and PV power generation potential calculation， and a large amount of satellite remote sensing imagery， geographic information data， meteorological data and other data are introduced into the analyses of the links， which greatly enhance the accuracy of the assessment of the urban photovoltaic potential. The accuracy of urban PV potential assessment is greatly improved. Finally， the method is applied to Changsha City as an example， and the evaluation results show that the power generation potential of urban rooftop photovoltaic in Changsha City is 14480.4 GWh， which is a large potential for development.

Keywords：distributed photovoltaic； deep learning； geographic information systems （GIS）； satellite remote sensing imagery； multi-source information fusion