第二章 选址基础理论：资源评估、GIS与气象数据分析
各位工程师朋友，大家好。欢迎来到实战手册的第二章。
这一章，咱们聊聊选址的“地基”——资源评估。说白了，就是搞清楚“这地方有没有风？太阳够不够猛？”。
我见过不少项目，前期拍脑袋选了个地儿，结果装机后发电量惨不忍睹。嗯，这种坑，咱们得绕着走。
2.1 太阳能资源评估——别被“阳光充足”骗了
很多人觉得，只要晴天多，太阳能就一定好。其实不然。
我个人的习惯是，先看三个核心指标：GHI（水平面总辐照度）、DNI（法向直接辐照度）和日照时数。
- GHI：光伏电站最关心的数据。它代表太阳照到水平面上的总能量。
- DNI：光热电站和聚光光伏的关键。我做过一个槽式光热项目，DNI 低于 1800 kWh/m²/年，基本就别想了。
- 日照时数：每天太阳直射辐照度 ≥ 120 W/m² 的小时数。别只看天数，要看有效小时。
实战经验： 我曾经在西北某项目，当地人说“全年日照300天”。结果一查气象站数据，GHI 只有 1300 kWh/m²。为什么？因为沙尘暴多，大气浑浊度高。所以，数据说话，别信感觉。
数据来源方面，我推荐几个：NASA POWER、Solargis、Meteonorm。国内的话，中国气象局风能太阳能资源中心的数据也不错。
小技巧： 拿到数据后，先做“空间降尺度”。比如 NASA 数据分辨率是 1°×1°，大约 100 公里网格。你想想看，这能代表你那个山头吗？我一般会用 DEM 和局部气象站数据做修正。
2.2 风能资源评估——风不是越大越好
风能评估，核心是搞清楚风速分布和风功率密度。
很多人以为风速越大越好。其实，风机有切入风速和切出风速。风速超过 25 m/s，风机就停机保护了。所以，稳定才是王道。
我习惯用威布尔分布来拟合风速频率。形状参数 k 和尺度参数 c 是两个关键值。
# Python 示例：威布尔拟合风速数据
import numpy as np
from scipy.stats import weibull_min
# 假设你有一年的小时风速数据（m/s）
wind_speed = np.random.weibull(2, 8760) * 8 # 形状参数k≈2，尺度参数c≈8
# 拟合
params = weibull_min.fit(wind_speed, floc=0)
k, c = params[0], params[2]
print(f"形状参数 k = {k:.2f}, 尺度参数 c = {c:.2f}")
# 计算平均风功率密度
rho = 1.225 # 空气密度 kg/m³
avg_power_density = 0.5 * rho * np.mean(wind_speed**3)
print(f"平均风功率密度 = {avg_power_density:.2f} W/m²")
避坑指南： 我曾经在南方一个山地项目，只用了测风塔一年的数据就做了决策。结果第二年台风季，平均风速比第一年低了 1.5 m/s，发电量直接少了 20%。所以，至少要有连续 3 年的完整数据，最好包含一个丰水年和一个枯水年。
风向也很重要。我建议画风玫瑰图，看看主风向是否与地形走向一致。如果主风向正好对着山谷，那就有“狭管效应”，风速会增大。反之，如果主风向被山体挡住，那就麻烦了。
2.3 地理信息系统（GIS）基础——选址的“透视眼”
GIS 这东西，说白了就是把地理数据叠在一起看。
我常用的 GIS 操作就三个：图层管理、缓冲区分析、叠加分析。
- 图层管理：把地形、道路、电网、保护区、土地性质等数据叠在一起。就像 PS 里的图层一样。
- 缓冲区分析：比如，变电站周围 500 米内不能有建筑物？那就画个 500 米缓冲区。
- 叠加分析：把多个条件叠加，找出“同时满足”的区域。比如：坡度 < 10°、离电网 < 5 km、非保护区。
我的习惯： 先用 QGIS（开源免费）做初步筛选。QGIS 的“栅格计算器”很好用，可以快速算出坡度、坡向。我一般会生成一张“适宜性地图”，用颜色深浅表示选址优先级。
数据格式方面，记住两个：矢量（Shapefile） 和 栅格（GeoTIFF）。矢量用来表示点、线、面（比如风机点位、道路）。栅格用来表示连续数据（比如 DEM 高程、风速分布）。
小提示： 如果你没有现成的 GIS 数据，可以去 USGS EarthExplorer 或 地理空间数据云 下载。国内的话，30 米分辨率的 DEM 数据是免费的。
2.4 气象数据分析——别让“坏数据”毁了你的项目
气象数据是选址的“原材料”。但原材料质量不行，后面全白搭。
我遇到过最坑的事：某项目用的气象站数据，风速传感器被鸟粪堵住了，连续三个月数据都是 0。嗯，这种数据要是直接拿来用，后果可想而知。
所以，数据清洗是第一步：
- 检查缺失值：超过 5% 的缺失，就要考虑插值或换数据源。
- 检查异常值：比如风速突然跳到 100 m/s，那肯定是传感器故障。
- 检查时间一致性：比如 1 月 1 日的数据突然跳到 7 月，那可能是时间戳错了。
清洗完后，要做空间插值。因为气象站是离散的点，我们需要把点数据变成面数据。
常用的方法有：
| 方法 | 适用场景 | 精度 | 我的评价 |
|---|---|---|---|
| 反距离加权（IDW） | 地形平坦、站点密集 | 中等 | 简单快速，但容易产生“牛眼”效应 |
| 克里金（Kriging） | 地形复杂、站点稀疏 | 较高 | 我比较喜欢，但计算量大 |
| 趋势面分析 | 大尺度区域 | 较低 | 只适合粗略估算 |
避坑指南： 我曾经用 IDW 插值一个山地项目，结果在背风坡插出了比迎风坡还高的风速。为什么？因为 IDW 只考虑距离，不考虑地形遮挡。后来我改用“地形修正的克里金”，结果合理多了。所以，复杂地形下，别偷懒用简单方法。
最后，要生成典型气象年（TMY）。TMY 是从多年数据中选出“最典型”的 12 个月拼成的。它不代表任何真实年份，但能代表长期平均情况。
生成 TMY 的步骤：
- 收集至少 10 年的逐小时数据（风速、风向、温度、气压、辐照度等）。
- 对每个月，计算各气象要素的长期累积分布函数（CDF）。
- 选出与长期 CDF 最接近的年份的对应月份。
- 拼接成 8760 小时的 TMY 数据。
嗯，这一步很繁琐。我一般用 Meteonorm 或 PVsyst 自带的工具自动生成。但如果你要自己写代码，可以参考 NREL 的 TMY3 算法。
好了，这一章的内容就到这里。资源评估是选址的“眼睛”，GIS 是“地图”，气象数据是“原材料”。三者缺一不可。
下一章，咱们聊聊具体的选址模型和优化算法。到时候见。