屋顶分布式光伏发展适宜性研究

临着更为迫切的减排需求。光伏发电减排效益显著,其单位面积能量密度低，大为研究对象，通过ArcGIS空间分析，研究太阳能资源精细化空间分布与时间变化；通过气象、地理、经济等方面12项指标多源数据融合，采用层次分析等方(1)明确太阳能资源精细化分布特征与变化趋势。在空间上，四省太阳能MJ·m-²,有效日照天数分布在210~300天之间，二者均呈现显著纬度梯度特征，增趋势，其值在1.9至5.7之间。在时间上，从1960年至2020年，四省太阳辐射气候倾向率下降显著,但近三十年及近十年的下降速率显著放缓。(2)创建屋顶分布式光伏四维适宜性评价体系。四个维度分别是太阳能资11.52%、13.61%和46.87%。12项指标中，对适宜性影响最大的两个是城镇村用性得分在3.77~7.38之间，依分数高低划分为高、中、低三类适宜性区域。(3)明确光伏发展适宜性类型分布及潜在效益。属于高适宜性的地市集中伏的屋顶面积为1.9×10⁶公顷，年发电潜力为16000亿千瓦时(碳吨),低、中、高适宜区的占比分别约为17%、32%、51%。各适宜性区域潜在发用电比皆超过70%,村庄住宅屋顶发电潜力占比近75%,适宜“零碳房”的推(4)制定光伏全生命周期开发模式对比方案。三种开发模式综合对比，选Ⅲ应屋顶光伏总减排潜力为年均6.6亿吨，相当于2021年四省碳排放总量的25%,TheJiangsu-Shandong-Henan-Anhuiprovinces,withdensepopulations,reductiondemandsundeofferssignificantemissionreductionbenefits.Whilelarge-scwallswithoutrequiringconpossessabundantrooftopspaces,makingtheexplorationofdistributedphotovoltaicfourprovinces.ItemploysArcGISspatialanalysistoinvest(12indicatorsacrossmeteorological,geographica(1)Clarifytherefineddistribudurationspanning210-300days,bothdemonstratingdistinctlatitudinalgradientsofrespectively.Annualsoradiationclimatictendencyratesisobserved,thoughthedeclinerateshavenotablyVcomplexity(11.52%),socioeconomiccompatibility(13.61%),andandlowsuitabilityzonesftheoreticalrooftopphotovoltaicdeploymentareaacrosstheref17%,32%,and51%respectively.Allsuiconsumptionratiosexceeding775%ofgenerationpotential,demonstratingsiapproachdemonstrates28.74×10¹²kWhtotalelectricitywithannualproductionof9.58×10¹¹kWh.KEYWORDS:Roof;DistributedPhotovo 11.1研究背景 11.2国内外研究进展 21.2.1太阳能资源研究情况 21.2.2屋顶分布式光伏研究进展 41.3研究内容与意义 51.3.1研究内容 51.3.2研究意义 51.4数据来源与技术路线 61.4.1数据来源 61.4.2技术路线 6第二章材料与方法 82.1研究区概况 82.1.1四省概况 82.1.2四省光伏发展现状 92.2研究方法 102.2.1太阳能资源评价方法 2.2.2层次分析法原理 2.2.3发电与减排效益的估算方法 15第三章太阳能资源评价 3.1太阳能资源空间分布 3.1.1太阳能资源评价指标实际计算结果 183.1.2空间分布 3.2太阳能资源变化趋势分析 3.2.1显著性检验 3.2.2太阳辐射的气候倾向率分布 3.2.3气候倾向相对变率分布 3.2.4趋势分析 第四章屋顶分布式光伏发展适宜性评价 4.1适宜性评价的实现 4.1.1影响因素的选取 4.1.2因素与维度的权重结果 284.1.3因素的赋分原则与结果 4.1.4加权叠加原理 4.2适宜性分级结果与分析 4.2.1适宜性类型区域分布特征结果与分析 4.2.2适宜性区域的发电减排潜力分析 4.2.3适宜性类型与城、镇、村发电潜力分析 4第五章开发规划及其发电减排效益 5.1开发模式选择 495.2具体开发模式下的全生命周期效益评估 第六章讨论与结论 6.1讨论 6.2结论 55参考文献 插图清单图1-1技术路线图 7图2-1站点位置图 图3-1年均太阳辐射空间分布图 图3-2年均日照稳定度空间分布图 图3-3年均有效日照天数空间分布图 图3-4太阳辐射量气候倾向率分布图 图4-1太阳能资源禀赋分级图 图4-2建设复杂度分级图 3图4-3社会经济适配性分级图 图4-4发展空间条件分级图 图4-5四省屋顶分布式光伏发展适宜性分级图 图4-6安徽省屋顶分布式光伏发展适宜性分级图 37图4-7江苏省屋顶分布式光伏发展适宜性分级图 图4-8河南省屋顶分布式光伏发展适宜性分级图 图4-9山东省屋顶分布式光伏发展适宜性分级图 图4-10各居住区发电潜力组成百分比堆积图 图4-11各适宜性发电潜力组成百分比堆积图 附表清单表2-1四省部分社会经济数据 8表2-2四省光伏发展现状表 9表2-3太阳能资源丰富性等级 1表2-4太阳能资源稳定性等级 表2-5太阳能资源保障性等级 表2-6四省a、b取值参考表 13表2-7随机一致性指标 表2-8公式(2-15、16)相关参数信息 表2-9公式(2-17)相关参数信息 表2-10公式(2-18)相关参数信息 17表3-1各地级市太阳能资源指标计算结果 表3-2通过a=0.05显著性检验站点的气候倾向率及气候倾向相对变率* 2表3-3未通过a=0.05显著性检验站点的气候倾向率及气候倾向相对变率* 表3-4通过α=0.05显著性检验的站点的气候倾向率类型分布 表3-5通过a=0.05显著性检验的站点的气候倾向相对变率类型分布 表3-6通过a=0.05显著性检验的站点的气候倾向率分布 表3-7未通过α=0.05显著性检验的站点的气候倾向率分布 表4-1太阳能资源禀赋判断矩阵 表4-2建设复杂度判断矩阵 表4-3社会经济适配性判断矩阵 表4-4发展空间条件判断矩阵 表4-5适宜性评价判断矩阵 表4-6太阳能资源禀赋层次分析结果表 表4-7建设复杂度层次分析结果表 表4-8社会经济适配性层次分析结果表 表4-9发展空间条件层次分析结果表 表4-10适宜性层次分析结果表 表4-11太阳能资源禀赋赋分区间表 表4-12建设复杂度赋分区间表 表4-13社会经济适配性赋分区间表 3表4-14发展空间条件赋分区间表 表4-15四省地级市城、镇、村内部居住区面积表 40X表4-16各适宜性地级市理想发电潜力表 41表4-17各适宜性地级市减排量与发用电比值表 42表4-18相关研究成果表 43表4-19各省发用电比值表 43表4-20各省屋顶分布式光伏理想减排效果表* 4表4-21高适宜性地级市三类居住区理想发电潜力表 4表4-22中适宜性地级市三类居住区理想发电潜力表 表4-23低适宜性地级市三类居住区理想发电潜力表 46表4-24适宜性与居住区发电潜力汇总表 46表5-1三种模式周期内逐年发电量 表5-2考虑衰减后各年发电量比率 表5-3逐年发电量明细表 表5-4减排量汇总表 表6-1其他应用场景发电减排潜力表 1全球可再生能源新增装机容量达到550GW,同比增长14.6%,中国可再生能源贡献者。至2025年，可再生能源(包括水电)发电量预计将占全球总发电量的35%,首次超越煤电，成为全球主要发电来源。这一增长主要得益于太阳能和风电的快速扩张，二者预计将占新增发电量的97%,其中太阳能占80%。十分活跃，形成了一片典型的经济-人口高密度区。密集的生活与生产带来了大量的能源消耗，该地区的用电量约占全国用电量的25%,在我国当前的双碳背景2度逐步转向精细化区域评估。早期研究大多依托于气候模型[18-20](如Bird、下降幅度变的很小(<5%)。Bergin²4结合了现场测量和全球建模，以估计与人为来源(例如化石和生物质燃料燃烧)相关的灰尘和大气颗粒物(PM)对太阳能发电的影响。结果表明，这些地区的太阳能产量目前减少了17-25%,在印度北出结论，由于空气污染，印度在2001年至2018年期间损失了29%的可利用阳能的技术潜力至少5.7万亿千瓦时，若能够将这些清洁电力传输到中国东南地步填补复杂地理环境下的研究空白。王磊[3]等利用近10万张街景图片数据和太3均云量类型与SD也有着很强的显著性关系。DeLimal数据，使用Mann-Kendall方法和Sen技术分析了地表太阳辐射量的年度和季节性趋势，自2008年以来，巴西东北部地区东南部地区的辐射量约减少50W年。另一方面，在同一时间范围内，半干旱地区则增加了约40Wh/m²/年。气候内外学者都对聚光太阳能热发电(CSP)进行了评估研究，明确了在部分特定区4分辨率地理空间能源供应模型(BISE模型)来估计全球11个地区的可用建筑屋顶面积，并计算未来几十年间最先进的屋顶PV/T集热器的全球和区域能源生产国内早期有关屋顶太阳能资源辐射情况以及屋顶太阳能光伏潜力评估方面于人工智能算法(深度学习、语义分割模型等)对遥感图像以及建筑物屋顶进行潜力为14480.4GWh,珠三角地区的最大屋顶光伏发电潜力约为440.6×10⁸~721.2×10⁸千瓦时，且每年能够减少48%～78%的广东省电力消耗产生的温室气5348~696GW之间；而李小明等人相应结论为，中国村庄地区建筑屋顶的光伏装机容量在973～1232GW范围内。6日照时数数据来源于中国气象科学数据共享服务网();地形调查数据()。排潜力进行估算。本文使用了MATLAB、ArcGIS、Spsspro等应用软件和程序，空间分布等能被更好的展现。本文的技术路线如下图1-1所示。交通运输用地水域设施用地有效日照天数地形起伏度太阳辐射量民生支持度城镇村用地城乡人口比电力消耗量居住区面积日照稳定度道路条件图1-1技术路线图8中国地势西高东低，盆地和平原约占陆地面积的33%,其中平原的面积占比仅为12%,苏鲁豫皖四省的平原面积占省总面积的比例分列全国前四，依次为江苏、山东、河南、安徽。与此同时，综合其他适宜发展分布式光伏的条件(平原人口密度、建筑区面积等),四省在发展屋顶分布式光伏方面具有较多优势。的总人口、总GDP、总城镇村建设用地、总用电量均占比全国25%左右，分别为占比全国24.56%、26.45%、26.27%、25.66%。具体数据(2022年)如表2-1。省份人口(万人)\占比GDP(万亿)占比占比用电量(亿千瓦时)\占比山东安徽江苏四省全国山东省位于中国东部沿海、黄河下游，面积约占全国陆地总面积的1.62%,行政建制包含16个地级市。作为农业大省，山东的蔬菜、水果、水产品等农产行政建制包含18个地级市。河南是全国重要的农业大省，粮食产量常年位居全国前列，2024年粮食总产量占比全国近10%,为保障国家粮食安全发挥了重要江苏省位于中国东部沿海，面积约占全国陆地总面积的1.12%,行政建制包9含13个地级市。江苏是经济强省，2024年GDP近14万亿元，江苏的制造业发时，江苏的农业也较为发达，是全国重要的农产品生产基地之一。安徽省地处华东地区淮河中下游流域，面积约占全国陆地总面积的1.45%,行政建制包含16个地级市。截至2022年末，村庄人口占比39.85%,作为全国据国家能源局统计，截至2024年底，中国光伏发电新增装机容量27757万千瓦，累计装机容量88568万千瓦其中四省分别新增装机容量5864万千瓦，累计装机容量22439万千瓦，分别占比全国的21%与25%。进一步分析分布式光伏的发展情况，四省于2024年新增及累计分布式光伏装机容量占比总装机容量达到36%与43%,分别达到4269、16179万千瓦，四省分布式光伏分商用与户用两类，截至2024年底，四省新增及累计户用分布式光伏装机总量占比全国皆超半数，分别达到了53%与56%,四省户用分布式光也侧面反映了这一地区发展户用分布式光伏的巨大潜力。相关数据见下表2-2。表2-2四省光伏发展现状表地区2024年新增光伏并2024年新增分布式2024年新增户用光截止2024年底累计截止2024年底累计截止2024年底累计光伏伏光伏并网新增分布式光伏户用光伏山东江苏安徽四省合计全国2.2.1太阳能资源评价方法数据来源与制图方法(1)数据来源本文使用的太阳能资源数据来源于“中国气象科学数据共享服务网” (),采用了其中包括山东、河南、江苏、安徽四省内部81个及周边省份32个，共113个气象站点的1960—2020年的逐日气象要素观测数据(个别无气象站点的地市，其数据由周边站点插值取得),主要利用其实际日为气象站点位置分布图(后文考虑布局美观，故全文仅在此图添加经纬度)。40°00"N40°00"N邢台图例苏鲁豫皖(2)制图方法本文中空间数据的处理和分析过程均通过ArcGIS软件实现，所用底图来自年均有效日照天数和气候倾向率4项指标的空间分布图。点数据转换为面数据时(1)丰富性因子：太阳能资源最重要的就是其丰富程度，这与其利用潜力大小息息相关，是影响其规模发展的首要因素。光伏产业开发对象就是太阳能，标。因此，本研究使用年均太阳辐射来显示研究区(2)稳定性因子：太阳能受气候、天气、地理条件等因素的影响，具有明年中，各月日照时数大于6小时的天数的最大值与最小值的比值来表示，取多年(3)保障性因子：已有研究显示，若日光照时间小于3小时，则无明显的光电利用价值[119,在全年中有相当时间段属于此类无利用价值的开发时间，因度出发，本研究将日照时数≥3h的年天数作为评估太阳能资源的另一个指标，评估给出了诸多指标，本文取其中3项指标，①以太阳辐射量为指标，进行太阳能资源丰富等级的评估；②以各月的日照时数大于6h的天数的最大值与最小值进行太阳能资源保障性的评估，指标等级如表2-最丰富很丰富丰富一般日照稳定度稳定较稳定不稳定高中低(1)太阳总辐射计算方法省份理论b选用b安徽江苏山东S为日照百分率，即实际日照时数(n)与理论可照时数(N)的比值，N的(2)日照稳定度计算方法各月日照时数大于6h的天数；max()、min()分别为求最大值、最小值的标气候倾向率采用公式(2-5)进行计算。y表示样本量为n的要素变量，用x表示对应的时间样本序列号，构造x与y的一元线性回归方程。a、b分别为回利用t检验对趋势的显著性进行判断，检验统计量为公式(2-6),r为相关Ho,认为y的变化趋势是显著的。本文选取通过α=0.05显著性检验的站点进行分析。为便于分析，将系数b放大10倍，即为地面太阳总辐射每10a增(减)的公式(2-5)中气候倾向率带量纲，虽可直观地反映各站地面年太阳总辐射趋(2-7),式中，k是以50a为单元的气候倾向相对变率(单位：%/50a),a和b同公式(2-5)。层次分析法(AnalyticHierarchyProc性程度之比的形式表示出2个方案或2个因子的相应重要性程度等级[65]。重要集合。设i,j=(1,2,3,…,n),n为因子总数。式中：P为判断矩阵；Pi;为第i个因子与第j个因子重要性之比；Pji为第j个因子与第i个因子重要性之比。若i=j,Pi;=Pji=1。利用规范列平均法(和法)对判断矩阵的每一列进行归一化。式中：RI为随机一致性指标，通过查找表(2-7)得到。n1234567800若CR<0.10,则表示判断矩阵在合理的一致性水平；否则判断矩阵不满足一级市住宅区屋顶面积(公式(2-15)用于已知实际居住区面积、公式(2-16)用于未知实际居住区，但已知行政单位用地面积)Sroof=Sresidential*Kbuilding*KroofSroof=(Scity*Kcity+Svillage*Kvillage+Snamle*KnamletSroof:屋顶面积(公顷);其余参数信息详见表2-8。定义(来源)城市居住区占城市总面积比例129]乡镇居住区占乡镇总面积比例[129]屋顶面积占建筑面积比例[131]Hy:年有效发电量(千瓦时);表2-9提供了与其他参数相关的信息及取值。参数(单位)定义(来源)单块电池板的峰值功率[133]η年);公式中的其他参数信息和值见表2-10,其中排放因子参数取值来源于中国中华人民共和国生态环境部，其它参数取自CM-001-V02。表2-10公式(2-18)相关参数信息Tab.2-10ParameterInformationforEqu参数(单位)定义y年的电量边际排放因子y年的容量边际排放因子电量、容量边际排放因子权重3.1太阳能资源空间分布3.1.1太阳能资源评价指标实际计算结果下表为四省各地级市的太阳能资源相关指标计算结果。省地级市太阳辐射稳定度有效日照天数省份地级市太阳辐射稳定度有效日照天数山东滨州焦作山东德州山东东营洛阳山东漯河山东南阳山东济宁平顶山山东濮阳山东临沂山东青岛商丘山东日照新乡山东信阳山东许昌山东郑州山东烟台周口山东枣庄驻马店山东安徽安庆江苏常州安徽江苏淮安安徽亳州江苏安徽池州江苏南京安徽滁州江苏安徽阜阳江苏苏州安徽江苏安徽江苏泰州安徽江苏无锡安徽黄山江苏徐州安徽六安江苏安徽马鞍山江苏扬州安徽宿州江苏安徽稳定度有效日照天数日照稳定度有效日照天数安阳安徽芜湖安徽宣城四省年均太阳辐射(图3-1,为便于观察趋势，仅图3-1中添加省界与地级市名称)、年均日照稳定度(图3-2)和年均有效日照天数(图3-3)的空间分布图例图3-1年均太阳辐射空间分布图MJ/m²。相较之下，安徽中部、江苏西南部及河南南部地区辐射量略高一些，辐射值在4500MJ/m²左右，安徽、江苏两省在淮河北岸地区及河南东部与南部大南北维度差异以及地形差异有关，这一地区可能受太行年均日照稳定度4.30-4.98图3-2年均日照稳定度空间分布图5.7之间。四省西南部包括安徽、江苏南部及河南大部地区，这一地区稳定度K值基本保持在3以上，大多地区处于较稳定级，除了安徽南部部分地级市如黄山、安庆、宣城市等，这些地级市的稳定度K值大于4,属于相对不稳定区域，这与周边地势海拔情况有着较为紧密联系。对比图3-1和图3-2可以看出，二者照稳定度K值基本在3以下，属于较为稳定的地区。结合实际计算数据，山东东北部的潍坊、威海、东营三市日照稳定度K值在2及以下，属于稳定级，与张乾年均有效日照天数3-1和图3-3,有效日照天数的插值趋势线更为平滑，天数大小整体随着纬度的增加而增加，具体取值在210-300天之间，保障性属于中、高范畴。和前两项指标相同的是，安徽南部的部分地市，有效日照天数在220天左右，保障性在整个研究区域排名靠后。研究区的中间地带，即淮海平原地区的有效日照天数在250天左右，保障性相对较好。保障性最高的区域，仍是山东沿海地区，天数可达3003.2太阳能资源变化趋势分析由表3-2可知，在苏鲁豫皖四省具有长时间序列(1960~2020年)的81个气每50年的气候倾向相对变率较大，为-19.8%~-3.7%,无站点为正值，其中72.6%的站点的气候倾向相对变率小于-7.5%。由表3-3未通过a=0.05显著性检验的由8个站，每50年的气候倾向相对变率除江苏淮安达到-15.4%,其他站点都较小，其负值为-3.29%~-0.73%,仅山东菏泽定陶站点，其值为1.22%,其中58.3%的站点的气候倾向相对变率小于3.0%。在区域邳州固始安阳阜阳郑州滁州信阳费县亳州泰山昆山霍山日照东山睢宁砀山宁国许昌宿州东台祁门徐州盱眙新乡黄山南阳射阳马鞍山兖州龙口站点所在区域倾向率惠民陵县沭阳长岛海阳溧阳*表中各站均通过a=0.05的显著性检验站点倾向相对变率(%/50a)倾向率(MJ/10a)青岛西峡福山成山头吕泗定陶*表中各站未通过a=0.05的显著性检验本文所采用的气候倾向率是通过直线回归方法计算的带量纲的一种气候倾近61a通过a=0.05显著性检验站点的地面年太阳总辐射每10a的气候倾向率、相MJ/10a,所有站点倾向率皆为负值(下降)的,下降最大的站可达-214.3MJ/10a (商丘)。由表3-4可见,近61a四省通过a=0.05显著性检验的站点总体呈下降趋势。其中，下降明显和下降缓慢的站点分别占57.5%和30.2%，这与相关研究趋势类型气候倾向率(MJ/10a)占总站数比值/(%)站数(个)下降显著9下降明显下降缓慢上升0分布的研究结果，东中部地区地面太阳辐射比西部地区下降显著,以工业为主的计算四省周边地区站点的气候倾向率与表3-2的四省数据合并进行插值处度(550nm)分布图中的四省地区气溶胶厚度特征较为相似，这表明地面太阳辐Fig.3-4DistributionofC只能表示数量增(减)的大小。而气候倾向相对变率是表示不带量纲的气候变化趋势倾向相对变幅，它是表示增(减)相对幅度的大小，用气候倾向相对变率可对各站进行比较，其比较的意义更加明确客观。由表3-5可见，近61a四省通过a=0.05显著性检验的站点的地面年太阳总辐射总体呈下降趋势，其中，分别有61.6%和27.4%的站点呈下降明显和下降缓慢，无一站点为上升趋势。趋势类型气候倾向相对变率/(%/50a)占总站数比值/(%)站数/个下降显著8下降明显下降缓慢上升0对太阳辐射数据进行划分处理，分别对数据集中的后30年(1991-2020)及末10年(2011-2020)太阳辐射展开分析，计算通过检验与未通过检验的所有站时间序列093时间序列861得格外明显。在2011-2020这一组时间序列中，所有81个气象站点，共有50个站点倾向率为大于0MJ/10a。始上升出现“全球变亮”的趋势，这佐证了我们的分析结果。综合3.2.2节有关第四章屋顶分布式光伏发展适宜性评价针对影响屋顶分布式光伏开发的12项因素开展量化计算，并根据对各维度影响4.1.1影响因素的选取(1)太阳能资源禀赋这一维度包括年均太阳辐射、日照稳定度、有效日照(2)建设复杂度即未来实施建设屋顶光伏计划时，可能会影响到建设难度拔高度和地表切割程度的综合表征[116,相较于平均海拔，地形起伏度通过量化(3)社会经济适配性这一维度需综合考虑政策与经济发展的双重影响，包影响对屋顶分布式光伏的投资力度；经济发展方面则包含着人均GDP与社会用电量两项，分别表示收入与支出。人均GDP能有效表征区域经济发展水平，光(4)发展空间条件是限制某一地区分布式光伏发展潜力的重要因素。本研四个维度和12类影响因素的权重源自层次分析法的判断矩阵，矩阵内两两因素名日照稳定度124日照稳定度1111表4-2建设复杂度判断矩阵因素名地形起伏度城乡人口比地形起伏度1311城乡人口比211表4-3社会经济适配性判断矩阵因素名民生支持度电力消耗量12民生支持度1电力消耗量231表4-4发展空间条件判断矩阵因素名交通运输用地157交通运输用地121表4-5适宜性评价判断矩阵维度名建设复杂度132建设复杂度1111发展空间条件2431因素名权重值(%)日照稳定度结果显示，最大特征根为3.054,根据RI表查到对应的RI值为0.525,因此表4-7建设复杂度层次分析结果表因素名权重值(%)地形起伏度城乡人口比结果显示，最大特征根为3.018,根据RI表查到对应的RI值为0.525,因此因素名权重值(%)人均GDP民生支持度电力消耗量结果显示，最大特征根为3.009,根据RI表查到对应的RI值为0.525,因此因素名权重值(%)交通运输用地结果显示，最大特征根为3.014,根据RI表查到对应的RI值为0.525,因此维度名权重值(%)建设复杂度发展空间条件结果显示，最大特征根为4.031,根据RI表查到对应的RI值为0.882,因此本文选取的12项影响因素之间具有量纲差单位差异，故此不能采用原有指政策条例和现有研究，结合整理完成的单因素内部数据及分析内部差异，将12别赋值3分、4分、5分、6分、7分和8分，为便于理解，此类称为顺序类；另一类则相反，按照实际数值从大到小，分为六个级别赋值3分-8分，取为逆序具体而言，结合4.1.1节对各维度包含影响因素的介绍内容，做如下分类：实际数据值即代表某地级市的总值或均值，赋分即对属太阳辐射量/(MJ/m²)日照稳定度34S678Fig.4-1ClassificationM345678图4-2建设复杂度分级图Fig.4-2ClassificationMapofConstructionComplexity表4-13社会经济适配性赋分区间表民生支持度/亿元电力消耗量/亿千瓦时345678图4-3社会经济适配性分级图水域及水利设施用地/万公顷345678(a)城镇村用地面积(b)交通运输用地面积Fig.4-4Classificatio内部的加权叠加，即各个维度先将属于本维度的3项因素叠加计算，得出各地级果(处于3-8分之间);第二层是四个维度之间的加权叠加，即将各维度的权重等级。加权叠加如下式(4-1)、(4-2)示意：维度得分=∑(因素赋分×因素权重)(4-1)适宜性得分=∑(维度得分×维度权重)(4-2)4.2适宜性分级结果与分析由4.1节最终计算得出四省各地级市的屋顶分布式光伏发展适宜性得分，在处于3.77~7.38之间，将评价结果依据自然段点法进行分区后进行人工修正，最宜区3个类型，如图4-5。开封市济泊市酷博市平顶山市马鞍山市铜陵市如适宜性研究结果可知，三类适宜性区域各分有21个地级市。图4-5显示部地区。在这些地区不仅太阳辐射量高(表3-1),而且地形起伏度极低，更加易宜区域，通过分析图4-1至4-4,发现这四个地市的发展空间与社会经济适配性属于中适宜类型主要是因为整体发展空间较小及社会经济与光伏发展适配性较低；其余三省各个维度的得分较为均衡(图4-1至4-4),故此在发展屋顶分布式(3)属于低适宜性区域的地市在图中用黄色表示，可由图4-5发现这一类型可从3.1.2太阳能资源评价指标结果分析一节以及图4-1易知，与此同时，这一地区的发展空间也十分有限(图4-4),这两个主要原因导致了这一片区的屋顶分图4-6),但是由于这一地区与发展屋顶分布式光伏的社会经济适配性较低(图4-3),同时发展空间受地形限制而先天条件不足(图4-4),光伏开发难度大，故此也属于低适宜区域；苏皖中部则是因为四个维度的因素得分皆表现平平的同时 (图4-1至4-4),发展空间也较小而导致适宜性得分较低。四省的适宜性分级如图4-5所示，为更直观的了解与分析各省内部适宜性情级图，将属于各省的两张分级图对比分析，如图4-6至4-9。如图4-6(b)为安徽省内部适宜性分级图，可以明显的看出相对于图4-6三市在省内被重新划分为高适宜区域，这与发展空间相关；省内新的中适宜区域则全部由皖中及皖北五市理社会经济条件限制，在省内依旧属于低适宜对比其江苏省两幅适宜性分级图可知，高适宜区域于中适宜类型。江苏省内部的高适宜性区域无皖南山区的建设劣势，故相较于安徽地区而言，其在发展屋顶分布式光伏方河南与安徽情况类似，都出现了适宜性类型的提升少，不同的是，安徽省有五个低适宜地级市提升了门峡市因太阳能资源与发展空间相较于其他低适宜区域有着较高评价分为中适宜类型；结合河南省内部适宜性分级图及因素赋分分级图(图4-1至4-4),其低适宜性类型的地市，主要原因即是行政面积较之其他地市略小。综合考虑全省情况，若在河南境内发展屋顶分布式光对比图4-6至4-9易发现与豫苏皖三省适宜性类型分布特征不同，山东省因适宜性得分，将山东省16个地级市，划分为6个高适宜，中适宜及低适宜各54.2.2适宜性区域的发电减排潜力分析适宜性类型的发电减排潜力分析用公式(2-15),故需要各地级市实际居住区面积数据，依据来源于国土调查成果共享应用服务平台的第三次全国国土调查数据，可知四省截止2022年末的城、镇、村内部居住区面积。表4-15为整理后详细数据。(有关公式(2-16)及城、地级市乡镇/地级市名称乡镇/郑州亳州洛阳宿州平顶山安阳阜阳新乡滁州焦作六安濮阳马鞍山许昌芜湖漯河宣城南阳池州商丘安庆信阳黄山周口济南驻马青岛淄博南京枣庄无锡东营徐州烟台常州苏州济宁泰安淮安日照盐城临沂扬州德州聊城泰州滨州菏泽由以上数据结合公式(2-17)和适宜性分级结果(图4-5)可计算得出各地高适宜性地市亿千瓦时中适宜性地市年发电潜力/亿千瓦时地市年发电潜力/亿千瓦时临沂常州青岛滁州东营淮安苏州焦作济宁郑州南京平顶山烟台信阳濮阳漯河徐州新乡亳州许昌安阳滨州六安安庆德州日照商丘扬州周口马鞍山枣庄芜湖宿州洛阳宣城阜阳驻马店黄山南阳泰州池州无锡总计总计总计潜力约为15939.50亿千瓦时，约占2022年研究区社会总用电量的75%。低、中、高适宜区的发电潜力占比分别为17%、32%、51%,高适宜区发电潜力占比电平均土地密度为每千瓦时占地0.027m²,则需利用约4.3万平方公里土地，相当于需要额外占用四省近8%的国土面积。苏鲁豫皖地区作为国家重要粮食主产烧产生CO₂排放为2.46kg¹47]。根据中国电力统计年鉴，发电1千瓦时要消耗约瓦时相当于少使用火力发电1千瓦时，也就可减少CO₂排放0.74kg,可由此初步估算各市年碳减排量。依据各省统计年鉴整理各地级市2022年全社会用电量数据，与理想发电潜力对比得出发用电比值。具体数据如下表表4-17各适宜性地级市减排量与发用电比值表高适宜性地市发用电中适宜性地市发用电比值发用电比值临沂常州青岛滁州东营苏州焦作济宁郑州南京平顶山烟台信阳濮阳徐州新乡亳州许昌安阳滨州六安安庆德州日照扬州周口市开封市马鞍山枣庄芜湖宿州洛阳宣城阜阳黄山南阳泰州池州无锡总计横向对比各适宜性区域合计发用电比值，三者比率皆达到70%以上，足以证实屋顶分布式光伏的发展潜力巨大。另一方面，虽各发电潜力与用电(发展)较为平衡，不因适宜性不同而产生较大的发用电差距，基于研究参数测算，四省的屋顶面积约为1.9×10⁶公顷，年发电潜力约为瓦时)的73.5%,与四省总比值(75%)较为接近，进一步体现出本文研究区域的代表性。同时，预计全国每年可依此实现碳减排约44.86亿吨，根据关大博等学者的全国碳核算研究[149],该减排量相当于2021年全国碳排放总量(112.95亿吨)的39.7%。需特别说明的是，上述估算基于理想条件，本研究仅针对四省屋面积约379万平方公里，年发电潜力达1.38×10¹⁴千瓦时。仅中国高适宜区的集中式光伏发电潜力已达33.41×10¹²千瓦时，是2016年中国总发电量的五倍以减排潜力数据，如表4-18所示。表4-18相关研究成果表Tab.4-18RelatedResear研究区布设面积/km²减排量/10TCO₂江苏未提及安徽徐州台湾未提及京津冀表4-19各省发用电比值表省份发电潜力/亿千瓦时用电量/亿千瓦时江苏安徽山东省份CO₂减排量/10⁶TCO₂总排放/10⁶T减排比江苏安徽山东*CO₂总排放数据时间为2021年分析表4-19可知，四省发用电比值差距较大，江苏、山东两省因地区经济发用电比值与各适宜性区域比值(表4-17)也十分接近，这也表明了研究区域自顶分布式光伏的面积划分为城、镇、村三类单独计算(表4-15),故此可得出各适宜性区域各地级市各类居住区屋顶分布式光伏发电潜力。如下表4-21、4-22、表4-21高适宜性地级市三类居住区理想发电潜力表高适宜性地市各市总/亿千瓦时亿千瓦时乡镇/亿千瓦时亿千瓦时临沂青岛苏州济宁郑州烟台徐州续表4-21高适宜性地级市三类居住区理想发电潜力表高适宜性地市各市总/亿千瓦时城市/亿千瓦时乡镇/亿千瓦时亿千瓦时滨州德州商丘周口宿州阜阳南阳中适宜性各市总/亿千瓦时亿千瓦时乡镇/亿千瓦时亿千瓦时滁州东营南京信阳新乡亳州安阳六安日照扬州枣庄洛阳泰州无锡表4-23低适宜性地级市三类居住区理想发电潜力表各市总/亿千瓦时亿千瓦时乡镇/亿千瓦时亿千瓦时常州焦作平顶山濮阳许昌安庆马鞍山芜湖宣城黄山池州由以上三表相结合可分别三类适宜性区域与三类居住区的发电潜力汇总表，居住区亿千瓦时乡镇/亿千瓦时亿千瓦时合计/亿千瓦时低/亿千瓦时中/亿千瓦时高/亿千瓦时合计/亿千瓦时据此制作两幅百分比堆积图，如图4-10、4-11,易于直观展示各居住区与各 建制镇村庄■建制镇低从图4-10和图4-11可直观的发现，在各居住区发电潜力组成中，无论是哪致，且高适宜发电潜力总量占比超过50%;在各适宜性发电潜力组成中，各居住接近，且村庄的占比都达到75%左右，城市居住区的发电潜力最小。条件下(表4-21、22、23),出现了相同适宜性区域的发电潜力在各居住区中有其次是在各适宜性区域发电潜力不同的条件下(表4-24),出现了相同居住区类型的发电潜力在各适宜区中有着相近占比的情况。分析表4-15可以发现，单独分析村庄地区的发电潜力(表4-21、22、23),将其与各地市总发用电比值(表4-17)进行对比，可以发现存在较强的关联性。发用电比值高的地区通常人均收入较低，整体经济欠发达；与此同时，村庄光伏发电贡献显著,则表明第五章开发规划及其发电减排效益5.1开发模式选择为30年，故此本研究以30年为周期，同时根据适宜性划分及研究区特征，选择具有代表性的时间安排为开发模式规划依据。其中，依适宜性分级开发(模式一):直接按四省整体的高、中、低适宜性等级顺序推进屋顶分布式光伏建设，每10年完成一个适宜性类型的建设任务；整体区域均衡开发(模式二):在30年内逐步推进四省的各市光伏布设工作，省内适宜优先开发(模式三):首先依照各省内部独立适宜性划分结果，选光伏建设，每10年完成一个适宜性类型的建设任务。模式一/亿千瓦时模式二/亿千瓦时模式三/亿千瓦时111222333444555666777888999模式一/亿千瓦时模式二/亿千瓦时模式三/亿千瓦时总计总计总计年均年均年均三种模式下的发电量对比如表5-1所示。经比较得出，三种发展模式中，按式一的增发电量有限，仅约占总体的1.5%。相较于模式二的周期总发电量，模式一、模式三两种开发模式在一个周期内，可额外提供约5.5和6.0万亿千瓦时模式三发电量较高，但结合节相关内容，这是因为划分各省内部适宜性高适宜占优”的原则，四省分别为高、中、低分配了23、20、20个地级市，而5.2具体开发模式下的全生命周期效益评估对四省屋顶分布式光伏发电全生命周期(30年)发电减排效益进行估算。该估算公司CHGMN72D型N型单晶高效双玻组件为基准，该组件功率首年衰减率上限为1%,后续年度线性衰减率不超过0.4%,为简化计算，假设光伏系统在全寿比率1%比率1%比率1%123456789表5-3即为按照模式一开发四省屋顶分布式光伏的发电量明细表。其中各列标题N年前：第N年以前建设区域，在第N年发电量N年新：第N年新建设区域，在第N年发电量N年总：第N年所有区域总发电量表5-3逐年发电量明细表亿千瓦时亿千瓦时亿千瓦时亿千瓦时亿千瓦时亿千瓦时123456亿千瓦时亿千瓦时亿千瓦时亿千瓦时亿千瓦时亿千瓦时789基于上述计算数据，四省屋顶分布式光伏在全生命周期(30年运营期)内预Tab.5-4SummaryofEmissionRedCO₂/亿TSO₂/万T总量年均6.1讨论究过程中，还有部分相关问题与内容值得探究与讨论供了70%以上的发电潜力。国内也有部分学者针对中国农村地区的屋顶分布式的屋顶总面积为212.4亿m²,屋顶光伏面积在17.41~34.7亿m²之间，年发电量在493~985TWh之间；李小明则得出了中国大陆农村地区仍有超过64亿m²的建筑屋顶面积可用于安装分布式光伏，发电量将达到1159~1467TWh,二者结果如研究方法中的公式(2-15)与(2-16),当实际居住区面积易于获取时则利用较为简单的公式(2-15)进行屋顶面积估算；当仅能获取行政区域建设用地面积数据时，则针对性利用公式(2-16),其中的比例系数则需要依据政策文件、过往调查研究评估确定，本文则利用统计得到的2023年底四省的实际居住区面积与行进行了矫正与验证，最终确定其值分别为35%、45%和55%。依此估算出的中国居住区面积为1635亿m²,实际统计数据为1667亿m²;村庄居住区面积为1177亿m²,实际统计数据为1250亿m²,误差皆在2%以内。这一系数虽存在依此数据计算得出可供布设光伏面积为262亿m²,这一数据之所以相较于分空心村因青壮年外出务工导致屋顶闲置率可达30%~40%,同时还存在老旧空置房屋因结构安全问题(如预制板屋顶承载力不足)无法直接安装光伏。因此，进行估算，初步得出了其他应用场景的发电与减排潜力(表6-1),有待更多的研公顷公顷发电量/亿千瓦时万吨发用电比\减排比交通运输水域及设施适宜区推广“光伏+农业大棚”等复合开发模式，提升土地综合效益；苏皖等中(3)关于碳减排的问题。本研究有关光伏碳减排量仅考虑发电减排，未考虑在光伏的实际生产建设过程中，还存在着不同程度的碳排究成果为例，功率为500kW的光伏电站，其全生命周期生产过程碳排量约为1.0×10⁶kg,据此估算四省屋顶分布式光伏在全生命周期内碳排量将超3亿吨，屋顶分布式光伏则可能因安装、维护等流程的特(1)明确太阳能资源精细化分布特征与变化趋势。在空间上，四省太阳能MJ·m-²,有效日照天数在210~300天之间，二者均呈现显著纬度梯度特征，分别间，表现为由西南-东北逐步稳定的趋势。在时间上，从1960年至2020年，太阳辐射气候倾向率下降显著,豫东南及皖北地区太阳辐射下降趋势最为显著。但(2)创建屋顶分布式光伏的四维评价体系。四个维度分别是太阳能资源禀13.61%和46.87%。各维度内权重最大的指标分别为太阳辐射量、道路条件、电的发展适宜性得分，划分为高(5.91~7.38)、中(5.21~5.90)、低(3.77~5.20)三(3)明确光伏发展适宜性特征及量化效益。经过发展适宜性评价，四省的高、中、低三级适宜性区域分别包含21个地级市，高适宜区域较为连片，主要的屋顶分布式光伏若实现充分开发，年发电潜力可达到16000亿千瓦时，约占32%、51%。各适宜性区域内部与四省总计发用电比值分别为76%、75%、71%和75%,凸显发展潜力巨大的同时，也表明了研究区域自身的互补属性与适宜性(4)点明适宜性与居住区类型的典型特征。对三类适宜性区域与三类居住总量占比都超过50%。在各适宜性发电潜力组成中，三类居住区在各适宜性发电潜力总量中所占的比例同样十分接近，且村庄的发电潜力占比最高，达到70%以上，城市居住区的发电潜力仅约为17%。(5)制定全生命周期开发模式对比方案。在区域内选择依适宜性分级开发(6)可供拓展方向。屋顶分布式光伏虽发电潜力巨大，但存在上限瓶颈和参考文献[1]RippleWJ,WolfC,GreggJWBioscience,2022,72(12):1149-1155.[2]ZhangW,ZhouT,YeW,etal.AYearMarkedbyExtremePrecipi2022,119(34).[6]StoddardI,AndersonK,CapstickS,Sustainability,2023,6(7):742-751.[11]HotchkissE,UrdanetaMP,BazilianMD.Comparingm[12]FarghaliM,OsmanAI,MohamedIMA,etal.Strategiestosaveeenergycrisis:areview[J].EnvironmentalChemistryL45+2.[17]HainschK,LöfflerK,Bura[18]BirdRE,HulstromRL.Simplifiedclearzontalsurfaces[J].tech.rep.so[19]Maxwell,E.L.METSTAT--thesolarradiationmodelusedintheproductionofthenationalsolarradiationdata[J].SolarEn[20]YangK,HuangGW,TamaiN.AhybridmodEnergy,2001,70(1):13-22.[21]PerezR,IneichenP,SealsR,etal.Modelingdaylightavmodelfortiltedsurfaces[J].44(5):280-285.2023,44(12):162-169.TibetanPlateau[J].ScienceBulletin,2023,68(1):39-42.2023,285.[39]KariukiBW,SatoT.Interannualandspatial[40]TangC,ZhuY,WeiY,etal.SpatiotemporalCharacteristicsa2025,207:114934.[43]MicheliL,AlmonacidF,BessaJG,etal.Theimpacto[44]BartoszekK,MatuszkoD,WeglarczykS.Trendsinsu2018)[J].internationalJournalofClimatologsessments,2019,35:335-346.2023,56(05):1-10.JournaloftheRoyalSocietyofNewsibilityOfTheirUse[J[53]HeYL,QiuY,WangK,etal.Perspectiveofconcentratingsolarpower[J].Energy,20245(02):44-52.[59]ObaideenK,OlabiABibliometricAnalysisandResearchContributiontoSustainableDev(SDGs)[J].Sustainability,2023,15(2).future[J].Joule,2021,5(5):1041-1056.34+131.[63]KircaliS,SelimS.Sitegies,2018,11(7).