城市建筑屋頂光伏發電潛力評估方法和模型

李濘呂,趙方凱,陳利頂,2,*

1 云南大學生態與環境學院,昆明 650500

2 中國科學院生態環境研究中心城市與區域生態國家重點實驗室,北京 100085

隨著社會經濟快速發展,碳排放激增導致的氣候變暖問題已是當前全球面臨的最大挑戰之一,如何實現碳中和被紛紛納入世界各國的未來發展規劃[1]。可再生能源的開發利用是實現凈零排放的必然選擇,預計在達到全球碳中和目標時,可再生能源在一次能源中的占比將由當前的14%提升至60%[2]。其中太陽能是最具潛力的可再生能源,每兩小時到達地球表面的太陽輻射能量就能滿足全球一年的能源需求[3]。光伏發電技術能夠將豐富的太陽能資源轉化為電能,隨著技術日益提升和成本不斷降低,預計2050年光伏能源將滿足全球25%—49%的用電需求[4],因而光伏能源部署是能源轉型進程中不可或缺的部分。

城市建筑屋頂作為一種閑置的土地資源是發展光伏發電的潛在重要場所之一。2021年以建筑屋頂光伏為主的分布式光伏發電市場在總光伏市場中的占比超過50%[5],相較于其他發電方式,建筑屋頂光伏不僅提高了土地利用效率、降低了土地利用成本,也避免了因光伏電站建設帶來的生態干擾。此外,建筑屋頂光伏具有布設靈活性高、就近消納能力強、能源利用效率高和生命周期碳排放低等特點。根據國家能源局光伏新增裝機量數據[6],2013—2021年我國建筑屋頂光伏年碳減排總量從0.10 Mt/a左右升高至12.18 Mt/a左右,累計碳減排總量達到了46.18 Mt。隨著建筑屋頂光伏市場占比持續上升,通過建筑屋頂光伏發電供應脫碳電力將成為實現城市碳中和的主要路徑[7]。

建筑屋頂光伏在我國還處于高速發展推廣時期,許多建筑屋頂資源尚待開發,因而對建筑屋頂光伏發電潛力進行精確評估具有重要意義。由于建筑環境的復雜性,建筑屋頂光伏的發電潛力在建成區分布極為不均[8]。從不同尺度對建筑屋頂光伏發電潛力進行評估并進行空間制圖,一方面能夠為建筑能源規劃和智能電網構建提供基礎數據,另一方面也可為光伏能源發展目標、屋頂光伏政策制定和經濟表現評估提供理論和數據支撐。本文旨在系統闡述建筑屋頂光伏發電潛力影響因素以及現有建筑屋頂光伏發電潛力評估方法和模型,針對當前模型和方法的應用及存在的問題對未來研究方向和發展重點進行總結,以期為推動我國城市建筑屋頂光伏發電有序開發、提升城市碳中和潛力提供參考。

1 城市建筑屋頂光伏發電潛力影響因素

建筑屋頂光伏發電的潛力主要取決于三個方面:物理潛力、地理潛力和技術潛力[9]。物理潛力是指建筑區域能夠接收的水平面太陽總輻射,是評估區域光伏可利用性的首要基礎條件。地理潛力以水平面輻射為數據基礎,通過考慮建筑環境和安裝規范對實際太陽輻射的影響,計算建筑屋頂光伏可接收的實際總太陽輻射。技術潛力則主要取決于光伏發電系統的光電轉換效率,直接影響建筑屋頂光伏的可推廣性。建筑屋頂光伏發電潛力評估概括如下(圖1)。

圖1 建筑屋頂光伏發電潛力評估Fig.1 A hierarchical approach to rooftop solar photovoltaic electrical potential estimation

1.1 物理影響因素

太陽輻射穿過大氣會發生吸收和散射現象,一部分輻射直接到達地表稱為直接輻射,另一部分經大氣發生散射再通過多次反射到達地表稱為散射輻射,兩者之和為水平面總輻射[10]。影響太陽輻射的主要因素為大氣質量和大氣組成[11—12]。大氣質量由海拔和太陽位置決定,海拔越高水平面總輻射也就越高,太陽位置則隨著時間不斷地發生變化。對于特定地理位置來說,其特定時間或者時間段內太陽輻射在理想條件下相同,但如果大氣中含有大量云、水蒸氣和塵埃,則會大大減弱地表輻照度,因而水平太陽輻射也受氣候條件以及大氣能見度等因素的影響。

1.2 地理影響因素

除了考慮物理因素以外,復雜的建筑環境對太陽輻射的影響也不容忽視,地理影響因素主要包括陰影遮擋、建筑屋頂特征和屋頂其他用途[13]。陰影遮擋包括地形遮擋、建筑遮擋和樹木遮擋三個部分,陰影遮擋可以削減太陽輻射,從而降低光伏發電效率。屋頂特征包括屋頂面積、傾角和朝向,屋頂面積決定了光伏陣列的安裝上限[14],屋頂傾角和朝向則決定了光伏陣列能夠接收的實際太陽輻射量。屋頂其他功能設施會改變屋頂可用于光伏發電的面積,例如女兒墻、電梯間、通風井和中央空調機組占用[15]。根據建筑屋頂光伏安裝規范[16],光伏安裝有效面積需綜合考慮光伏電池板大小和傾角、屋面形狀、光伏陣列對齊方式、維護間隔、最小連續面積、最小太陽輻射強度、屋頂承重和屋檐安全距離等因素的影響,因此需要根據實際情況優化光伏布局,以達到實際安裝有效面積最大化的目的。此外,光伏陣列會接收一部分來自周圍建筑環境的反射輻射,能夠補償部分屋頂光伏接收的太陽輻射損失。

1.3 技術影響因素

光伏發電系統的光電轉換效率決定了光伏系統最終將實際接收的太陽輻射轉換為電能的總量,主要受內部因素和外部因素的共同影響[17]。內部因素影響光伏組件效率,主要包括電池材料、電池生產技術和光伏組件技術等因素。而外部因素影響系統效率,主要包括污塵損失、組件適配性損失、組件老化損失、線纜損失和設備損耗等因素。不同地區建筑屋頂光伏發電系統的建立即使采用同類光伏組件,受外部因素差異影響,其最終發電效率也會存在較大差異。

2 數據來源和分析策略

本文基于“知網中國數據庫”和“Web of Science核心合集數據庫”對關鍵文獻進行檢索篩選。其中,中文專業檢索式為“SU=(城市屋頂+街區+建筑) * (太陽能光伏發電潛力+太陽能光伏利用潛力+太陽能潛力) * (評估+制圖+研究+分析)”;英文高級檢索式為“TS=((′rooftop photovoltaic′ or ′rooftop solar photovoltaic′) and (′mapping′ or ′assessment′ or ′estimation′ or ′quantification′))”,時間范圍為2000年1月—2022年6月,共檢索到中文文獻13篇,英文文獻400篇。根據篩選標準選取出93篇核心文獻,篩選標準包括:1)研究內容至少包括建筑屋頂光伏物理潛力和地理潛力評估兩個部分;2)研究方法為采樣法、全面評估法和機器學習法。結果表明2005年以前建筑屋頂光伏發電潛力研究較少,2005年以后呈現逐年增長趨勢(圖2)。早期研究主要基于采樣法對建筑屋頂太陽能光伏潛力進行評估;2005—2010年,遙感技術的成熟促進了全面評估法的應用;2010—2015年隨著空間數據的不斷累積,以數據驅動為基礎的機器學習法開始得到發展。城市建筑屋頂光伏發電潛力的研究主要分布在太陽能光伏普及率較高的歐洲區域,其次為北美洲和亞太地區,而我國則處于快速發展時期。

圖2 文獻數量和評估方法的區域分布Fig.2 The literature quantity and geographic distribution of methodology

3 城市建筑屋頂光伏發電潛力評估方法與模型

3.1 評估方法

3.1.1采樣法

在空間數據缺乏或進行大尺度評估時,根據建筑特征和功能對代表性建筑進行分類,通過分層采樣評估不同代表性建筑的屋頂可利用性,以計算大尺度建筑屋頂光伏發電潛力的方法稱為采樣法,包括簡單采樣法和多元采樣法。簡單采樣法根據建筑特征和功能將建筑進行分類,對不同類型建筑屋頂可利用性進行抽樣調查,最終確定屋頂可利用系數并進行推廣。國際能源署(IEA)[18]將屋頂可利用性分為建筑適宜性和輻射適宜性,根據IEA成員國的加權平均數據得出建筑屋頂可利用系數取值為0.4,該類方法在早期的評估研究中被廣泛采納。一些研究通過文獻綜述方法[19—20],直接采用多個研究區屋頂可利用系數平均值進行建筑屋頂光伏發電潛力快速評估。但是不同研究區建筑建造文化、政策和氣候背景差異較大,因而屋頂可利用系數取值具有地區差異[21—23]。即便是同一功能型建筑,其取值差異也較為明顯[15,24—25]。為了提高采樣法的精確度,一些研究不僅根據建筑功能進行分層抽樣,同時綜合考慮屋頂類型[18]和建筑形態[26],分別計算不同類型建筑屋頂的可利用系數,以獲取更為精確的評估結果。此外,將人口密度和建筑密度等更多因素納入可利用屋頂評估的多元采樣法也可進一步提高預測精度,但其評估成本也隨之提高[9]。

3.1.2全面評估法

全面評估法是基于地理空間數據建立三維模型,精確刻畫建筑復雜環境,獲取屋頂特征、陰影遮擋以及屋頂其他用途等參數,結合物理和經驗模型對建筑屋頂光伏發電潛力進行評估的方法。當前,基于建筑三維模型的地理潛能評估,可直接通過計算太陽相對位置,根據太陽輻射模型獲取建筑面每小時的太陽輻射量[27—30],但由于三維數據獲取成本較高,該類研究大多都在小尺度范圍內進行評估。在缺乏三維數據或進行更大尺度評估時,常用2.5維數據進行評估,2.5維數據僅含建筑高度,且將復雜建筑形態簡化為長方體,其評估技術手段和模型與三維數據基本一致,數據成本和時間成本較低,但評估結果的精度低于三維模型,忽略了建筑屋頂形態和傾角對太陽能潛力的影響。此外,二維數據也常被用于大尺度的評估工作,但由于缺乏高度信息,因而評估結果忽略了地理因素的影響[31]。為了降低計算成本并保證較高的評估精度,一些研究結合多源數據優化評估流程,如利用不同分辨率數字地形模型分別評估建筑和山體陰影[32]、先篩選可利用屋頂再進行太陽輻射計算[33—37]。此外,利用Arcgis、RADIANCE/DAYSIM和v.sun等軟件可自動提取屋頂傾角和朝向、陰影、屋頂形狀和建筑輪廓等信息,進一步降低技術成本[30,38—42]。

3.1.3機器學習法

機器學習法以地理空間數據、氣候數據和社會經濟數據為輸入變量,進行水平太陽輻射估算、屋頂和建筑特征預測、發電量預測以及建筑輪廓提取,從而對建筑屋頂光伏發電潛力進行評估。該方法發展初期基于線性回歸模型進行預測,以規避高成本瓶頸[41,43—44]。隨著計算機技術進步,機器學習算法得到廣泛運用和發展。Assouline等[45]將支持向量機和GIS相結合,以建筑特征為輸入變量預測地理潛能相關因子,進而對瑞士1901個市鎮的建筑屋頂光伏發電潛力進行評估;在此基礎上利用隨機森林算法對瑞士建筑屋頂光伏發電潛力進行更高空間分辨率(200 m)的評估與制圖[46],通過考慮屋頂形態對太陽輻射的影響,使得評估結果更加精確。此外,卷積神經網絡算法結合高清衛星影像可精確提取建筑屋頂和上層結構輪廓,相較于其他算法其數據成本更低且提取精度更高[47]。在進行不同尺度研究時需要權衡不同算法的計算成本和預測精度,通過比較多個算法后得出隨機森林算法比較適合局域尺度研究[48],極限梯度提升算法更適用于區域尺度和全球尺度研究[49]。

3.2 建筑屋頂光伏發電潛力評估模型

3.2.1太陽輻射潛力評估模型

太陽輻射潛力模型可對水平面太陽輻射進行計算,主要包括經驗模型和物理模型兩類。經驗模型通過建立太陽輻射和氣候學要素關系統計方程估算水平面太陽輻射,常用經驗模型為Angstrom[50]提出的日照百分率模型(式1)。該模型基于日照時數和可日照時數(duration of possible sunshine)對水平面總輻射進行計算,由于其物理意義明確且預測精度高而被廣泛采用。此外,基于現代輻射傳輸理論的物理模型,通過結合衛星遙感觀測資料可獲取高時空分辨率的水平面太陽輻射數據,主要包括晴空模型和云模型[10]。晴空模型以大氣參數和環境變量為輸入變量,通過量化大氣對太陽輻射的削弱作用,計算晴空輻照度;云模型以可見光波段、紅外線波段以及環境變量為輸入變量,通過量化云對太陽輻射的削弱作用,計算全天空總輻射[10]。當前,SolarGIS、PVWatts和PVGIS均是基于物理模型建立了全球太陽能輻射開源數據庫,并被多數研究廣泛采用。

(1)

其中,G為實際水平面總輻射,Go為晴天總輻射,a,b為系數,S,So分別為日照時數和可日照時數。

3.2.2地理潛力評估模型

地理潛力評估模型旨在準確計算不同傾角和朝向設置下建筑屋頂光伏陣列實際接收的太陽輻射,可分為傾斜面直接輻射、散射輻射和反射輻射三個部分(式2)[51]:

Gt=Dirncosθ+DifhFdif+ρGhFref

(2)

其中,Gt為傾斜面總太陽輻射,Dirn為水平面直接輻射,Difh為水平面散射輻射,Gh為水平面總輻射,θ為太陽輻射入射角,ρ為地表反照率,Fdif和Fref分別為散射輻射和反射輻射轉換因子。

通過散射輻射模型計算散射輻射轉換因子是地理潛力評估的關鍵。基于各向同性散射和異向同性散射的前提假設,散射模型分為各向同性散射模型和各向異性散射模型。在地理潛力評估研究中,常用的各向同性散射模型為Liu和Jordan模型[52](式3),常用的各向異性散射模型為Perez模型[53](式4)和Hay模型[54](式子5)。

Fdif=(1+cosβ)/2

(3)

其中,β為光伏陣列傾角。

(4)

其中,f1和f2為經驗系數,a和b為與太陽位置相關的幾何系數。

(5)

其中,A為水平直接輻射與天文輻射的比值。

反射輻射轉換因子主要根據Duffie和Beckman[55]的研究進行取值,該模型將地面反射假定為漫反射,其計算公式如下:

Fref=(1-cosβ)/2

(6)

3.2.3技術潛力評估模型

技術潛力模型旨在量化太陽能光伏系統的光電轉化效率,進而對發電量進行計算,光電轉化效率主要分為光伏組件效率和系統效率[32](式7)。光伏組件效率是在特定環境溫度和太陽輻射條件下光伏組件的轉換效率,利用溫度模型[56]和仿真模型[57]進行評估。溫度模型以風速、環境溫度、地表溫度和云蓋度等環境因子為輸入變量,計算光伏組件的實際操作溫度;仿真模型通過輸入操作溫度、傾斜面總太陽輻射以及光伏組件參數計算光伏組件的轉換效率。系統效率主要評估污塵損失、逆變器損失、退化損失和線纜損失等外部因素對光電轉換效率的影響,其中退化損失和逆變器損失可分別通過退化率和PVWatt模型進行計算,其他損失則參考相關資料進行經驗取值[32]。當環境因子缺乏時,可通過參考其他文獻直接選取光伏組件效率和系統效率的經驗值以估算發電量,其中組件效率取值為14%—17%[58],系統效率的取值為80%—90%[59]。

P=Gi·A·η·PR

(7)

其中,P為建筑屋頂光伏發電總量,Gi和A分別為傾斜面太陽輻照度和太陽能光伏陣列總面積,η為光伏組件效率,PR為光伏系統效率。

4 方法及模型的發展與應用

4.1 方法的發展與應用

歐洲國家對建筑屋頂光伏推廣最早,因而對建筑屋頂光伏發電潛力評估方法的建立具有重要的推動作用,隨后以美國為主的北美地區和以中國、韓國為主的亞太地區在方法的運用和優化上也做出重要貢獻。由于三種評估方法各有優劣(表1),因而不同地區的研究者需綜合考慮數據可獲取性、數據質量、評估尺度和評估精度等因素,以確定適宜的評估方法。

表1 城市建筑屋頂光伏太陽能潛力評估方法原理及優缺點Table 1 Principle,advantages and disadvantages of rooftop solar photovoltaic electrical potential estimation approaches

由于歐洲地區具有較為完整的建筑地籍數據,因而采樣法最早被IEA提出用于其成員國的建筑屋頂光伏發電潛力評估[18],由于該方法數據和計算成本低且尺度轉換容易實現,因而目前在大尺度以及空間數據缺失區域的研究中仍被廣泛采納,但研究表明即使在相鄰區域,基于屋頂可利用系數的評估結果仍存在較大誤差[60]。其次,不同研究在選取代表性建筑樣本時缺乏統一標準,一些研究選取樣本數量少且缺乏統計檢驗,使得其評估精度受到影響[61]。隨著遙感技術和地理信息軟件的發展,以光學影像和LiDAR數據為基礎數據的全面評估法在局域尺度和區域尺度上得到發展,該方法能夠精確提取建筑形態參數以精確計算建筑屋頂光伏發電的實際潛力,數字地表模型(DSM)作為核心數據,在屋頂輪廓提取、屋頂傾角和朝向計算、屋頂形態識別、屋頂上層結構提取和陰影計算等方面具有重要作用,但由于全球大部分區域缺乏高精度的LiDAR數據[62],因而在屋頂特征參數的精確提取上仍存在較大誤差。此外,高計算成本限制了該方法在大區域尺度研究中的推廣應用。機器學習法目的與采樣法一致,均是為了實現局域尺度以上較為精確的建筑屋頂光伏發電潛力評估,由于該方法能夠充分整合挖掘大量社會經濟數據和空間資料數據,因而其預測精度要高于采樣法。機器學習法需要大量的數據特征值,在區域尺度上可實現建筑面積的計算,但要精確地預測屋頂形態、屋頂朝向和傾角等關鍵參數,當前只有在高精度LiDAR數據覆蓋面較高的歐洲和北美地區才能實現[32,61]。此外,機器學習算法和特征值的選取以及訓練樣本質量均會對其評估精度產生影響。綜上所述,在大尺度的評估研究中,機器學習法和全面評估法雖然在評估精度上優于采樣法,但受制于數據可獲取性、數據質量和計算成本的影響,大部分地區還需結合采樣法獲取關鍵建筑參數或采用理想傾角和朝向以進行建筑屋頂光伏發電潛力評估。

4.2 模型的發展與運用

評估模型是精確計算城市建筑屋頂光伏發電潛力的基礎。由于物理潛力和地理潛力評估模型發展早且較為成熟,因而在考慮屋頂朝向和傾角的多數研究中均采用本文提及的模型進行太陽輻射強度的計算,其計算結果精度較高。在技術潛力評估中多數研究采用經驗值對建筑屋頂光伏發電量進行計算,忽略了天氣環境對建筑屋頂光伏光電轉換效率的影響。此外,污塵損失、組件老化損失和線纜損失等因素缺乏定量化評估,這些因素在不同區域差異性較大[63],如污塵損失在沙漠、降雪和高空氣污染地區更大,因而采用相同的經驗取值并不能體現地區背景的影響差異。當前建筑屋頂光伏發電潛力評估模型雖然精度較高,但需要的參數多且計算量大,這也是大尺度精確評估受限的主要原因之一[51]。

5 未來發展的重點方向

受高精度空間數據缺失和模型計算成本的限制,很難準確評估城市建筑屋頂的發電潛力[64—66]。評估精度不僅受到城市形態和建筑風格的影響,而且不同評估方法的結果也存在差異。多數研究對于建筑屋頂可利用面積、陰影計算以及發電量的預測結果常常缺乏可靠實測數據驗證,同時也缺乏不確定性分析,導致不同研究區結果可比性較低[67]。針對不同方法的優缺點,改進與完善現有評估方法將是未來研究的一個方向。此外,建筑屋頂光伏發電潛力評估模型的簡化與技術潛力評估模型的完善將是未來研究發展的難點。

5.1 評估方法的改進與完善

為了進一步提升大尺度評估工作的精確性與可行性,采樣法需對代表性建筑進行科學分類,以反映建筑適宜性以及輻射適宜性對屋頂光伏發電潛力的影響[10]。當前基于建筑功能和屋頂形態以及基于人口密度和建筑密度的代表性建筑分類體系[9],不能體現建筑特征和街區特征對屋頂光伏發電潛力的綜合影響,因而未來應挑選合適的建筑特征和街區特征參數建立標準統一的代表性建筑分類框架,以降低采樣法的評估誤差。以大數據驅動為基礎的機器學習法需針對不同的預測變量,簡化關鍵特征值并優化機器學習算法,此外應搭建機器學習算法源代碼、建筑物實例數據集、高精度遙感數據和成品數據共享平臺,以進一步促進機器學習法的應用。全面評估法應關注多源遙感數據時空融合,充分結合深度學習算法和高清衛星影像高效提取建筑信息,以彌補高精度LiDAR數據缺失和高計算成本的缺陷。隨著全面評估法應用的增加,大范圍精確的評估結果將為其他兩種方法的優化提升、精度驗證和不確定性分析提供可靠的數據和理論支撐。全面評估法不僅要關注建筑屋頂光伏發電潛力評估結果的準確性,還應著重進行建筑屋頂光伏發電潛力影響因素的機理性研究(如街區特征對屋頂光伏發電潛力的影響)[68],從而為采樣法代表性建筑分類體系的建立、機器學習法關鍵特征值的選取提供理論依據。此外,應將安裝規范和最佳光伏布設空間方案納入評估框架,以避免高估建筑屋頂光伏發電潛力[14,69]。同時,當前研究應結合我國建筑屋頂光伏規模推廣遇到的瓶頸,將農村建筑屋頂質量、城市公共建筑屋頂產權和用能需求等因素對建筑屋頂光伏發展的限制納入評估框架[70]。

5.2 評估模型的簡化與完善

低成本簡化模型和全面的技術潛力評估模型有待提出和驗證。Calcabrini等[51]將當前普遍運用于光伏發電潛力評估的高成本模型稱為輻照度評估模型,并提出新簡化模型以解決大尺度光伏潛力評估瓶頸。該研究利用天際輪廓線提取兩個關鍵參數:天空可視域因子和太陽蓋度因子(sun coverage factor),以精確預測光伏陣列的地理潛力和技術潛力。該簡化模型通過降低數據維度減少計算成本,但目前尚未得到廣泛利用,主要原因在于其需要針對不同氣候條件、光伏朝向和傾角調整模型系數。因此將簡化模型進一步運用到不同城市中,并對比模型參數在不同區域的差異性、適用性和推廣性,將有助于推進大尺度精確評估研究。基于全面評估法的建筑屋頂光伏發電潛力影響因素機理性研究,將為簡化模型的創新提供理論參考。此外,選取哪些關鍵參數建立技術潛力模型,以進一步量化污塵損失、組件老化損失和線纜損失等因素對技術潛力的影響仍待探索。