引言

随着“双碳”目标的推进，分布式光伏电站因具有就近发电、就近消纳、投资灵活等优势，已成为我国新能源产业发展的重点方向。截至2024年底，全国分布式光伏累计装机容量突破3.5亿kW，占光伏总装机容量的52%，年新增装机连续5年保持增长。然而，分布式光伏电站选址涉及屋顶/场地条件、光照资源、电网接入、环境合规等多维度约束，传统选址依赖人工勘测与二维地图分析，存在以下痛点：

人工勘测效率低，尤其针对工业园区多栋厂房、山地复杂地形，难以快速获取全面数据；

地形与地物数据精度不足，二维地图无法准确反映屋顶坡度、遮挡物高度等关键参数，导致发电量预估偏差较大；

多因素协同分析能力弱，光照、地形、电网、环保等约束条件难以量化融合，易造成选址不合理，引发后期施工变更或发电量不达标。

无人机航测技术具有快速、高效、高精度的特点，可快速获取研究区域三维空间数据；GIS技术具备强大的空间数据管理、分析与可视化能力，能够实现多源数据的协同处理与多准则决策。两者融合可有效解决传统选址的短板，为分布式光伏电站选址提供精准的数据支撑与科学的分析工具，对降低项目投资风险、提升发电效益具有重要实践意义，同时也为测绘工程技术在新能源领域的跨界应用拓展了路径。

1 国内外研究现状

1.1 分布式光伏电站选址技术研究现状

国外分布式光伏选址研究起步较早，美国、德国等国家已形成较为成熟的数字化选址体系。例如，德国Fraunhofer研究所开发的PVGIS系统，结合遥感数据与GIS空间分析，实现光照资源评估与选址初步筛选；美国Google公司的ProjectSunroof利用卫星影像与三维建模技术，为住宅屋顶光伏选址提供发电量预估服务。但国外技术多针对平原地区与标准化屋顶，对我国复杂地形、非标准化工业厂房的适应性不足。

国内研究近年来快速发展，学者们围绕选址指标体系与技术方法展开探索，但缺乏与GIS多准则分析的深度融合，选址决策的科学性不足。总体来看，国内现有研究尚未形成“数据采集—建模—分析—决策”全流程的融合技术方案，实际工程应用中仍存在精度与效率的矛盾。

1.2 无人机航测与GIS融合技术研究现状

无人机航测技术已从传统航摄向倾斜摄影、激光雷达（LiDAR）融合采集方向发展，能够快速生成数字正射影像（DOM）、数字表面模型（DSM）、三维点云等数据，精度可达厘米级，为新能源工程提供了高质量的数据支撑。GIS技术则从二维分析向三维空间决策演进，ArcGIS、QGIS等软件已具备地形分析、网络分析、多准则评价（MCE）等功能，可实现多源选址约束的量化分析。

目前，两者融合技术已在风电选址、输电线路勘测等新能源领域得到初步应用，但在分布式光伏选址中仍存在以下不足：①数据融合流程不规范，无人机航测数据与GIS分析模型的衔接缺乏标准化方法；②多因素权重确定主观性强，缺乏结合工程实际的客观赋权方法；③针对工业厂房屋顶、山地等复杂场景的精度验证与优化不足。因此，构建标准化、高精度的无人机航测与GIS融合选址技术体系，是当前分布式光伏工程领域的迫切需求。

2研究内容与技术路线

2.1研究内容

本文聚焦无人机航测与GIS融合技术在分布式光伏电站选址中的应用，主要研究内容包括：

构建分布式光伏电站选址指标体系，明确地形、光照、遮挡、电网、环境等关键约束因素的量化标准；

设计无人机航测数据采集与处理方案，实现高精度三维数据获取与建模；建立无人机航测数据与GIS的融合分析流程，开发多准则决策选址模型；通过实际工程案例验证融合技术的可行性与优越性，量化分析应用效果。

2.2 技术路线

本文技术路线如图1所示，分为四个阶段：①数据准备阶段，明确选址范围与指标体系；②数据采集与处理阶段，通过无人机航测获取三维数据并生成DOM、DSM等成果；③融合分析阶段，利用GIS进行多因素量化分析与权重计算；④选址决策阶段，筛选最优区域并进行精度与发电量验证。

3 分布式光伏电站选址指标体系构建

3.1选址指标选取原则

为确保选址的科学性与实操性，指标选取遵循以下原则。

（1）针对性原则：聚焦分布式光伏电站“就近消纳、低成本接入”的核心需求，重点选取影响发电效率与投资成本的关键指标；

（2）可量化原则：所有指标均需转化为可通过测绘数据获取的量化参数，避免模糊描述；

（3）合规性原则：纳入土地性质、环保约束等政策合规指标，确保选址符合国家与地方规范；

（4）可操作性原则：指标体系简洁明了，数据获取与分析过程适应工程实际需求，避免过度复杂。

3.2选址指标体系与量化标准

结合分布式光伏电站工程实践，构建“目标层—准则层—指标层”三级选址指标体系，具体如下：

3.2.1目标层

分布式光伏电站最优选址区域（满足发电效率高、投资成本低、合规性强的区域）。

3.2.2 准则层与指标层

（1）地形与场地准则

屋顶/场地坡度：工业厂房屋顶坡度≤15°（平地光伏场地坡度≤5°），坡度越大，施工难度与成本越高，发电效率越低；

场地平整度：屋顶凹凸度≤0.3m（以10m×10m网格为单位），平整度差会增加支架安装成本；

可用面积：单块连续可用面积≥500㎡（分布式光伏最小并网单元要求）。

（2）光照资源准则

年总辐照量：≥4500MJ/㎡（我国太阳能资源丰富区与较丰富区划分标准）；

日照时数：年日照时数≥2200h。

（3）遮挡约束准则

周边遮挡率：屋顶/场地周边建筑物、树木等遮挡物在冬至日（太阳高度角最低）的遮挡时间≤1h/d；

自身遮挡率：光伏阵列内部遮挡率≤3%（通过阵列布局优化可调整）。

（4）电网接入准则

距接入点距离：距最近10kV/0.4kV变电站（或配电室）距离≤1km（降低输电线路投资）；

接入容量匹配：变电站剩余容量≥项目装机容量的1.2倍（避免电网过载）。

（5）环境与合规准则

土地性质：工业厂房屋顶需为合法产权，场地需为工业用地/未利用地（禁止占用基本农田、生态保护区）；

环保约束：距生态保护区边界≥500m，距居民区边界≥30m（避免光污染与噪声影响）。

各指标权重采用层次分析法（AHP）结合熵权法确定，既考虑专家经验，又通过实际数据客观修正，确保权重分配的合理性。

4 无人机航测与GIS融合核心技术

4.1 无人机航测数据采集与处理技术

4.1.1设备选型

根据分布式光伏选址的场景特点（工业厂房密集、地形复杂），选择多旋翼无人机搭配倾斜摄影相机与GNSSRTK系统，具体设备参数如下：

（1）无人机平台：大疆Matrice350RTK（最大飞行时间40min，抗风等级6级，适合复杂环境作业）；

（2）成像设备：大疆P1全画幅倾斜摄影相机（5镜头，像素4500万，焦距24mm，可同时获取垂直与4个倾斜方向影像）；

（3）定位系统：内置RTK模块，支持厘米级定位，配合地面基站可实现实时差分定位；

（4）辅助设备：激光雷达（LiDAR）模块（可选，用于复杂屋顶轮廓精准提取）。

4.1.2 数据采集方案

飞行规划：采用Pix4DCapture软件进行飞行规划，根据选址区域范围设置飞行参数：

飞行高度：工业厂房区域飞行高度100m（地面分辨率0.05m），山地区域飞行高度150m（地面分辨率0.08m）；

航向重叠度：80%，旁向重叠度：60%（确保三维建模的完整性）；

飞行速度：8—10m/s（平衡效率与成像质量）；

控制点布设：在区域边界与关键地物处布设10—15个地面控制点（GCP），采用GNSS静态测量获取坐标（平面精度±2cm，高程精度±3cm）。

数据采集流程：

（1）前期准备：现场踏勘确定飞行范围、禁飞区、控制点位置；

（2）飞行作业：按照规划航线进行倾斜摄影，实时监控影像质量（确保无模糊、漏拍）；

（3）控制点测量：采用TrimbleR12iGNSS接收机进行静态测量，观测时间≥30min；

（4）数据导出：飞行结束后导出影像数据、POS数据（位置与姿态数据）、控制点坐标数据。

4.1.3 数据处理与建模

采用Pix4Dmatic软件进行数据处理，生成分布式光伏选址所需的核心数据成果，处理流程如下：

数据预处理：对影像进行畸变校正、格式转换，导入POS数据与控制点坐标；

空中三角测量：通过特征点匹配与光束法平差，解算影像外方位元素，结合控制点优化精度，最终平面精度≤±5cm，高程精度≤±8cm；

三维建模：生成三维点云、DSM、DOM及三维网格模型，其中DSM用于地形与屋顶坡度分析，DOM用于地物识别与遮挡分析；

数据格式转换：将DSM、DOM等成果转换为GIS兼容格式（GeoTIFF），三维模型导出为OSGB格式，用于GIS三维可视化分析。

4.2 GIS融合分析技术

4.2.1 GIS平台选择与数据预处理

选用ArcGISPro3.1作为核心分析平台，支持三维空间分析与多准则决策模型构建。数据预处理包括：

多源数据整合：将无人机航测成果（DOM、DSM）与基础地理数据（行政区划、土地利用、交通路网）、专题数据（光照资源、电网分布、生态保护区）整合至统一坐标系（CGCS2000，3°分带）；

数据标准化：对各指标数据进行归一化处理，将不同量纲的指标转化为0-1之间的标准化值，公式如下：

其中，为第个评价单元第个指标的原始值，、分别为第个指标的最大值与最小值。

4.2.2 核心分析模型构建

(1)地形与场地分析模型

坡度分析：基于DSM采用ArcGIS空间分析工具计算坡度，提取坡度≤15°的区域；

平整度分析：采用邻域分析工具计算10m×10m网格内的高程标准差，提取标准差≤0.3m的区域；

可用面积提取：通过DOM识别屋顶轮廓与场地边界，结合坡度、平整度分析结果，采用矢量裁剪工具提取连续可用面积≥500㎡的区域。

（2）光照资源分析模型

辐照量数据获取：采用NASAPOWER全球气象数据（空间分辨率1km）与无人机航测DOM融合，通过地形校正得到选址区域精细化辐照量分布；

日照时数计算：基于DSM与太阳高度角、方位角模型，计算冬至日、夏至日及年平均日照时数，提取日照时数≥2200h的区域。

（3）遮挡分析模型

遮挡物提取：通过DOM与三维点云识别周边建筑物、树木等遮挡物，提取其高度与轮廓；

遮挡时间计算：采用ArcGIS太阳辐射分析工具，模拟冬至日太阳轨迹，计算各区域被遮挡的累计时间，提取遮挡时间≤1h/d的区域。

（4）电网接入分析模型

网络数据集构建：以10kV/0.4kV变电站为节点，输电线路为边，构建电网网络数据集；

最短路径分析：采用网络分析工具计算各候选区域到最近变电站的最短距离，提取距离≤1km的区域；

接入容量验证：结合电网部门提供的变电站剩余容量数据，筛选剩余容量≥项目装机容量1.2倍的接入点。

（5）多准则决策模型

指标权重确定：采用AHP-熵权法组合赋权，先通过AHP获取主观权重，再通过熵权法修正，得到最终综合权重（见3.2节）；

其中，为综合得分，为第个指标的权重，为第个评价单元第个指标的标准化值；

最优区域筛选：根据综合得分划分等级（≥0.8为最优区域，0.6-0.8为适宜区域，<0.6为不适宜区域），优先选择最优区域作为选址方案。

4.3 技术难点与解决对策

4.3.1 数据精度控制难点

无人机航测数据受飞行姿态、天气条件、控制点密度影响较大，易出现建模精度不足的问题。解决对策：

飞行过程控制：选择无风（风速≤3m/s）、无雾的天气作业，飞行中实时监控姿态角（滚转角、俯仰角≤5°）；

控制点优化：在屋顶边缘、遮挡物密集区域加密控制点，控制点密度≥1个/5000㎡；

数据后处理优化：采用多视影像匹配算法，提高三维点云的密度与精度，对DSM进行滤波处理，去除噪声点。

4.3.2 多因素协同分析难点

分布式光伏选址涉及多维度指标，部分指标存在矛盾（如光照资源好的区域可能电网接入距离远），需平衡各因素权重。解决对策：

权重动态调整：根据项目类型（工业屋顶/山地光伏）调整权重，工业屋顶项目提高电网接入权重（0.20），山地项目提高光照资源权重（0.30）；

分层筛选策略：先通过硬约束指标（土地性质、环保约束）剔除不适宜区域，再对剩余区域进行多准则加权叠加，减少无效计算；

灵敏度分析：对权重进行灵敏度检验，确保权重微小变化不会导致选址结果大幅波动。

5 应用效果与优化方向

5.1 应用效果分析

5.1.1 效率提升

传统人工勘测选址方法需对20栋厂房逐一进行现场测量、数据整理与分析，总周期约30天；采用无人机航测与GIS融合技术后，数据采集仅需8h，数据处理与分析6天，总周期7天，效率提升76.7%，大幅缩短了项目前期筹备时间。

5.1.2 成本降低

传统人工勘测需投入10人团队，人均日薪800元，人工成本约24万元；融合技术仅需3人团队（1名无人机操作员、1名数据处理员、1名GIS分析师），总人工成本6万元，同时减少了设备租赁、交通等费用，总成本降低75%。

5.1.3 科学性提高

融合技术通过多源数据量化分析与多准则决策，避免了传统选址的主观经验判断，选址区域的发电效率与并网可行性显著提升。案例项目实际发电量与预估误差≤3%，远低于传统方法10%—15%的误差水平，为项目投资决策提供了可靠支撑。

5.2 技术优化方向

5.2.1设备升级

未来可引入搭载激光雷达（LiDAR）的无人机平台，提高复杂屋顶（如曲面屋顶、彩钢瓦屋顶）的轮廓提取精度；采用高光谱相机，实现光伏组件衰减系数的提前预判，进一步优化发电量预估模型。

5.2.2 算法改进

权重计算算法：引入机器学习算法（如随机森林、支持向量机），基于历史项目数据自动学习指标权重，减少主观干预；

遮挡预测算法：结合时序无人机航测数据，预测遮挡物（如树木）的生长趋势，避免后期遮挡率上升导致发电量下降；

电网接入优化算法：考虑输电线路损耗与电压稳定性，构建更精准的电网接入评估模型。

5.2.3 多源数据融合拓展

整合气象数据（风速、降雨）、电网实时数据（负荷曲线）、建筑能耗数据，构建“选址—设计—运维”全生命周期的数字化平台，实现分布式光伏电站的动态优化与智能运维。

5.3 推广应用前景

无人机航测与GIS融合技术不仅适用于工业厂房分布式光伏选址，还可拓展至住宅屋顶、山地、农光互补等多种场景：

住宅屋顶光伏：通过无人机航测快速获取小区屋顶数据，结合GIS分析实现批量选址与发电量预估；

山地光伏：利用无人机LiDAR技术获取复杂地形数据，进行坡度、坡向分析与生态红线避让；

农光互补光伏：结合土地利用数据与农作物生长需求，实现光伏与农业的协同选址。

随着技术的不断成熟与成本的降低，该融合技术将成为分布式光伏电站选址的标准化方法，为新能源产业的高质量发展提供技术支撑。

6 总结

本文针对分布式光伏电站传统选址方法效率低、精度不足、科学性差的问题，提出了无人机航测与GIS融合的选址技术方案，构建了包含地形、光照、遮挡、电网、环境的多因素选址指标体系，设计了“数据采集—建模—分析—决策”全流程的融合技术流程，并通过实际工程案例验证了技术的可行性与优越性。主要研究结论如下：

构建的三级选址指标体系，采用AHP-熵权法组合赋权，兼顾了专家经验与客观数据，确保了选址指标的科学性与实操性；

无人机航测技术可快速获取厘米级精度的DOM、DSM、三维点云等数据，为选址提供高质量的数据支撑，平面精度≤±5cm，高程精度≤±8cm，满足工程要求；

GIS融合分析技术通过地形分析、光照分析、遮挡分析、电网接入分析与多准则决策模型，实现了多因素的量化融合与最优区域筛选，显著提升了选址的科学性；

案例研究表明，融合技术可使选址周期缩短76.7%，成本降低75%，发电量预估误差≤3%，具有显著的经济与技术效益。本文的研究成果为测绘工程技术在新能源领域的应用提供了实践参考，未来通过设备升级、算法改进与多源数据融合拓展，可进一步提升技术的适应性与精准度，为分布式光伏电站的规模化、高质量发展提供更强有力的技术支撑。

参考文献：

1. [1] 黄露.无人机航测技术在风电光伏中的应用研究[J].仪器仪表用户,2025,32(08):109-111.
2. [2] 崔治鹏.无人机航测在大比例尺地形图测绘中的应用[J].全面腐蚀控制,2025,39(07):65-67.
3. [3] 饶志,杨再敏,杨雄平,等.基于地理和环境特征的光伏电站选址模型[J].电力建设,2025,46(07):163-174.
4. [4] 高利伦,武锋.新能源光伏电站前期选址的技术方案应用[J].光源与照明,2023(10):112-114.
5. [5] 李付林.影响光伏电站选址布局的因素分析[J].经济研究导刊,2019(36):21-22+34.
6. [6] 马超,高兴国,张胜凯,等.无人机航测在送电线路工程中的辅助应用[J].测绘通报,2024(S2):42-45+55.