一种基于MaxEnt模型的光伏选址适宜区域预测方法与流程

本发明属于新能源与地理信息数据分析交叉，具体涉及一种基于maxent模型的光伏选址适宜区域预测方法。

背景技术：

1、能源是现代经济的重要支撑，进入工业化以来，以煤、石油、天然气等化石燃料为主的能源结构不仅导致资源储量日益枯竭，更引发了严峻的全球气候变化问题。在此背景下，太阳能凭借其资源分布广泛、开发利用清洁环保、运行安全可靠等突出优势，被认为是替代传统化石能源的最佳选择之一。

2、建设光伏发电站的首要工作是选址，选址是否科学合理将直接影响电站的建设成本、发电效益及周边环境。通过对不同区域的太阳能发电潜力进行评估、开展选址适宜性分析，可有效降低项目成本、规避建设风险。国内外光伏电站选址相关研究成果中，地理信息系统（geographicinformationsystem,gis）与多准则决策分析（multi-criteriadecisionanalysis,mcda）的集成已成为主流方法论范式。其中，层次分析法（analytichierarchyprocess,ahp）因理论清晰、操作简便而被广泛采用，与传统gis结合形成gis-ahp框架，在选址实践中占据主导地位。

3、但是，上述方法的评价体系大多采用基于专家打分和先验知识等模式，对各种影响因子进行赋权，存在一定的主观性。为提高光伏电站选址科学性，机器学习方法因能刻画环境因子与选址适宜性间复杂的非线性关系、克服传统方法主观赋权的不足，被逐步引入光伏选址研究。然而，机器学习方法多将选址问题构建为"光伏点—非光伏点"的二元分类任务，其建模精度高度依赖负样本的数量与质量，实践中负样本难以准确获取——暂无电站的区域并不代表不适宜建设，随机选取或缓冲区抽样均可能引入误判。

4、最大熵模型（maximumentropymodel，maxent）作为一种基于存在点数据的生态位模型，仅需已知光伏电站位置信息与环境变量即可建模，无需人为构造负样本，且具有小样本条件下结果稳健、可刻画复杂非线性关系、可输出因子贡献率与响应曲线等优势，已在物种适生区预测领域广泛应用，近年来逐步引入土地适宜性评价领域，为光伏电站选址适宜性评估提供了新的技术路径。然而，maxent模型的默认设置中，正则化乘数（regularizationmultiplier,rm）和特征组合（featureclass,fc）参数常导致模型对训练数据过拟合，降低模型对新环境的预测能力与可迁移性，需要进行系统化的参数优化。

技术实现思路

1、本发明针对上述背景技术中提出的不足，提供一种基于maxent模型的光伏选址适宜区域预测方法。

2、为解决上述技术问题，本发明提供的技术方案为：一种基于maxent模型的光伏选址适宜区域预测方法，包括以下步骤：

3、s1、环境数据采集与处理：采集研究区域范围内的高程、坡度、坡向、地表覆盖、降水、太阳水平辐射量、气温、距道路距离、距电力设施距离共9类环境数据，对所述9类环境数据依次进行空间参考系统统一与重采样、时空尺度匹配与数据融合，形成9类环境数据因子，并将所述环境数据因子转换为asc格式；

4、s2、光伏板分布样本点数据采集与处理：通过遥感影像数据采集研究区域范围内的光伏板分布范围，基于研究区域边界构建规则格网，将所述规则格网与光伏板分布范围进行空间叠加分析，根据每个格网单元内光伏板区覆盖面积占比筛选得到初始光伏板样本点，并对所述初始光伏板样本点进行空间稀疏化处理；

5、s3、maxent模型参数优化：采用r语言enmeval包对maxent模型的正则化乘数rm和特征组合fc进行系统化参数优化，构建候选模型矩阵，并以修正赤池信息准则（aicc）最小值作为最优模型选择标准，得到最优rm参数和最优fc参数；

6、s4、模型构建与适宜性分级：将步骤s1得到的环境数据因子和步骤s2得到的光伏板样本点导入maxent模型，采用步骤s3得到的最优rm参数和最优fc参数进行模型构建并输出预测结果，将所述预测结果导入arcgis软件，采用自然间断点分类法将预测结果划分为高适宜、较适宜、一般适宜、低适宜和不适宜五个等级，得到研究区域光伏电站建设适宜性分布图。

7、进一步的，步骤s1中，所述9类环境数据具体为：高程数据、坡度数据、坡向数据、地表覆盖数据、降水数据、太阳水平辐射量数据、气温数据、距道路距离数据和距电力设施距离数据。

8、进一步的，步骤s1中，在形成所述9类环境数据因子之后，还包括采用r语言包对所述9类环境数据因子进行皮尔逊相关性分析，删除相关性系数绝对值大于0.8的环境数据要素。

9、进一步的，步骤s2中，所述规则格网为覆盖研究区域的300m×300m规则格网，以所述规则格网作为空间分析的基础单元。

10、进一步的，步骤s2中，所述根据每个格网单元内光伏板区覆盖面积占比筛选得到初始光伏板样本点，具体为：计算每个格网单元内光伏板区的覆盖面积占该格网总面积的比例，仅保留光伏板区面积占比大于等于50%的格网单元，并以该格网单元的几何中心点作为初始光伏板样本点。

11、进一步的，步骤s2中，所述空间稀疏化处理用于消除重复采样带来的偏差，使样本点在研究区域内趋于均匀分布。

12、进一步的，步骤s3中，所述rm的取值范围为0.5至4，步长为0.5。

13、进一步的，步骤s3中，所述fc组合包括l、lq、h、lqh、lqhp和lqhpt六种组合。

14、进一步的，步骤s3中，通过设置所述rm取值范围和所述fc组合构建候选模型矩阵，对候选模型矩阵中的每一组rm与fc组合分别训练maxent模型，并计算各模型的aicc值，选取aicc值最小的模型所对应的rm参数和fc参数作为最优参数。

15、进一步的，步骤s4中，所述自然间断点分类法通过arcgis软件实现，将maxent模型输出的连续型预测概率值按照自然间断点划分为五个等级区间，分别对应高适宜、较适宜、一般适宜、低适宜和不适宜五个适宜性等级。

16、采用以上方法后，本发明具有如下优点：1、本发明采用maxent模型进行光伏选址适宜性预测，仅需已知光伏电站存在点数据与环境变量即可建模，无需人为构造负样本，克服了传统机器学习二元分类方法中负样本难以准确获取的问题；

17、2、本发明通过r语言enmeval包对maxent模型的rm和fc参数进行系统化优化，并以aicc最小值作为最优模型选择标准，有效降低了模型对训练数据的过拟合程度，提高了模型对新环境的预测能力与可迁移性；

18、3、本发明采用300m×300m规则格网与50%面积阈值筛选光伏板样本点，并进行空间稀疏化处理，有效剔除了边缘混合像元，降低了边界误差和重复采样偏差对模型训练的影响；

19、4、本发明通过皮尔逊相关性分析删除相关性系数绝对值大于0.8的环境数据要素，降低了环境因子间多重共线性对模型结果的干扰；

20、5、本发明采用自然间断点分类法将预测结果划分为五个适宜性等级，可直观输出研究区域光伏电站建设适宜性分布图，为光伏电站选址决策提供科学依据。