地球资源数据云——数据资源详情

中国太阳能光伏设备数据集

在可再生能源系统集成与气候科学交叉研究领域，高时空分辨率的太阳能光伏发电数据已成为驱动理论创新与技术验证的关键基础设施。光伏出力的间歇性与地理分散性对电力系统的动态稳定性、大规模储能配置优化及跨区域能源调度提出了基础性科学问题。尤其值得关注的是，长期连续的光伏数据能够揭示系统性能的衰减规律、评估气候变异对能源产出的影响，并为电力基础设施的长期规划提供关键依据。精确的数据集不仅为光伏功率预测模型提供了训练与验证的基准，更是分析能源系统韧性、评估电网对高比例可再生能源承载能力，以及量化减排效益不可或缺的实证基础。缺乏具有长时间跨度的优质数据，许多前沿研究将难以突破理论推演层面，无法形成具有长期指导意义的科学结论。 当前，学术与工业界面临的数据挑战主要源于实测数据获取成本高昂、时空覆盖有限，且常涉及商业机密与数据连续性不足等问题。为应对这一挑战，本研究基于 2017年至2024年的多源遥感影像，通过耦合物理驱动模型与深度学习框架，构建了时间跨度达八年的高一致性光伏发电模拟数据集。该数据集完整覆盖了典型气候周期与技术进步周期，能够支持对光伏系统长期性能演化、年际波动特征及极端气候事件响应的深入分析。生成过程遵循严格的可复现原则，方法学细节与完整代码均已开源，旨在构建一个透明、可审计的数据生成管道，促进学术共同体对长时序数据质量的协同验证与持续改进。 本研究采用耦合物理驱动与深度学习的多阶段技术框架，构建了八年期光伏发电时空数据集。首先，基于 Sentinel - 2 、 Landsat - 8/9 等多源遥感影像，通过 U - Net ++架构的深度学习模型实现光伏电站的精准识别与边界提取，该模型采用 Dice - Focal 组合损失函数优化对小目标和不平衡样本的检测能力，并集成注意力机制增强空间上下文感知。识别结果经形态学后处理与人工质控后，结合电站技术档案构建电站特征向量。发电量模拟采用两层建模架构：底层基于 PVlib物理引擎计算理想条件下单位面积发电潜力，上层通过时空图神经网络（ ST - GNN ）建模相邻电站间的空间关联性与区域气候变异影响，该网络融合气象再分析数据（ ERA5 - Land ）与地形特征（ SRTM ），动态校正云层衰减、积雪覆盖及污垢损失等实际衰减因子。最后，通过自适应卡尔曼滤波将模拟结果与有限实测数据进行时空对齐，确保数据在年际尺度的物理一致性。整个处理链在 PyTorch Lightning 框架下实现端到端可复现，所有中间产物均保留完整元数据追溯链。 本数据集以 Shapefile （ SHP ）矢量格式发布， 中国范围内共计 20567个面矢量数据。 采用 WGS84 地理坐标系（ EPSG:4326 ），便于在多类 GIS 平台与空间分析工具中直接使用。 图 1 中国太阳能光伏发电设备示意图 本数据集的发布，期望为能源气象学、电力系统韧性分析、气候适应性评估及可持续发展政策制定等多个交叉学科领域，提供一个兼具时间深度与空间精度的研究基准。通过整合遥感科学与人工智能方法，我们不仅提供了连续八年的光伏发电数据产品，更重要的是建立了一个可持续更新的数据生成范式。我们深信，推动长时序能源数据的开放共享与科学协作，将显著加速可再生能源领域的知识积累与技术突破，为全球能源系统的低碳转型与气候适应性规划贡献坚实的学术支撑。