企业官网建设流程全解析

简介：2025全国风机点位数据是一套基于OSM开源地图提取的中国范围风机空间分布数据集，面向风电行业研究者、规划者和GIS技术人员，可应用于风能资源普查、风电场选址、电力规划、环境影响评价及新能源政策研究等场景。资源包共9个文件，压缩后约5.44MB，涵盖shp、dbf、prj、cpg、qmd等标准GIS类型，其中shp保存风机点位空间位置，dbf记录风机名称、类型、坐标等属性，prj定义投影与坐标参考系统，cpg和qmd分别处理字符编码与元数据。已有159人学习/浏览。数据可直接导入ArcGIS或QGIS进行查询、可视化和专题制图，通过缓冲区分析考察风机周边地物，通过叠加分析评估风电场与地形、居民区及生态敏感区的空间关系；还能结合风资源历史观测数据，为风电功率预测、风机微观选址及运维优化提供训练样本，支撑清洁能源规划与碳减排决策。

1. 2025全国风机点位数据：先看它能不能直接落地用

做风电项目前期踏勘或后评估时，最耗时间的往往不是选型计算，而是先把手头风机位置从一堆坐标里理清楚。这份2025全国风机点位数据，核心就是一份能直接落到GIS里的风机坐标点集，包含经纬度、海拔、机型、单机容量、所属场站等基础属性。它的价值在于省掉从可研报告、环评附件里手工整理坐标的体力活，适合电力设计院、新能源开发商的技经人员，以及做地理信息分析的工程师拿来当底图或初筛工具。但要把这份数据用明白，得先搞清楚它的字段底细和坐标系情况，否则点位落上去偏几百米都不知道问题出在哪。下面从数据结构开始，一步步拆。

2. 点位数据的底子：字段、坐标系与数据质量检查

2.1 先看字段：每列是什么，能干什么

拿到点位数据第一步不是画图，而是打开属性表看字段。常见的风机点位表，核心字段大概有这几类：标识字段（风机编号、场站名称）、空间字段（经度、纬度、海拔）、机型参数（单机容量、轮毂高度、风轮直径）、归属信息（省份、地市、项目名称）。下面是一份典型字段清单，字段名在不同来源里可能有出入，但对齐逻辑是一样的。

这里最容易踩的坑有两个。一是capacity和hub_height这类数值字段可能存在单位不统一的情况，有的表用MW，有的表用kW，不加判断直接做加总，装机容量会差三个数量级。二是经纬度字段名可能不叫lng/lat，有的来源叫longitude/latitude，有的是x/y，而且y可能是纬度也可能是投影坐标的北坐标，这个靠字段名猜容易翻车，稳妥的办法是拿一两个已知风机场站做交叉验证。

2.2 坐标系先对齐：WGS84、CGCS2000还是别的

点位数据里最玄学的部分就是坐标系。全国风机点位数据通常有三个来源：机载GPS实测（多为WGS84）、设计院图纸提取（常见CGCS2000高斯投影）、地图平台采集（可能是GCJ02加密坐标）。三种坐标系在平原地区相互之间误差几米到几百米不等，山区可能差得更离谱。直接拿不同来源的数据叠到一张图上，点位和底图道路对不上是常态。

我一般会先做一次坐标系识别。最简单的方法是找一份已知的行政边界或已有风机图层，把待检数据叠上去看偏移量。如果整体偏移约300到500米且方向一致，大概率是GCJ02与WGS84的差异；如果完全重合，说明数据源坐标系和底图一致。另一种办法是读数据自带的投影信息，CSV文件通常没有，Shapefile的.prj文件里会有，比如GEOGCS["CGCS2000", DATUM["China_2000"...，这就是明确的坐标系声明。

常见的处理路径是把所有数据统一到WGS84经纬度，方便和公开栅格数据叠加。如果原始数据是CGCS2000地理坐标系，直接用EPSG:4490读取，再转EPSG:4326，参数如下：

import geopandas as gpd gdf = gpd.read_file('风机点位_2025.shp') print(gdf.crs) # 先看原始坐标系 gdf_wgs84 = gdf.to_crs('EPSG:4326')

这段代码的逻辑是先用read_file读入Shapefile，打印crs确认原始坐标系，然后用to_crs转换到WGS84经纬度。注意to_crs的输入可以是EPSG代码字符串，也可以是proj4字符串。转换完成后建议把结果另存为新文件，不要覆盖原始数据，因为后续可能还要反查原始坐标系下的成果。

2.3 数据质量检查：空值、重复点、异常坐标

坐标系对齐之后，做一轮数据质量检查很有必要。点位数据的脏数据通常集中在这几类：经纬度为0或空值、同一场站内风机编号重复、海拔为负或明显离谱（比如沿海平原出现海拔2000米以上）、单机容量为0或空白。这些异常值不处理，后续做机位筛选或发电量测算时会把结果带偏。

用GeoPandas做去重和空值过滤的常规写法：

import geopandas as gpd import pandas as pd gdf = gpd.read_file('风机点位_2025.shp') # 空值过滤 gdf = gdf.dropna(subset=['lng', 'lat', 'capacity']) # 重复点去重：同一场站内风机编号唯一 gdf = gdf.drop_duplicates(subset=['plant_name', 'wind_turbine_id'], keep='first') # 异常坐标过滤：经纬度范围检查 gdf = gdf[(gdf['lng'] >= 73) & (gdf['lng'] <= 135)] gdf = gdf[(gdf['lat'] >= 18) & (gdf['lat'] <= 54)] # 海拔合理范围：这里按国内地形设个宽松阈值 gdf = gdf[(gdf['elevation'] >= -100) & (gdf['elevation'] <= 2500)]

这段逻辑分四步走：先删除关键字段为空的行，再按场站加风机编号的组合去重，然后按中国经纬度范围框定空间范围，最后按海拔做合理性校核。参数里要注意经纬度范围是按中国国境大致框的，如果数据包含海外项目需要调整。去重时的subset参数是关键，只按风机编号去重会把不同场站的同编号风机误删，必须带上场站名。

3. 把点位变成能用图层：QGIS加载与GeoPandas批量处理

3.1 QGIS加载CSV点位：从文本到图层的标准操作

拿到CSV格式的风机点位，最快的验证方式是拖进QGIS看分布。QGIS加载CSV有三种路径：直接拖拽文件、通过图层菜单添加文本数据图层、用浏览器面板导入。直接拖拽最简单，但有时QGIS会误判字段类型，导致经纬度列没有被识别为数值。我习惯用第二种方式，可控性更高。

具体步骤是：打开QGIS，菜单栏选择图层 -> 添加图层 -> 添加文本数据图层，选中CSV文件，在文件格式里把编码设置为UTF-8。关键一步是在几何定义区域里选择"点坐标"，X字段选经度列，Y字段选纬度列，坐标系选择WGS84或CGCS2000。如果原始数据是GCJ02，这里也要如实选对应坐标系，后续再通过导出重投影换成WGS84。

加载完成后检查两件事：一是属性表里有没有出现geometry字段，二是光栅化后的点位是否落在预期的省份范围内。如果点位飘到海上去，多半是X和Y字段选反了，QGIS里X是经度（左右方向），Y是纬度（上下方向），选反了点位会沿对角线镜像。这类问题在数据量大的时候不容易一眼发现，建议把省级边界图层叠在下面做参照。

3.2 GeoPandas批量处理：坐标转换与属性关联

当点位数据不是一份而是几十份分省文件时，QGIS手动加载效率太低，这时候用GeoPandas做批量处理更合适。常见需求是把多个省份的CSV合并成一个全国文件，顺便完成坐标系统一和字段规整。下面是一段批量合并的参考代码：

import geopandas as gpd import pandas as pd from pathlib import Path files = Path('./风机点位_分省').glob('*.csv') gdf_list = [] for f in files: df = pd.read_csv(f, encoding='utf-8-sig') # 列名规整：统一转为小写 df.columns = [c.strip().lower() for c in df.columns] if 'lng' not in df.columns or 'lat' not in df.columns: print(f'{f.name} 缺少经纬度列，跳过') continue # 从DataFrame构造GeoDataFrame gdf = gpd.GeoDataFrame( df, geometry=gpd.points_from_xy(df['lng'], df['lat']), crs='EPSG:4326' ) gdf_list.append(gdf) merged = pd.concat(gdf_list, ignore_index=True) merged.to_file('全国风机点位_合并.shp', encoding='utf-8')

这里有几个参数值得说明：encoding='utf-8-sig'是为了兼容带BOM头的CSV文件，很多从Windows导出的CSV带BOM，不加这个参数第一列字段名会带乱码字符。points_from_xy接收两个序列，分别对应经度和纬度。crs='EPSG:4326'是声明该数据是WGS84经纬度，不是投影坐标系，如果原数据是CGCS2000地理坐标，这里应填EPSG:4490。最后to_file把合并结果导出为Shapefile，注意输出编码指定utf-8，避免在QGIS里打开中文乱码。

3.3 属性关联：把风机台账挂到点位上

点位数据只有空间坐标还不够，实际项目里通常还要关联风机台账，比如投运日期、制造商、齿轮箱型号、变压器容量这些运维信息。台账表里如果有统一的风机编号字段，就可以用pandas的merge做关联。常见做法是以场站名加风机编号作为联合主键，因为不同场站可能存在相同的风机编号，只用风机编号关联会串数据。

merged = merged.merge( taizhang_df[['plant_name', 'wind_turbine_id', 'commission_date', 'manufacturer']], on=['plant_name', 'wind_turbine_id'], how='left', validate='1:1' )

这段代码的逻辑是把台账表里的投运日期、制造商信息按场站名和风机编号关联到点位表上。validate='1:1'是pandas的校验参数，如果关联后发现右边有重复键，会直接报错，这能提前暴露数据的重复问题，比事后检查省事得多。参数how='left'表示以点位表为主表，台账表匹配不上时留空，这一般是期望行为，因为点位数据通常比台账全。

4. 实操避坑：坐标系偏移、编码乱码与重复点的排查

4.1 避坑一：点位整体偏移数百米，边界和道路对不上

现象：点位在QGIS里加载后，和卫星底图叠在一起，风机明显落在农田或水面上，整体向东南或西北偏移300米以上，且偏移方向一致。

原因：数据坐标系与底图坐标系不一致。最常见的是点位为GCJ02加密坐标，底图为WGS84（或相反）；另一种情况是点位为CGCS2000投影坐标（如高斯克吕格投影），被当作经纬度读取。

解决：先确认底图和点位的坐标系。如果点位是GCJ02，需要转成WGS84再叠加。转换逻辑可以简单理解为分两步：先把GCJ02反算成WGS84，再重新投影。如果点位是投影坐标，则需要知道具体投影分带参数，否则无法正确转换。判断方法：在QGIS里把点位的属性表打开，看坐标值范围。经纬度坐标范围一般在-180到180之间，投影坐标的北坐标（Y值）通常是六位数，比如4300000这样的数值。

我处理这类问题时会把原始数据单独放一个图层，转换后的放到另一个图层，两个图层设置不同的颜色，对比转换前后是否基本重合。如果点位分布与场站实际位置存在系统性偏移，大概率是坐标系判断错误。

4.2 避坑二：CSV打开全是乱码，中文场站名变成锟斤拷

现象：用QGIS或GeoPandas读取CSV，其他列正常，场站名、省份列显示乱码，或者直接报UnicodeDecodeError。

原因：CSV文件编码混乱。国内来源的CSV常见三种编码：UTF-8、GB2312、GBK。QGIS默认按UTF-8读取，遇到GBK编码就乱码；GeoPandas的read_file遇到GBK编码会直接报错。

解决：读取前先判断编码。用文本编辑器或Python的chardet判断，也可以直接用编码参数逐个试。常见做法是在pd.read_csv里指定编码为'gbk'，如果报错再换'gb18030'，后者是GBK的超集，兼容性更好。QGIS加载时在编码下拉框里选择GB2312或GB18030即可。另外注意导出Shapefile时设置编码为utf-8，否则在GeoPandas里读回又乱码。

4.3 避坑三：同一坐标出现多个风机点，去重时误删有效数据

现象：某场站点位数量远超实际风机台数，检查发现有大量点经纬度完全一致或非常接近；按风机编号去重后，点数变少但仍有部分有效数据被删掉。

原因：点位数据可能由多批次文件拼接而成，同一风机的坐标被重复采集；或者不同来源数据叠加时，同一位置出现微小的坐标抖动，导致特征上属于同一点但数值不完全相等。如果盲目按经纬度完全一致去重，会漏掉抖动点；如果按风机编号去重，又把不同来源的同编号风机误删。

解决：先用模糊匹配把极小距离内的点聚合。GeoPandas里可以用buffer加空间连接实现，或者简单一点，先把经纬度四舍五入到小数点后4位（约10米精度）再做去重。如下：

gdf['lng_round'] = gdf['lng'].round(4) gdf['lat_round'] = gdf['lat'].round(4) gdf = gdf.drop_duplicates(subset=['plant_name', 'lng_round', 'lat_round'], keep='first')

这个思路是把空间坐标网格化到10米量级，同一网格内的点视为重复。参数round(4)是保留四位小数，在赤道附近约11米精度；如果风机场站风机间距较小，可以改成round(5)，约1米精度。注意去重前先按场站分组，避免不同场站距离过近时跨场站误删。

4.4 避坑四：点位数量和台账对不上，少了几十台

现象：点位文件里的风机数量和可研报告、并网验收报告里的装机台数不一致，少了几十台，或者多了几十台。

原因：点位数据多是设计阶段或建设阶段采集的，和最终并网状态存在差异。有些点位是规划机位，项目调整后未更新；有些则是分批建设，点位文件只覆盖了一期工程。

解决：先用场站名做分组统计，把每个场站的点数与台账对比。对不上时优先排查是否存在多期工程，通常需要按照项目名称的批次字段做拆分。如果点位文件里有stage或phase字段，按这个字段分组看数量分布，能定位是缺了某期还是多了规划机位。

4.5 避坑五：海拔数据异常，山地场站点位比实际低几百米

现象：某山地风电场的点位在三维视图里看，海拔明显低于实际地形，风机机位和DEM地形起伏不匹配。

原因：点位文件里的海拔可能来自不同的DEM产品，SRTM在山区存在高程偏差，或者部分点位直接取了机位坐标的GPS海拔而GPS本身误差较大。不同来源混在一起，海拔值一致性就差。

解决：做整体分析时不要直接用点位自带海拔，改用高精度DEM提取。常见做法是用ASTER GDEM或ALOS 12.5米数据做提取，QGIS里用"采样栅格值"工具，或者GeoPandas里面配合rasterio做值提取。提取前先把点位和DEM投影到同一坐标系，否则采样位置偏移。

5. 进阶玩法：点位与风速、地形叠加做机位初筛

点位数据不只能画点看分布，更实用的玩法是叠加气象栅格和地形数据做机位初筛。思路是把每个风机点位对应的年平均风速、海拔、坡度提取出来，按阈值筛选出低效机位，为后评估或技改提供量化依据。

先准备风速栅格和DEM。公开数据源这边，风速可以用ERA5再分析数据或第三方风资源图，DEM用ALOS 12.5米或ASTER。用GeoPandas加rasterio做提取的常规写法：

import rasterio import geopandas as gpd from rasterio.sample import sample_gen gdf = gpd.read_file('全国风机点位_合并.shp') gdf_wgs84 = gdf.to_crs('EPSG:4326') # 提取风速栅格值 with rasterio.open('年均风速_100m.tif') as src: coords = [(x, y) for x, y in zip(gdf_wgs84.geometry.x, gdf_wgs84.geometry.y)] gdf['ws_mean'] = [v[0] for v in sample_gen(src, coords)] # 按风速阈值筛选 low_wind = gdf[gdf['ws_mean'] < 6.5] print(f'低风速机位数量: {len(low_wind)}')

这段代码先从GeoDataFrame取所有点位的经纬度坐标，用rasterio的sample_gen在栅格对应位置采样，把风速值写回属性表，然后按6.5m/s阈值筛出低效机位。需要注意栅格和点位的坐标系必须一致，这里统一到EPSG:4326再采样，避免投影不一致导致采样位置偏移。阈值本身需要根据机型切入风速来定，陆上大型机的切入风速一般在3m/s左右，但年均风速低于6.5m/s的场站发电表现普遍一般，你可以根据自己手里的实际发电数据调整。

筛出低效机位之后，再做一轮坡度提取。坡度可以理解成地形变化率，数值越大代表地形越陡，施工难度和基础成本越高。用DEM提取坡度的代码如下：

import numpy as np with rasterio.open('dem_alos_12m.tif') as dem: dem_array = dem.read(1) transform = dem.transform # 计算坡度 x, y = np.gradient(dem_array, transform[0], transform[4]) slope = np.arctan(np.sqrt(x*x + y*y)) * 180 / np.pi # 提取点位坡度 coords = [(x, y) for x, y in zip(gdf_wgs84.geometry.x, gdf_wgs84.geometry.y)] gdf['slope_deg'] = [slope[int((coord[1] - transform[2]) / transform[4]), int((coord[0] - transform[0]) / transform[0])] for coord in coords]

这段代码通过numpy的gradient计算DEM网格在x和y方向的梯度，换算出坡度角，再按点位坐标从坡度数组里取值。注意坐标转行列号的公式：行号由纬度减左上角Y再除以像元高度，列号由经度减左上角X再除以像元宽度，栅格数据不先做统一坐标系的情况下直接用这个公式容易拿错行列。实际项目里我一般会把DEM重投影到和点位一致后再提取，宁可多一步转换也不省这个环节。

机位初筛是把风速低、坡度大、远离现有道路的点位标记出来，作为重点核查对象。注意初筛只是提示风险，不能替代微观选址的实地踏勘。栅格数据本身有精度限制，风速数据是再分析或遥感反演产品，和实际测风塔数据有偏差，在山地复杂地形中偏差更大。把这套逻辑跑完后，我会把所有标记点位导出成一个CSV，配上场站名、风机编号、平均风速、坡度，交给自己或同事去现场复核。从那以后我做这类数据前，都会强制走一遍坐标系对齐和字段规整的流程，再进入叠加分析，省掉了不少返工时间。希望帮到你。

本文还有配套的精品资源，点击获取