使用人工智能检测屋顶太阳能潜力

全球气候变化以及某些地区缺乏廉价可靠的能源供应正在促进光伏发电在区域和全球范围内的扩张。除了地面安装和农业太阳能系统外，屋顶系统被认为是太阳能发电的一个有前途的因素。除了受制于不太复杂的规划流程和法律框架外，它们还价格合理、可靠，并利用了现有的屋顶基础设施。

在安装光伏系统之前，通常要估计太阳能潜力。在屋顶系统方面，该分析主要针对每个建筑物单独进行。这需要手动或作为激光雷达项目的一部分测量各种参数，例如屋顶坡度、方向和任何屋顶上部结构。对于较大的目标区域，由于涉及大量的手动工作或与高分辨率激光雷达测量相关的高成本，估算工作很快就会变得不可行。通过将人工智能应用于数字正射影像，德国地理情报公司Deeeper.technology开发了一种方法来克服这些瓶颈，并确定广大地区甚至整个国家的净太阳能潜力。

单个数据集的多个模型

通过将专有的AI方法与开源机器学习库结合使用，该方法按顺序应用多个神经网络，每个神经网络都为该过程做出了自己的贡献。开始时，建筑物检测网络以 20cm 的分辨率评估正射影像，并将建筑物提取为二进制栅格（图 1）。但是，为了不仅确定纯建筑面积，而且确定实际可用面积，必须采取两个进一步的步骤：1）建筑物的屋顶表面必须分解为单独的凸面，以便单独考虑每个屋顶表面，以及2）由于障碍物而无法使用的区域需要从计算中排除。为了实现这一点，应用了另外两个神经网络，一个处理分解为线性表面，另一个从正射影像中提取屋顶上部结构以及其他不可用的屋顶区域。

应用建筑物检测网络、线性分解网络和上部结构检测网络后，收集有关总屋顶面积和不可用表面的知识。为了获得屋顶的净有用面积，在下一步中只需要计算这些数量之间的差异。因此，应用上述三个网络之后的中间结果是包含目标区域中每个建筑物的净有用面积的图层。

不仅仅是“在哪里”的问题

在这个过程的这一点上，已经产生了关于建筑物位置以及净可用面积的知识。然而，目前尚不清楚这些屋顶区域在现实中有多大用处。要计算实际的太阳潜力，必须包括有关海拔的其他信息。这是由另一个深度学习模型在称为单目深度估计的过程中估计的。通过将数字正射影像与数字表面模型一起处理作为输入数据，该模型可以学习估计每个建筑物的高度和 3D 形状。下一步，将高程估算网络应用于目标区域。这会产生有关单个屋顶表面的高度和坡度（图2）以及其他物体（如邻近建筑物或树木）的潜在阴影的关键信息。如果将这些数据与有关屋顶朝向太阳的方向的信息相结合，则可以根据屋顶表面的倾斜角度和方位角相当准确地确定太阳势。

具体而言，这是通过计算每个屋顶表面与最佳方向（南）和理想倾斜角（0度）的屈服偏差百分比来实现的。然后，根据百分比偏差的大小，遮阳程度和标准太阳能组件的标称功率，确定每个屋顶表面的潜在净有用功率（图3）。因此，最终结果不仅显示了理论上的可用面积，还显示了每个屋顶表面的有效输出。

优点和限制

这种方法的最大优点是它可以应用于任何大小的区域。此外，输入数据在大尺度下很容易获得，而高分辨率激光雷达测量可能并非如此。这使得在很短的时间内计算出更大的区域，如省份甚至整个国家（图4）。根据计算能力和所使用的技术，该解决方案每分钟可以分析几平方公里。与手动注释和计算等传统方法相比，这创造了相当大的空间和时间优势，并且成本比激光雷达项目便宜几个数量级。另一方面，当然，这种方法并非完全没有错误。由于依赖于不少于四个神经网络，因此不能排除无法正确识别对象的可能性。这适用于单个建筑物以及单个屋顶表面、上层建筑和遮阳。但是，由于错误率与人工GIS注释器相当，因此错误百分比可以忽略不计，特别是考虑到上述规模和优势。

这种方法为各种组织提供了好处，从能源行业的公司到公共行政机构。在通常几乎没有关于太阳能潜力的库存数据的时候，这种方法的主要优点是生成关键指标，提供特定区域建筑物的快速情境概述，作为决策的基础。此外，与商业登记数据的交集还允许能源供应商更具体地解决建筑物所有者的问题。除此之外，还有机会进行更有针对性的电网扩张规划，以进一步推动可再生能源的扩张。

结论

大规模地理空间分析通常伴随着相当大的工作量和高成本。人工智能可以帮助限制所涉及的工作量和成本。特别是在由于其政治或社会必要性而具有强烈紧迫性的应用程序中，智能算法可以成为决定性的加速器。在太阳能系统扩展的情况下，深度学习算法表明，可以在短短几天内分析整个国家的屋顶太阳能潜力。上面介绍的地理智能方法并非无懈可击。然而，作为对现有流程的补充，它提供了一种方式，使地理空间行业可以更好地利用人工智能、机器学习和自动化提供的加速机会，在帮助实现与气候和能源相关的政策目标方面发挥其作用。