Skip to main content

Projekt zur automatisierten Detektion von Solarenergieanlagen mit Hilfe von Deep Neural Networks

Die schweizerische Statistik der erneuerbaren Energien schätzt die Nutzung der Sonnenenergie anhand von Markterhebungen ab. Um eine umfassendere Statistik zu erreichen, sollen bestehende Solaranlagen primär aus Luftbildern mithilfe künstlicher Intelligenz auf der Basis von Deep Learning Algorithmen automatisch identifiziert und quantifiziert werden. Dieser Ansatz soll zu einer Standortbestimmung für die Umsetzung der Energiestrategie 2050 beitragen.

The Swiss renewable energy statistics estimate the use of solar energy based on market surveys. To extend these statistics, existing solar installations are to be identified and quantified fully automatically using deep learning algorithms based on aerial photographs. Thanks to this method, the current inventory of installed solar systems can be determined more precisely. In addition, the results allow the location of the implementation of the Energy Strategy 2050 to be determined.

La statistique suisse des énergies renouvelables estime l'utilisation de l'énergie solaire sur la base d'études de marché. Afin d'obtenir des statistiques plus complètes, les systèmes solaires existants doivent être automatiquement identifiés et quantifiés principalement à partir de photos aériennes utilisant l'intelligence artificielle sur la base d'algorithmes deep learning. Le but de cette approche est de contribuer à une évaluation pour la mise en oeuvre de la stratégie énergétique 2050.

Zusammenfassung

Im Rahmen dieses ambitionierten Forschungsprojektes im Auftrag des Bundesamtes für Energie (BFE) wird am Institut Geomatik der FHNW ein Workflow erarbeitet, dessen Ziel es ist, installierte Solarenergieanlagen in der Schweiz automatisch anhand von Luftbildern zu erkennen. Dabei sollen Fotovoltaik- und Solarthermieanalgen unterschieden und diese hinsichtlich ihrer Fläche erfasst werden. Dazu werden Deep Learning Technologien angewendet, die auf die Detektion spezifischer Umrisse der Panels bzw. Kollektoren trainiert werden.

Der vorgestellte Zugang ist äusserst vielversprechend, weil sich mit Hilfe von Deep Neural Networks (DNN) selbstständig kontextrelevante Merkmale in Bildern erlernen lassen. Das Institut Geomatik verfügt hinsichtlich der Klassifizierung von Fernerkundungsbildern anhand datengetriebener Methoden über eine langjährige Expertise. Hervorzuheben ist etwa ein Projekt zur Automatisierung der Arealstatistik der Schweiz für das Bundesamt für Statistik auf der Basis von modernen Methoden des maschinellen Lernens, u.a. DNN.

Methoden

Mit dem Gebäude- und Wohnungsregister des Bundesamts für Statistik, der Dachneigungen und -orientierungen aus dem swissBuildings3D-Datensatz, sowie dem Swissimage-Luftbilddatensatz der Swisstopo in 25cm-/10cm-Auflösung wurde zunächst ein schweizweit homogener Datensatz als Grundlage für das maschinelle Lernen aufbereitet, indem Luftbildkacheln um jedes Gebäude automatisch generiert wurden. Mit Hilfe eines speziell entwickelten Dienstes liessen sich die Kacheln hinsichtlich bestehender Solaranlagen kategorisieren, wobei das Erfassen polygonaler Binärmasken manuell durch mehrere Experten erfolgte. Tausende von Referenzdaten liessen sich auf diese Weise dem maschinellen DNN Lernverfahren präsentieren.

Als DNN Technologie wurde in einem ersten Schritt die Faster-RCNN Architektur verwendet, welche auf Convolutional Neural Networks (CNN) basiert und die Berücksichtigung von Regions (R) in Form von Bounding Boxes ermöglicht.

Bild1.jpg

Eine weitere Entwicklungsstufe erfolgte dadurch, dass Regionsinformationen der R-CNN durch die Detektion der Panel- bzw. Kollektorumrisse mit Hilfe einer Mask-RCNN Architektur erweitert wurde. Die zeitintensiven Berechnungen erfolgten auf einem HP Apollo 6500 Compute Cluster, welcher auf vier aktuellen Hochleistungsgrafikkarten des Typs Nvidia Tesla V100 zugreift und speziell für das Projekt in das Rechenzentrum der FHHNW Campus Muttenz integriert wurde.

Zwischenergebnisse

Erste Ergebnisse deuten auf die Nutzbarkeit des Workflows hin, das die Aufbereitung zuverlässiger Referenzdaten, das maschinelle Lernen und die automatisierte Detektion anhand unabhängiger Testdaten umfasst: Bereits mit Hilfe der Faster-RCNN basierten Detektion liessen sich Fotovoltaik- und Solarthermieanlagen diskriminieren, wie exemplarisch in nachfolgenden Bildern gezeigt wird (Testdaten).

Figure_2.jpg

Mit Mask-RCNN lassen sich im Gegensatz zu obigen Bounding Boxen die Umrisse der Anlagen detektieren. Erste Ergebnisse weisen auf die Leistungsfähigkeit des Verfahrens hin:

Figure_3.jpg

Mit Hilfe der automatisierten Erfassung von Solaranalgen sollen sich das aktuelle und zukünftige Nutzungspotenzial regional und landesweit besser abschätzen lassen. Diese Erkenntnisse dienen einer Standortbestimmung für die Umsetzung der Energiestrategie 2050. Finale Ergebnisse des Projektes sollen in der Bundesgeodateninfrastruktur visualisiert und präsentiert werden.

Projektteam

Prof. Martin Christen, Kontakt: bWFydGluLmNocmlzdGVuQGZobncuY2g=
Prof. Dr. Denis Jordan, Kontakt: ZGVuaXMuam9yZGFuQGZobncuY2g=
Adrian Meyer, Kontakt: YWRyaWFuLm1leWVyQGZobncuY2g=

Projektpartner

Logo_HABG.jpg

Logo_BFE.jpg

Diese Seite teilen: