Fremtiden for identifikation af solenergi
Selv i lande med spredt befolkning som Sverige kan dyb maskinlæring bruges til at identificere solenergianlæg på billeder fra luften. Det er konklusionen fra en svensk forskningsgruppe fra Uppsala Universitet, der har udforsket brugen af denne teknik til at spotte både fotovoltaiske (PV) og solvarmesystemer med imponerende resultater.

Dyb maskinlæring går højt op i Sverige
Forskere fra Uppsala Universitet i Sverige har anvendt dyb maskinlæring til automatisk at identificere solenergianlæg på billeder taget fra luften. Deres arbejde repræsenterer en betydelig teknologisk fremskridt inden for identifikation af vedvarende energisystemer.

I deres studie fokuserede forskerne på billedmateriale fra Sverige og brugte en dyb læringsmodel kaldet DeepSolar CNN, udviklet af forskere fra Stanford Universitet. Denne model anvender en Convolutional Neural Network (CNN), som muliggør udvinding og læring af træk fra visuelle data.

Ifølge forskningsgruppen opnåede DeepSolar en nøjagtighed på 63,9% ved brug af en svensk datasæt. Selvom dette resultat er lavere end tidligere undersøgelser, der anvendte samme model i andre lande (for eksempel opnåede en gruppe forskere i USA en nøjagtighed på 91%, mens en undersøgelse i Tyskland nåede 87,3%), så har den svenske DeepSolar til gengæld opnået konkurrencedygtige resultater, når det kommer til "recall rate."

Hvad er "recall rate," og hvad betyder det?
Precision rate refererer til en metodes evne til ikke at begå fejl, mens recall rate refererer til dens evne til ikke at overse positive informationer. I recall-metriken har den svenske DeepSolar opnået 81,8%, sammenlignet med 98,1% i USA og 87,5% i Tyskland.

Forskerne forklarer: "Med hensyn til den lavere nøjagtighed opnået i denne undersøgelse sammenlignet med tidligere publikationer, kan en forklaring være, at vores scanninger af komplette kommuner i det sparsomt befolkede Sverige indeholder en meget større andel af negative billeder end de nævnte studier. Da hovedmålet er at vurdere, hvor nyttig påvisning af decentraliserede solenergisystemer (SES) ved hjælp af luftbilleder og en CNN-klassifikationsalgoritme er for at skabe en så omfattende database som muligt, er en høj recall vigtigere end en høj præcision."

En iterativ proces til øget præcision
Algoritmen blev først trænet med data fra delstaten Nordrhein-Westphalen i Tyskland og blev derefter finjusteret til svenske forhold med billeder fra otte kommuner. Den blev derefter brugt til at scanne hele det geografiske område i tre svenske kommuner - Uppvidinge, Falun og Knivsta. Disse data blev sammenlignet med andre data, der blev indsamlet ved stedbesøg.

Denne iterative proces involverede flere scanninger, hvor CNN-algoritmen blev genoptrænet efter hver scanning, hvilket resulterede i gradvist forbedret nøjagtighed. I den indledende scanning opdagede algoritmen 89% af de påviselige PV-systemer (eksklusive BIPV og lodrette installationer) og 59% af ST-systemerne. Bemærkelsesværdigt forbedrede disse påvisningsrater sig til 95% for PV-systemer og 80% for ST-systemer i den fjerde og sidste scanning.

Udfordringer og perspektiver
Det er dog vigtigt at bemærke, at visse PV-systemer undgik påvisning, især de, der anvender ramme- og rammeløse moduler, der normalt er installeret på mørkfarvede tage. Andre udfordringer omfattede skygge fra træer eller bygninger, billedrefleksioner og systemer med høje hældningsvinkler, som begrænsede algoritmens påvisningsevne.

Forskerne konkluderede, at nøjagtigheden understreger modellens potentiale som både et inventarværktøj og en mekanisme til at opbygge omfattende databaser over eksisterende SES'er. Ved at forbinde en sådan database, hvor de nøjagtige placeringer af SES'er er kendt, til eksisterende bygnings- og ejendomsinventarer, lettes genereringen af detaljerede statistikker for SES-markedet.

Konklusion
Dette svenske forskningsprojekt demonstrerer, hvordan dyb maskinlæring kan bruges til at identificere solenergianlæg i luftbilleder, selv i områder med spredt befolkning. Selvom nøjagtigheden var lavere i forhold til tidligere undersøgelser, har den høje recall rate vist sig at være afgørende for opbygningen af omfattende solenergidatabaser.

Den svenske DeepSolar-algoritme blev finjusteret gennem en iterativ proces, der førte til betydeligt forbedrede påvisningsrater. Dette arbejde udvider horisonterne for solenergiidentifikation og vil sandsynligvis bidrage til en mere præcis kortlægning af solenergiressourcer i Sverige og lignende regioner.

Dette studie er et fremragende eksempel på, hvordan maskinlæring og dyb læring kan anvendes til at fremme vedvarende energi og bidrage til den grønne omstilling. Det understreger også betydningen af ​​at tilpasse teknologier til regionale forhold for at opnå de bedste resultater.

Overvejer du Solenergi?
KlimaEnergi leverer solcelleløsninger og serviceydelser til alle, der har et ønske om grøn energi og sund økonomi og er i dag en af Danmarks førende udbydere af komplette solcelleanlæg til private og til erhverv.

For rådgivning eller spørgsmål, kontakt os på:

tlf. +45 75 76 17 00, eller skriv på post@klimaenergi.dk