基于人工智能的屋顶光伏资源评估方法及其应用

吴 兵，黄悦婷，白建波，王诚昊

基于人工智能的屋顶光伏资源评估方法及其应用

吴 兵1，黄悦婷2，白建波2†，王诚昊2

（1. 常州市新北自然资源和规划技术保障中心，江苏 常州 213022；2. 河海大学 机电工程学院，江苏 常州 213022）

在我国加速推进整县分布式屋顶光伏的大背景下，为直观、可靠地初步评估建筑屋顶可利用的光伏资源，提出一种基于深度学习的屋顶光伏资源评估方法，将图像分割技术与光伏仿真部分结合并应用。先根据双卷积神经网络模型Double U-Net识别建筑屋顶的外轮廓，实现建筑物屋顶的高精度自动提取，进行屋顶边缘的检测及屋顶面积的计算，判断该屋顶光伏组件的数量，使用KLEIN-THEILACKER模型计算出在该屋顶光伏组件最佳倾角和其倾斜面辐照量，最终估算屋顶面积的光伏最佳发电量。提出的Double U-Net模型训练准确度可达95.83%，同时该方法可估算所选屋顶的月、年总辐照量及总发电量。最后，以河海大学常州校区为案例，通过与Solargis网站数据对比，验证了所提出方法具备较高的可靠性和适用性。

分布式光伏；光伏资源评估；屋顶轮廓识别；卷积神经网络；发电量计算

0 引 言

为缓解能源危机和解决环境恶化问题，光伏产业蓬勃发展[1]。光伏产业不仅是构建以新能源为主体的新型电力系统的关键路径，同时也是实现“碳达峰、碳中和”目标的重要支撑[2-4]。国家能源局于2021年6月起在全国组织开展整县（市、区）推进屋顶分布式光伏开发试点工作，各地政府积极响应[5-6]。据数据显示，我国目前既有建筑面积800亿m2，安装太阳能光伏电池面积近30亿m2，并且每年分别以3亿m2的速度增加，因此屋顶分布式光伏在未来拥有巨大的发展潜力[7]。

近几年，卷积神经网络（convolutional neural network, CNN）在图像分割领域的发展为建筑屋顶区域的自动获取提供了新的方向。李紫薇等[8]针对原始语义分割网络（semantic segmentation network, SegNet）模型参数多、梯度不稳定、分割精度低的问题，提出了一种改进的SegNet模型，结合带残差的瓶颈、深度可分离卷积和跳跃连接结构构造SegNet。何青等[9]为进一步提高建筑物边缘提取效果，基于U-Net提出了一种多层次自动编码−解码网络。林雨琦等[10]为获取遥感图像中的建筑信息，提出了基于编码−解码结构的深度神经网络模型，在编码阶段通过卷积层和池化层提取高维语义特征，在解码阶段通过跳跃链接融合高维和低维细节特征。通过密集连接块降低模型的参数量并使用卷积注意力模块（convolution block attention module, CBAM）提高网络的准确性。徐胜军等[11]提出了一种基于多尺度特征融合空洞卷积模型有效克服了道路、树木等因素的干扰，提高了建筑物分割精度。

如何进一步提升建筑物的分割精度仍是值得研究的问题。关于评估屋顶光伏资源的研究大多集中在建筑物分割，忽略了将图像分割技术与光伏仿真部分结合应用，现阶段亟需一种直观、可靠和全面地评估屋顶光伏资源的方式。

1 理论方法

屋顶光伏资源评估方法流程如图1所示。

（1）首先采用卫星或无人机获得该区域的RGB正射影像图，将图像数据输入卷积神经网络模型，基于双卷积神经网络模型Double U-Net的屋顶轮廓识别方法，将判定为可进行光伏资源运用的屋顶以白色像素标记并输出预测图像。

（2）随后将预测图像进行边缘检测处理，得到建筑屋顶的轮廓，并确定其所包围面积的像素点个数，根据图像的分辨率可计算得出屋顶可用面积，计算出屋顶光伏组件的最大安装数量。

（3）在此基础上，采用KLEIN和THEILACKER提出的天空各向异性模型算法（简称KT算法）[12]，根据该区域辐照模型计算出光伏组件安装最佳倾角及倾斜面辐照量，最终估算出该区域屋顶光伏年发电量。

图1 屋顶资源评估方法流程图

1.1 网络模型构建

卷积神经网络能有效地解决语义分割问题，具有自动提取特征和提高分割精度的能力，已经应用在计算机视觉领域的图像分类、目标检测、边界检测、语义分割、实例分割等[13]。

在U-Net模型基础上提出了Double U-Net模型，其架构图如图2所示。通过将残差网络模型ResNet50 U-Net和U-Net模组构型的结果拼接在一起，形成双U-Net结构。该模型首先采用ResNet50 U-Net模型，将其输入与输出点乘后作为改进的U-Net结构的输入。

图2 基于Double U-Net网络模型

ResNet50 U-Net是基于参考文献[14]中的ResNet50模型改进的模型，去掉其最顶部的全连接层，指定模型初始化的权重检查点，输入张量尺寸为256 × 256 × 3。用预训练的ResNet50模型构建ResNet50 U-Net的下采样路径，再利用反卷积构建上采样路径，整体结构如图3所示。

本文的U-Net模型是基于RONNEBERGER等[15]学者提出模型的改进。如图4所示，模型输入图像大小为256 × 256，共包含23层卷积层。在每个下采样阶段，除了重复两次3 × 3的卷积、修正线性元（rectified linear unit, ReLU）线性整流函数和一次最大池化操作外，还加上了批标准化（batch normalization, BN）层，在最后两次下采样的末尾加上了正则化操作。

图3 ResNet50 U-Net神经网络模型结构

图4 改进后的U-Net网络模型

1.2 模型验证

训练验证使用INRIA数据集，该数据集为建筑物航空拍摄的像素级图像，覆盖了美国和奥地利10个不同城市的810 km2的面积，采样分辨率为30 cm，并被分成两个面积相等的集——训练集和测试集。

网络模型全部代码均基于Python语言，使用PyCharm软件和Anaconda搭建所需编程环境，所有卷积神经网络模型均在Tensorflow和Keras框架下构建。CPU为11代Core i9-11900K，RAM内存为128 GB大小，GPU为NVIDIA GeForce RTX 3080，GPU内存为73.2 GB（其中专用GPU内存10.0 GB，共享GPU内存63.2 GB），操作系统为Windows 10。

选择对数据集进行图像预处理，将每张高分辨率大图片裁剪为256 × 256图片。采用图像旋转、图像翻转、对比度和明暗度增强等多种随机变换方法，对70%的图像进行了数据增强操作，对75%的图片进行了旋转和翻转（其中旋转角度在0°到360°之间，翻转包含水平翻转、垂直翻转和中心对称翻转），对50%的图片进行了对比度和明暗度增强。

采用数据增强，对经过图像预处理的INRIA数据集进行训练。模型网络的输入图像大小为256 × 256 × 3，学习率设为1 × 10−4，最后一层使用大小为2的归一化函数softmax激活，损失函数选取Dice损失函数，优化器为Adam，在模型评估标准里除了准确度（accuracy, Acc）外还加入了交并比（intersection over union, IoU）的评估。以批量大小为4训练10个轮次，总共耗时约10 h。

由图5a可以看出，Double U-Net模型的训练准确度随训练轮次的增加而上升，最终准确度达到近96%，验证准确度也随训练进行而不断提高，与训练准确度曲线较好贴合。图5b中，训练损失和验证损失均随训练轮次增加而不断减小，最终低于0.05，且两根曲线都较为平滑，没有明显波动，验证损失曲线和训练损失曲线很好贴合。因此，可以认为Double U-Net模型的训练验证效果良好。

表1为Double U-Net模型对INRIA测试集的预测结果评估数据与U-Net模型的结果。对比可知，所有地区的预测效果均有明显提高。

Double U-Net模型的预测效果更好，总体IoU也由45.67%上升至67.99%，增加22.32%。总体准确度Acc由88.91%上升至95.83%，增加6.92%。

表1 Double U-Net与U-Net模型测试集预测结果对比

1.3 边缘检测方法

使用Canny算子[16]边缘检测算法，分离屋顶轮廓线。目的是在保留原有图像属性的情况下，显著减少图像数据规模。其主要实现步骤如下：

（1）滤除噪声。使用5 × 5的高斯滤波器对图像进行平滑处理。

（2）计算图像灰度梯度。平滑后的图像在水平方向和垂直方向上用Sobel算子进行滤波，然后使用这些滤波操作的结果计算每个像素的强度梯度大小（）和方向（）[17]，表达式如下：

（3）错误边缘抑制。在滤除噪声和计算梯度之后，使用非最大边缘抑制（non-maximum suppression, NMS）技术来过滤掉冗余像素（某些实际上并不构成边缘的像素点）。每个像素在正向和负向梯度方向与其邻近的像素进行比较，如果当前像素的梯度数值与邻近的像素梯度数值近似，则当前像素的梯度数值保持不变。否则，当前像素梯度数值设置为零。

（4）比较阈值。设置两个阈值（最大值和最小值），比较计算出的梯度与阈值，若该点梯度大于最大值，则认为该点为确切边界，若小于最小值则排除，若介于两者之间，则判断该点是否与确切边界相连接，连接则保留，分离则去除。

1.4 组件表面辐射计算方法

通过水平面的太阳能辐照量计算不同倾斜角下的光伏组件月总辐照，采用KT方法[12]计算，该方法可用于任意朝向斜面。

经上式即可计算出任意方位、不同倾斜面上的月总辐照量。

1.5 组件光伏发电量计算方法

单块光伏板的占地面积可根据光伏组件的最佳倾角计算，通过合理安排光伏组件间距，由屋顶可用面积除以光伏组件占地面积，可计算出屋顶所能排布的组件数量。在选定组件型号后，可计算得出屋顶的光伏发电量。

如图6所示，为计算合理的组件间距的示意图。对于遮挡物阴影的长度，一般确定的原则是，冬至日上午9点至下午3点之间，后排的太阳电池方阵不应被遮挡。计算表达式为：

L—方阵高度；l—两排方阵间距；h—仿真垂直高度；β—方阵倾角；as—太阳高度角；γs—太阳方位角；r—太阳入射线水平面上投影在前后排方阵之间的长度

图6 屋顶光伏阵列推荐安装间距示意图

Fig. 6 Diagram of recommended installation pitch for rooftop photovoltaic arrays

2 案例分析

2.1 屋顶轮廓辨识

采用无人机航拍河海大学常州校区（坐标为31.820 502°N、119.975 923°E）得到校区的正射影像图，并基于本文提出的Double U-Net模型进行其屋顶轮廓的识别预测。图7为无人机航拍河海大学常州校区正射影像图。

图8为采用Double U-Net对校区建筑的正射影像图进行预测（图8b），然后使用Canny算子对屋顶轮廓进行识别（图8c）。

图7 河海大学常州校区航拍正射影像图

图8 河海大学常州校区为学楼建筑图像

图9为使用无人机航拍的河海大学常州校区宿舍楼建筑的正射影像图，对每栋宿舍楼进行编号，并利用Double U-Net对其进行预测（图10a），然后使用Canny算子对屋顶轮廓进行识别（图10b）。从预测图像中可以看出基于Double U-Net和Canny算子对屋顶轮廓的识别相较于彩色航拍图像的轮廓还原度较高，能够准确地对屋顶区域进行识别。

图9 河海大学常州校区宿舍楼建筑彩色图像

图10 河海大学常州校区宿舍楼建筑预测图像

2.2 最佳倾斜角和倾斜面辐照量计算

KT模型计算程序采用C# 语言编写，设地面反射率为常数0.2，方位角为0°。河海大学常州校区经纬度由气象数据库Meteonorm获得其水平面辐照量，并计算得出河海大学常州校区的屋顶光伏组件最佳倾角及倾斜面的辐照量。

表2为河海大学常州校区水平面及最佳倾斜角下倾斜面辐照量。经计算得河海大学常州校区屋顶光伏组件最佳倾角为22°，年总辐照量为 1 304.36 kW∙h/m2。

2.3 方法验证

通过Solargis网站所提供的数据可以发现河海大学常州校区的屋顶光伏组件安装最佳倾角为26°，最佳倾角下年辐照量为1 412.1 kW∙h/m2，如图11所示。

表2 河海大学常州校区水平面及最佳倾斜面辐照量

对比可知，本文所采用的方法计算结果与Solargis网站预测的河海大学常州校区光伏组件安装最佳倾角与辐照量结果相近，表明本文所提出的方法能够有效地进行屋顶光伏资源的评估及应用。

2.4 河海大学常州校区发电量估算

屋顶的实际可用面积通过预测图像中屋顶所占的像素点数，并根据图像分辨率进行换算。最后可以计算出河海大学常州校区为学楼屋顶可用面积为521.74 m2，11号、12号、15号、16号宿舍楼屋顶可用面积分别为56.13 m2、51.37 m2、71.97 m2、69.94 m2。

选取天合光能TSM-DE08M(II)型号组件，输出功率范围360 ～ 380 W，最高效率20.7%。单块组件尺寸（mm）为1 040 × 1 763 × 35，面积为1.83 m2。

以河海大学常州校区11号宿舍楼为例，由屋顶可用面积56.13 m2和单块光伏组件占地面积3.1 m2可计算出该建筑屋顶光伏组件安装数量为18个。该建筑屋顶的光伏发电量为组件数量、组件面积、最佳倾角下倾斜面辐照量和所选型号组件效率的乘积。其他建筑屋顶的光伏发电量估算方法同理。

由表3可知，在组件最佳倾角为22°时，为学楼、11号宿舍楼、12号宿舍楼、15号宿舍楼、16号宿舍楼屋顶年发电量分别为88 444.9 kW∙h、9 388.0 kW∙h、8 399.8 kW∙h、11 858.5 kW∙h、11 858.5 kW∙h。

表3 河海大学常州校区为学楼和宿舍楼建筑屋顶光伏发电量估算

3 结 论

阐述了屋顶光伏资源评估方法，采用屋顶轮廓识别和光伏发电量计算相连通的方式，可以直观、可靠和全面地评估屋顶光伏资源。主要结论如下：

（1）提出基于Double U-Net模型的屋顶轮廓识别方法，可以实现建筑物屋顶的高精度自动提取，模型准确度Acc最终可达95.93%，比原U-Net模型提升了6.92%。

（2）在河海大学常州校区典型的多幢建筑进行了方法应用，表明该方法具有较高的可靠性，适合应用于规模化的建筑屋顶光伏资源评估。

[1] 姚维平, 鄂志君, 张宁, 等. 光伏电力混合储能系统的能量管理策略研究[J]. 可再生能源, 2021, 39(2): 264-269. DOI: 10.3969/j.issn.1671-5292.2021.02.019.

[2] 隋欣, 魏毅, 罗小林, 等. 面向“双碳”目标的脆弱区域生态光伏模式研究[J]. 太阳能学报, 2022, 43(7): 56-63. DOI: 10.19912/j.0254-0096.tynxb.2021-0837.

[3] 黄震, 谢晓敏. 碳中和愿景下的能源变革[J]. 中国科学院院刊, 2021, 36(09): 1010-1018. DOI: 10.16418/j. issn.1000-3045.20210812001.

[4] 房丽硕, 吕建, 霍雨霞. 屋顶分布式光伏并网发电系统的运行特性研究[J]. 天津城建大学学报, 2019, 25(4): 284-289. DOI: 10.19479/j.2095-719x.1904284.

[5] 邓少平, 康慨, 别叶健, 等. 屋顶分布式光伏发电项目经济容量研究[J]. 太阳能, 2017(11): 18-24. DOI: 10.3969/j.issn.1003-0417.2017.11.004.

[6] 马维唯. 国际太阳能发电产业现状及发展趋势[J]. 太阳能, 2020(1): 5-12. DOI: 10.3969/j.issn.1003-0417. 2020.01.001.

[7] 金秋实, 王晓, 倪依琳, 等. “双碳”背景下光伏行业发展研究与展望[J]. 环境保护, 2022, 50(1): 44-50. 10.14026/j.cnki.0253-9705.2022.z1.017.

[8] 李紫薇, 英昌盛, 于晓鹏, 等. 基于改进SegNet模型的遥感图像建筑物分割[J]. 吉林大学学报: 理学版, 2022, 060(002): 409-416. DOI: 10.13413/j.cnki.jdxblxb. 2021238.

[9] 何青, 孟洋洋, 李华智. 多层次编码—解码网络遥感图像建筑物分割[J]. 计算机应用研究, 2021, 38(08): 2510-2514. DOI: 10.19734/j.issn.1001-3695.2020.09.0394.

[10] 林雨琦, 李宝安, 韩晶, 等. 一种融合密集连接与注意力的遥感建筑物分割网络[J]. 北京信息科技大学学报, 2021, 36(5): 9-15. DOI: 10.16508/j.cnki.11-5866/n. 2021.05.002.

[11] 徐胜军, 欧阳朴衍, 郭学源, 等. 多尺度特征融合空洞卷积ResNet遥感图像建筑物分割[J]. 光学精密工程, 2020, 28(7): 1588-1599. DOI: 10.37188/OPE. 20202807.1588.

[12] KLEIN S A, THEILACKER J C. An algorithm for calculating monthly-average radiation on inclined surfaces[J]. Journal of solar energy engineering, 1981, 103(1): 29-33. DOI:10.1115/1.3266201.

[13] 周俊宇, 赵艳明. 卷积神经网络在图像分类和目标检测应用综述[J]. 计算机工程与应用, 2017, 53(13): 34-41.

[14] ESTEVA A, CHOU K, YEUNG S, et al. Deep learning-enabled medical computer vision[J]. NPJ digital medicine, 2021, 4(1): 5. DOI: 10.1038/S41746-020- 00376-2.

[15] RONNEBERGER O, FISCHER P, BROX T. U-Net: convolutional networks for biomedical image segmentation[C]//Proceedings of the 18th International Conference on Medical Image Computing and Computer-Assisted Intervention. Munich: Springer, 2015: 234-241. DOI:10.1007/978-3-319-24574-4_28.

[16] CANNY J. A computational approach to edge detection[J]. IEEE transactions on pattern analysis and machine intelligence, 1986, PAMI-8(6): 679-698. DOI: 10.1109/TPAMI.1986.4767851.

[17] LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient- based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324. DOI: 10.1109/5.726791.

Method and Application of Rooftop Photovoltaic Resources Assessment Based on Artificial Intelligence

WU Bing1, HUANG Yue-ting2, BAI Jian-bo2, WANG Cheng-hao2

(1. Changzhou Xinbei Natural Resources and Planning Technology Support Center, Changzhou 213022, Jiangsu, China;2. College of Mechanical and Electrical Engineering, Hohai University, Changzhou 213022, Jiangsu, China)

Under the background of accelerating the promotion of whole-county distributed rooftop photovoltaic (PV) in China, a deep learning-based rooftop PV resource assessment method which combined and applied image segmentation techniques with PV simulation components was proposed to assess the available PV resources on building rooftops intuitively and reliably. Firstly, the outer contour of the building roof was identified to realize the high-precision automatic extraction of the building roof according to the Double U-Net convolutional neural network model. Then the roof edge was detected, and the roof area was calculated to determine the number of photovoltaic modules on the roof. The KLEIN-THEILACKER model was used to calculate the optimal tilt angle of the PV modules and the irradiation on the titled surface. Finally the optimal photovoltaic power generation of the roof area was estimated. The training accuracy of the proposed Double U-Net model could reach 95.83%, and the proposed method could estimate the total monthly and annual irradiation and total power generation of the selected roof. Finally, the reliability and applicability of the proposed method were verified by comparing it with the data from the Solargis website, using the Changzhou campus of Hohai University as a case study.

distributed photovoltaic; photovoltaic resource evaluation; roof profile recognition; convolutional neural network; power generation calculation

2095-560X（2023）03-0280-09

TK519

A

10.3969/j.issn.2095-560X.2023.03.011

2022-11-24

2023-01-05

国家重点研发计划项目（2022YFB4201000）；国家自然科学基金面上项目（51676063）

白建波，E-mail：bai_jianbo@hhu.edu.cn

吴兵, 黄悦婷, 白建波, 等. 基于人工智能的屋顶光伏资源评估方法及其应用[J]. 新能源进展, 2023, 11(3): 280-288.

WU Bing, HUANG Yue-ting, BAI Jian-bo, et al. Method and application of rooftop photovoltaic resources assessment based on artificial intelligence[J]. Advances in new and renewable energy, 2023, 11(3): 280-288.

吴 兵（1988-），男，工程师，主要从事光伏仿真及遥感地图识别研究。

白建波（1974-），男，博士，教授，主要从事光伏仿真研究。