Bei der Förderung von erneuerbaren Energien spielt der Ausbau von städtischen Photovoltaik-Anlagen eine bedeutsame Rolle. Denn PV-Anlagen auf Dächern gelten als eine hervorragende Quelle für nachhaltige Energie. In dieser Hinsicht ist die Abschätzung des PV-Potenzials einer Stadt von Vorteil. Die aktuellen Methoden hierfür arbeiten auf der Basis von Laserscandaten, die veraltet und nur an vereinzelten Standorten verfügbar sind.
Diese Arbeit zielt darauf ab, das photovoltaische Potenzial einer Stadt mit Hilfe Künstlicher Intelligenz automatisch zu ermitteln. Verschiedene datengetriebene Deep Learning- und Semantische Segmentierungsverfahren analysieren hierzu frei verfügbare Fernerkundungsbilder. Dazu werden verschiedene Deep Learning Ansätze für die Analyse von Dächern kombiniert und am Anwendungsfall der Stadt Echterdingen evaluiert. Die Prototypentwicklung stellt einen innovativen Ansatz dar, der mit Hilfe der Fernerkundungsbilder das PV-Potenzial und den Ist-Zustand eines Daches/einer Stadt bewertet. Die Vorhersagen werden in einem Vergleich mit Laserscan-Messungen validiert und bewertet. Die Auswertungen zeigen, dass der Prototyp aussagekräftige Ergebnisse für die Analyse des PV-Potenzials liefert und einen Mehrwert im Vergleich zu Laserscan-Messungen bietet. Die Masterarbeit zeigt auch, dass der Prototyp weitreichende Möglichkeiten für den Einsatz im Unternehmen bietet und zu einer nachhaltigen Lösung führen kann.
Inhaltsverzeichnis
1. Einleitung
1.1 Motivation
1.2 Ziele und Umfang
1.3 Umriss dieser Arbeit
2. Verwandte Themen und wissenschaftlicher Hintergrund
2.1 Abgrenzung Künstliche Intelligenz
2.1.1 Künstliche Intelligenz
2.1.2 Maschine Learning
2.1.3 Deep Learning
2.2 Künstliche neuronale Netze
2.3 Convolutional Neural Networks (CNN)
2.3.1 Architektur
2.3.2 Training
2.3.3 Bewertungsmetriken
2.3.4 Optimierungslösungen
2.3.5 Spezielle CNN-Architekturen
2.4 Semantische Segmentierung
2.4.1 Hintergrund
2.4.2 Encoder-Decoder-Architektur: U-Net
2.5 Daten zur Analyse des PV-Potenzials
2.5.1 Fernerkundung
2.5.2 Datensätze
2.6 Vorhandene Lösungen
2.6.1 Ähnliche Aufgabenstellung
2.6.2 Auswahl von Komponenten
2.6.3 Optimierung der Implementierung
3. Konzeption des Prototyps
3.1 Konzeption des Anwendungsfalls
3.2 Anforderungen
3.3 Design des Prototyps
3.3.1 Dachflächen-Segmentierung
3.3.2 Solarmodul-Segmentation
3.3.3 Solarmodul-Klassifizierung
3.3.4 Dachform-Klassifizierung
3.3.5 Azimut-Berechnung
3.3.6 PV-Potenzial-Simulation
4. Implementierung des Prototyps
4.1 Vorgehensweise
4.2 Entwicklungsumgebung und Werkzeuge
4.3 Datengenerierung
4.4 Datenvorverarbeitung
4.4.1 Datensatz partitionieren
4.4.2 Trainingsbilder vorverarbeiten
4.4.3 Maßstab ermitteln
4.5 Training der Modelle
4.5.1 Modell: Semantische Segmentierung des Daches
4.5.2 Modell: Semantische Segmentierung der Solarmodule
4.5.3 Modell: Solarmodul-Klassifizierung
4.5.4 Modell: Klassifikation der Dachform
4.5.5 Modell: Klassifikation der Azimutklasse
4.5.6 Modell: Klassifizierung PV und Solarthermie
4.6 Deployment des Systems
4.6.1 Anbindung an lokale Testbilder
4.6.2 Anbindung an die Maps-API
5. Evaluation
5.1 Evaluation am Anwendungsfall Echterdingen
5.1.1 LUBW-Messungen
5.1.2 Vorhersagen des Prototyps
5.1.3 Vergleich
5.2 Stichprobenbasierte Evaluation
5.3 Fehleranalyse
5.3.1 Analyse der Fehler auf Evaluierungsbasis
5.3.2 Analyse der Fehler im Gesamtkontext
5.4 Betriebswirtschaftliche Analyse
5.4.1 Geschäftsideen
5.4.2 Prozessanalyse in der Stadtverwaltung
5.4.3 Ökonomisches Lösungskonzept in Echterdingen
5.5 Fazit und Ausblick
Zielsetzung & Themen
Ziel dieser Arbeit ist die Entwicklung eines automatisierten Prototyps mittels Künstlicher Intelligenz, der das photovoltaische Potenzial von Städten auf Basis frei verfügbarer Fernerkundungsbilder ermittelt und evaluiert. Die Forschungsfrage fokussiert sich dabei auf die Effektivität innovativer Deep-Learning-Methoden im Vergleich zu klassischen Laserscanverfahren sowie auf die ökonomischen Potenziale für Stadtverwaltungen.
- Entwicklung einer Deep-Learning-Pipeline zur Segmentierung von Dachflächen und Solarmodulen
- Klassifizierung von Dachtypen, Azimut-Ausrichtungen und PV-Anlagentypen
- Automatisierte Simulation des elektrischen Leistungspotenzials (PV-Potenzial in kWp)
- Experimentelle Validierung und Evaluation am Anwendungsfall Echterdingen
- Betriebswirtschaftliche Analyse und Prozessoptimierung für Stadtverwaltungen
Auszug aus dem Buch
3.3.1 Dachflächen-Segmentierung
Der erste Schritt in der Pipeline ist die Bestimmung der Bildpixel, die zur Dachfläche gehören. Das Extrahieren des Dachsegments dient zudem als Eingabe für die Dachform-Klassifizierung. Mögliche Bäume, die einen Schatten auf das Dach werfen könnten und somit das PV-Potenzial vermindern, sind hierbei nur teilweise berücksichtigt. Der Algorithmus berücksichtigt demnach nur Objekte, die von oben betrachtet über die Dachfläche ragen. Die im Kapitel 2.4 beschriebene Methode der Semantischen Segmentierung dient zur Identifizierung der Dachobjekte auf Pixelebene. Dieser Ansatz setzt das U-Net zur Identifizierung der Dächer ein (siehe Abbildung 13). Bei diesem Prototyp erlernt die Encoder-Decoder-Architektur die Dachsegmente und generalisiert auf noch nicht zuvor gesehene Bilder. Anstatt eine Modellarchitektur von Grund auf neu zu entwickeln, greift diese Komponente auf das bewährte U-Net-Modell zurück. Die Ausgabe ist eine binäre Bildmaske, aus dieser die Anzahl der Pixel bestimmbar ist. Sämtliche Pixel, die zu dem Dach gehören, sind ablesbar und mithilfe einer maßstabgetreuen Umrechnung ist die reale Dachgröße in m² ermittelbar. Die beiden hierfür benötigten Werte sind der Bereich und die Distanz, die im Kapitel 4.4.3 detailliert beschrieben sind.
Zusammenfassung der Kapitel
1. Einleitung: Beschreibt die Bedeutung erneuerbarer Energien in Deutschland, die Relevanz der Photovoltaik und führt in die wissenschaftliche Motivation zur automatisierten Potenzialanalyse mittels Deep Learning ein.
2. Verwandte Themen und wissenschaftlicher Hintergrund: Erläutert die theoretischen Grundlagen zu Künstlicher Intelligenz, CNNs, Semantischer Segmentierung und stellt den Stand der Technik sowie existierende Ansätze in der Literatur dar.
3. Konzeption des Prototyps: Definiert die Anforderungen an den Prototyp und beschreibt das Design der Modell-Pipeline, einschließlich der einzelnen Schritte von der Segmentierung bis hin zur PV-Potenzial-Simulation.
4. Implementierung des Prototyps: Dokumentiert den Machine-Learning-Workflow, die Datengenerierung, Datenvorverarbeitung, das Training der einzelnen Modelle und das Deployment des Systems.
5. Evaluation: Bewertet die Ergebnisse des Prototyps am Anwendungsfall Echterdingen durch den Vergleich mit LUBW-Messungen, eine detaillierte Fehleranalyse sowie eine betriebswirtschaftliche Betrachtung.
Schlüsselwörter
Künstliche Intelligenz, Photovoltaik-Potenzial, Deep Learning, Semantische Segmentierung, U-Net, Convolutional Neural Networks, Fernerkundung, Bildverarbeitung, PV-Analyse, Stadtplanung, Modelltraining, Solarenergie, Echterdingen, Machine Learning, Datenvorverarbeitung
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht den Einsatz von Künstlicher Intelligenz zur automatisierten Analyse und Bewertung des Photovoltaik-Potenzials von städtischen Dächern anhand von Luftbildern.
Was sind die zentralen Themenfelder?
Die zentralen Themen umfassen Deep Learning, Semantische Segmentierung von Bildern, Photovoltaik-Simulation, sowie die betriebswirtschaftliche Prozessoptimierung in Kommunen.
Was ist das primäre Ziel oder die Forschungsfrage?
Das primäre Ziel ist die Entwicklung und Validierung eines Prototyps, der effektiv und auf Basis aktueller Bilddaten das PV-Potenzial einer Stadt ermittelt, um Entscheidungshilfen für die Stadtplanung zu liefern.
Welche wissenschaftliche Methode wird verwendet?
Es werden verschiedene Deep-Learning-Architekturen, insbesondere das U-Net zur Semantischen Segmentierung und spezielle CNN-Modelle (VGG, Xception) zur Klassifizierung, implementiert und trainiert.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in die theoretische Fundierung, die Konzeption des Prototyps, die technische Implementierung des Machine-Learning-Workflows sowie eine umfangreiche Evaluation der Vorhersageergebnisse.
Welche Schlüsselwörter charakterisieren die Arbeit?
Künstliche Intelligenz, Photovoltaik-Potenzial, Deep Learning, Semantische Segmentierung, U-Net, Convolutional Neural Networks, Fernerkundung und Solarenergie.
Wie wurde die Genauigkeit des Modells bewertet?
Die Leistung wurde anhand von Metriken wie Accuracy, Intersection over Union (IoU) und durch den Vergleich der berechneten PV-Potenziale mit existierenden Referenzdaten (LUBW-Energieatlas) evaluiert.
Was bedeutet der in der Arbeit erwähnte Eignungswert?
Der Eignungswert setzt die mögliche elektrische Leistung in Relation zur Dachfläche und dient der Einteilung von Gebäuden in unterschiedliche Eignungsklassen für eine PV-Bebauung.
Warum ist die Unterscheidung zwischen PV und Solarthermie wichtig?
Da PV-Module Strom erzeugen und Solarthermie-Anlagen Wärme, ist eine korrekte Unterscheidung essenziell, um das tatsächliche elektrische Leistungspotenzial für eine autarke Stromversorgung korrekt zu berechnen.
- Arbeit zitieren
- Kevin Widholm (Autor:in), 2021, Einsatz von Künstlicher Intelligenz zur Analyse des Photovoltaik-Potenzials von Städten. Eine prototypbasierte Untersuchung, München, GRIN Verlag, https://www.grin.com/document/1140838
