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
- Einleitung
- Motivation
- Ziele und Umfang
- Umriss dieser Arbeit
- Verwandte Themen und wissenschaftlicher Hintergrund
- Abgrenzung Künstliche Intelligenz
- Künstliche Intelligenz
- Maschine Learning
- Deep Learning
- Künstliche neuronale Netze
- Convolutional Neural Networks (CNN)
- Architektur
- Training
- Bewertungsmetriken
- Optimierungslösungen
- Spezielle CNN-Architekturen
- Semantische Segmentierung
- Hintergrund
- Encoder-Decoder-Architektur: U-Net
- Daten zur Analyse des PV-Potenzials
- Fernerkundung
- Datensätze
- Vorhandene Lösungen
- Ähnliche Aufgabenstellung
- Auswahl von Komponenten
- Optimierung der Implementierung
- Konzeption des Prototyps
- Konzeption des Anwendungsfalls
- Anforderungen
- Design des Prototyps
- Dachflächen-Segmentierung
- Solarmodul-Segmentation
- Solarmodul-Klassifizierung
- Dachform-Klassifizierung
- Azimut-Berechnung
- PV-Potenzial-Simulation
- Implementierung des Prototyps
- Vorgehensweise
- Entwicklungsumgebung und Werkzeuge
- Datengenerierung
- Datenvorverarbeitung
- Datensatz partitionieren
- Trainingsbilder vorverarbeiten
- Maßstab ermitteln
- Training der Modelle
- Modell: Semantische Segmentierung des Daches
- Modell: Semantische Segmentierung der Solarmodule
- Modell: Solarmodul-Klassifizierung
- Modell: Klassifikation der Dachform
- Modell: Klassifikation der Azimutklasse
- Modell: Klassifizierung PV und Solarthermie
- Deployment des Systems
- Anbindung an lokale Testbilder
- Anbindung an die Maps-API
- Evaluation
- Evaluation am Anwendungsfall Echterdingen
- LUBW-Messungen
- Vorhersagen des Prototyps
- Vergleich
- Stichprobenbasierte Evaluation
- Fehleranalyse
- Analyse der Fehler auf Evaluierungsbasis
- Analyse der Fehler im Gesamtkontext
- Betriebswirtschaftliche Analyse
- Geschäftsideen
- Prozessanalyse in der Stadtverwaltung
- Ökonomisches Lösungskonzept in Echterdingen
- Fazit und Ausblick
Zielsetzung und Themenschwerpunkte
Diese Masterarbeit zielt darauf ab, das photovoltaische Potenzial einer Stadt mithilfe von Künstlicher Intelligenz automatisch zu ermitteln. Dazu werden Deep Learning- und Semantische Segmentierungsverfahren zur Analyse von frei verfügbaren Fernerkundungsbildern verwendet. Der Fokus liegt auf der Entwicklung eines Prototyps, der das PV-Potenzial und den Ist-Zustand eines Daches/einer Stadt anhand von Fernerkundungsbildern bewertet.
- Entwicklung eines Prototyps zur automatischen Analyse des PV-Potenzials einer Stadt
- Anwendung von Deep Learning- und Semantischen Segmentierungsverfahren für die Analyse von Fernerkundungsbildern
- Bewertung des PV-Potenzials und des Ist-Zustands von Dächern und Städten
- Validierung und Evaluation der Ergebnisse mithilfe von Laserscan-Messungen
- Identifizierung von Einsatzmöglichkeiten des Prototyps im Unternehmenskontext
Zusammenfassung der Kapitel
Die Arbeit beginnt mit einer Einleitung, die die Motivation, die Ziele und den Umfang der Arbeit sowie einen kurzen Überblick über den Inhalt beschreibt. Kapitel 2 behandelt die verwandten Themen und den wissenschaftlichen Hintergrund, einschließlich der Abgrenzung von Künstlicher Intelligenz, Machine Learning und Deep Learning, sowie der Erläuterung von Convolutional Neural Networks (CNN) und Semantischer Segmentierung. Kapitel 3 konzentriert sich auf die Konzeption des Prototyps und definiert den Anwendungsfall, die Anforderungen und das Design. In Kapitel 4 wird die Implementierung des Prototyps behandelt, wobei die Vorgehensweise, die Entwicklungsumgebung und Werkzeuge, die Datengenerierung, die Datenvorverarbeitung und das Training der Modelle im Detail erläutert werden. Kapitel 5 präsentiert die Evaluation des Prototyps am Anwendungsfall der Stadt Echterdingen, beinhaltet eine Fehleranalyse und eine betriebswirtschaftliche Analyse. Die Arbeit schließt mit einem Fazit und Ausblick.
Schlüsselwörter
Künstliche Intelligenz, Deep Learning, Semantische Segmentierung, Convolutional Neural Networks (CNN), Fernerkundung, Photovoltaik, PV-Potenzial, Prototypentwicklung, Stadtplanung, Nachhaltigkeit, Laserscan-Messungen.
- 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
