[論文レビュー] Mapping solar array location, size, and capacity using deep learning and overhead imagery

Jordan M. Malof, Boning Li+3 more|arXiv (Cornell University)|Feb 28, 2019

Solar Radiation and Photovoltaics参考文献 14被引用数 22

ひとこと要約

本論文では、高分解能空中画像を用いて、個々の太陽光発電（PV）モジュールのマッピングと容量推定を高精度で行う深層学習フレームワーク、SolarMapperを提示する。カリフォルニア州の3都市で訓練され、コネチカット州に展開された本フレームワークは、最小限の手作業で高精度な地域的容量推定を実現し、大規模かつコスト効果的な太陽光インフラマッピングを可能にする。

ABSTRACT

The effective integration of distributed solar photovoltaic (PV) arrays into existing power grids will require access to high quality data; the location, power capacity, and energy generation of individual solar PV installations. Unfortunately, existing methods for obtaining this data are limited in their spatial resolution and completeness. We propose a general framework for accurately and cheaply mapping individual PV arrays, and their capacities, over large geographic areas. At the core of this approach is a deep learning algorithm called SolarMapper - which we make publicly available - that can automatically map PV arrays in high resolution overhead imagery. We estimate the performance of SolarMapper on a large dataset of overhead imagery across three US cities in California. We also describe a procedure for deploying SolarMapper to new geographic regions, so that it can be utilized by others. We demonstrate the effectiveness of the proposed deployment procedure by using it to map solar arrays across the entire US state of Connecticut (CT). Using these results, we demonstrate that we achieve highly accurate estimates of total installed PV capacity within each of CT's 168 municipal regions.

研究の動機と目的

• グリッド統合を目的とした、分散型太陽光発電インフラの高分解能かつ包括的なデータの不足に対処すること。
• 大規模地理的領域にわたり、太陽光パネルの配置、サイズ、容量をスケーラブルで低コストな方法でマッピングする手法を開発すること。
• 多様な都市的・準都市的環境に一般化可能な、展開可能な深層学習フレームワークを構築すること。
• コネチカット州での実際の展開を用いて、市単位での容量推定の正確性を検証すること。

提案手法

• 本研究の核となる手法は、高分解能空中画像内の太陽光発電パネルアレイを検出・セグメンテーションするように訓練された深層学習モデル、SolarMapperを用いること。
• SolarMapperは、衛星または航空写真におけるスペクトル的・空間的特徴に基づき、PVパネルを識別するための畳み込みニューラルネットワーク（CNN）を用いる。
• モデルはまず、米国カリフォルニア州の3都市からのラベル付きデータを用いて、太陽光アレイの汎用的特徴を学習する。
• トランスファー学習とファインチューニングの手順により、コネチカット州など新たな地理的領域へのSolarMapperの展開が可能となり、再訓練を必要としない。
• 検出後、アレイのサイズと推定容量は、セグメンテーションマスクと画像解像度に基づく幾何的スケーリングから導出される。
• 性能は、市役所の記録データとリモートセンシングによる検証データを用いて評価され、市単位での正確性が評価される。

実験結果

リサーチクエスチョン

• RQ1 多様な都市環境において、高分解能空中画像内に存在する太陽光発電パネルアレイを、深層学習モデルが高精度で検出・セグメンテーションできるか？
• RQ2 限定的な場所での学習後、モデルは新たな地理的領域にどの程度一般化できるか？
• RQ3 市単位での合計インストール済みPV容量をどの程度高精度に推定できるか？
• RQ4 このようなシステムを米国全州に展開する際のスケーラビリティとコスト効果はいかほどか？

主な発見

• SolarMapperは、カリフォルニア州の3都市において、訓練データからの強力な一般化を示しながら、太陽光発電パネルアレイの検出において高い正確性を達成した。
• トランスファー学習による展開手順を用いて、米国コネチカット州全土の太陽光アレイを効果的にマッピングした。
• コネチカット州の168の市域における推定合計インストール済みPV容量は、公式記録と非常に近い値となり、大規模な正確性が裏付けられた。
• 本フレームワークは、最小限の手作業ラベル付けで、分散型太陽光インフラの大規模かつコスト効果的なマッピングを可能にした。