[논문 리뷰] Mapping solar array location, size, and capacity using deep learning and overhead imagery

Jordan M. Malof, Boning Li외 3명|arXiv (Cornell University)|2019. 02. 28.

Solar Radiation and Photovoltaics참고 문헌 14인용 수 22

한 줄 요약

이 논문은 고해상도 위성 사진을 이용해 개인용 태양광 발전 모듈을 정확하게 식별하고 용량을 추정하는 딥러닝 프레임워크인 SolarMapper를 제시한다. 캘리포니아의 세 도시에서 훈련된 이 모델은 커티지너츠 주 전역에 배포되어 최소한의 수작업으로 높은 정확도를 보이며 지역 단위의 용량 추정을 가능하게 하여 대규모로 비용 효율적인 태양광 인프라 지도 제작을 실현한다.

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.

연구 동기 및 목표

• 전력망 통합을 위한 분산형 태양광 발전 설치에 대한 고해상도이고 종합적인 데이터의 부족을 해결하기 위해.
• 대규모 지리적 영역 전역에서 태양광 패널의 위치, 크기, 용량을 지속 가능하고 저비용으로 지ap핑할 수 있는 방법을 개발하기 위해.
• 다양한 도시 및 근교 환경에 일반화할 수 있는 구현 가능한 딥러닝 프레임워크를 만들기 위해.
• 코네티컷 주에서 실제 배포를 통해 도시 단위의 용량 추정 정확도를 검증하기 위해.

제안 방법

• 핵심 방법은 고해상도 위성 또는 항공 사진에서 태양광 패널을 탐지하고 분할하는 데 전용된 딥러닝 모델인 SolarMapper를 사용하는 것이다.
• SolarMapper는 위성 또는 항공 사진의 스펙트럼적 및 공간적 특징을 기반으로 패널을 식별하기 위해 합성곱 신경망(CNN)을 사용한다.
• 모델는 먼저 캘리포니아의 세 개 미국 도시에서 레이블이 부여된 데이터로 훈련되어 태양광 패널의 일반화 가능한 특징을 학습한다.
• 전이 학습 및 미세조정 절차를 통해, 다시 학습하지 않고도 캘리포니아 외의 신규 지리적 지역(예: 코네티컷 주)에 SolarMapper를 배포할 수 있다.
• 탐지 후, 분할 마스크와 영상 해상도 기반 기하 스케일링을 통해 배열 크기와 추정 용량이 유도된다.
• 정확도 평가에는 도시 기록과 원격 감지 검증 자료를 기반으로 한 지상 기반 데이터를 사용하며, 정확도는 도시 단위에서 평가된다.

실험 결과

연구 질문

• RQ1 다양한 도시 환경에서 고해상도 위성 사진에 대한 태양광 패널을 정확하게 탐지하고 분할할 수 있는가?
• RQ2 제한된 위치에서 훈련한 후 모델이 새로운 지리적 지역으로 일반화되는 정도는 어떠한가?
• RQ3 도시 단위에서 설치된 전체 태양광 패널 용량을 얼마나 정확하게 추정할 수 있는가?
• RQ4 이러한 시스템을 전체 미국 주 전역에 배포할 경우의 확장성과 비용 효율성은 어떠한가?

주요 결과

• SolarMapper는 캘리포니아의 세 도시에서 태양광 패널 탐지에 높은 정확도를 보이며, 훈련 데이터에서 얻은 일반화 능력이 뛰어나다는 것을 입증했다.
• 전이 학습 배포 절차를 통해, 코네티컷 주 전역의 태양광 패널을 성공적으로 지ap핑했다.
• 코네티컷 주의 168개 도시 지역에서 추정된 전체 설치 용량이 공식 기록과 매우 유사하여 대규모에서의 높은 정확도를 나타냈다.
• 이 프레임워크는 최소한의 수작업 레이블링으로 분산형 태양광 인프라의 저비용이고 대규모 지도 제작을 가능하게 한다.