[论文解读] 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 22

一句话总结

本文提出 SolarMapper，一种深度学习框架，可利用高分辨率航拍影像精确识别单个太阳能光伏（PV）阵列并估算其容量。该框架在加利福尼亚州三座城市训练，并部署于康涅狄格州，仅需极少人工干预即可实现高度准确的区域级容量估算，从而实现大规模、低成本的太阳能基础设施制图。

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.

研究动机与目标

• 解决电网整合中分布式太阳能光伏安装缺乏高分辨率、全面数据的问题。
• 开发一种可扩展、低成本的方法，用于在大范围地理区域内制图太阳能阵列的位置、尺寸和容量。
• 创建一个可部署的深度学习框架，使其能够在多样化城市和郊区环境中实现泛化。
• 通过在康涅狄格州的实际部署，验证模型在市政层面容量估算的准确性。

提出的方法

• 核心方法采用深度学习模型 SolarMapper，用于在高分辨率航拍影像中检测和分割太阳能光伏阵列。
• SolarMapper 使用卷积神经网络（CNN）基于卫星或航空影像中的光谱和空间特征识别光伏面板。
• 该模型首先在加利福尼亚州三座美国城市的标注数据上进行训练，以学习太阳能阵列的可泛化特征。
• 通过迁移学习和微调流程，可将 SolarMapper 部署至新地理区域（如康涅狄格州），而无需从头开始训练。
• 检测完成后，通过分割掩码和基于图像分辨率的几何缩放，推导出阵列尺寸和估算容量。
• 性能通过市政记录的实地数据和遥感验证进行评估，准确性在市政层面进行衡量。

实验结果

研究问题

• RQ1 深度学习模型能否在多样化城市环境中，准确检测和分割高分辨率航拍影像中的太阳能光伏阵列？
• RQ2 在仅基于有限地点集进行训练后，该模型在新地理区域的泛化能力如何？
• RQ3 该模型在多大程度上能以高精度估算市政区域的总安装光伏容量？
• RQ4 此类系统在整个美国州级范围内的可扩展性和成本效益如何？

主要发现

• SolarMapper 在加利福尼亚州三座城市中均实现了高精度的太阳能光伏阵列检测，展现出从训练数据中强大的泛化能力。
• 通过迁移学习部署流程，该模型成功覆盖了整个美国康涅狄格州的太阳能阵列制图。
• 康涅狄格州168个市政区域的估算总安装光伏容量与官方记录高度吻合，表明其在大规模应用中具有高精度。
• 该框架可实现低成本、大规模的分布式太阳能基础设施制图，且人工标注需求极低。