Γερμανοί ερευνητές με μία νέα μέθοδο εκτιμούν την ικανότητα απόδοσης φωτοβολταϊκών στη στέγη χρησιμοποιώντας αεροφωτογραφίες. Η καινοτομία της προτεινόμενης τεχνικής έγκειται στην ικανότητά της να λαμβάνει υπόψη υπερκατασκευές στις στέγες.
«Αυτά τα τμήματα της επιφάνειας της στέγης μπορεί να μην είναι διαθέσιμα για την εγκατάσταση ηλιακών συστημάτων λόγω εμποδίων όπως παράθυρα ή καμινάδες. Η υπερεκτίμηση του δυναμικού ηλιακής ενέργειας ταράτσας μπορεί να μειωθεί σημαντικά αν ληφθούν υπόψη οι υπερκατασκευές της στέγης», δήλωσε η Qingyu Li, ερευνήτρια στο Τεχνικό Πανεπιστήμιο του Μονάχου και η υπεύθυνη συγγραφέας του έργου, στο περιοδικό pv .
«Αναπτύσσουμε ένα καινοτόμο δίκτυο πολλαπλών εργασιών μάθησης που είναι ικανό να μαθαίνει τόσο χάρτες προσανατολισμού ταρατσών όσο και χάρτες υπερκατασκευών ταρατσών ταυτόχρονα», πρόσθεσε. Το πλαίσιο βασίζεται σε μια κατηγορία αλγορίθμων βαθιάς μάθησης. Δίνοντας στο πλαίσιο το όνομα SolarNet+, μαθαίνει χάρτες προσανατολισμού και υπερκατασκευών στεγών. Πρώτα εξάγει επιμέρους κατηγορίες τμημάτων ταρατσών και τις κατατάσσει σύμφωνα με τον προσανατολισμό τους, και στη συνέχεια αποκλείει την περιοχή των υπερκατασκευών, που προσδιορίζεται χρησιμοποιώντας προβλεπόμενους χάρτες υπερκατασκευών στεγών. Στη συνέχεια, χρησιμοποιώντας τη βάση δεδομένων ηλιακής ακτινοβολίας, η προβλεπόμενη παραγωγή φωτοβολταϊκών μπορεί να υπολογιστεί από το επίπεδο των πάνελ έως την κλίμακα της πόλης.
Το σύστημα επικυρώθηκε και δοκιμάστηκε αρχικά στο σύνολο δεδομένων πληροφοριών στεγών που περιλαμβάνει 1.880 κτίρια στη μικρή γερμανική πόλη Wartenberg, εξαιτίας της μορφολογίας της περιοχής. «Για μια ολοκληρωμένη αξιολόγηση των αποτελεσμάτων των προσανατολισμών στεγών και των υπερκατασκευών, το SolarNet+ συγκρίνεται με αρκετές μεθόδους τελευταίας τεχνολογίας», δήλωσαν οι ερευνητές. «Συγκεκριμένα, όσον αφορά τους προσανατολισμούς στεγών, συγκρίσεις γίνονται με πέντε δίκτυα: DeepLab V3+, FC-DenseNet, Efficient-UNet, U-Net και SolarNet. Για τις υπερκατασκευές στεγών, πραγματοποιούμε συγκρίσεις με τέσσερα δίκτυα σημασιολογικής τμηματοποίησης, τα DeepLab V3+, FC-DenseNet, Efficient-UNet και U-Net».
Εφαρμογές σε Διάφορες Κλιματικές Ζώνες
Η ομάδα ενσωμάτωσε το σύστημα σε διάφορες τοπικές κλιματικές ζώνες (LCZ) και το δοκίμασε στις Βρυξέλλες. Οι ζώνες με την υψηλότερη απόδοση δυναμικού ηλιακής ενέργειας ήταν τα συμπαγή ψηλά κτίρια, συμπαγή μεσαία κτίρια και βαριά βιομηχανία, με ετήσιο φωτοβολταϊκό δυναμικό 10.56 GWh/έτος/km², 11.77 GWh/έτος/km², και 10.70 GWh/έτος/km², αντίστοιχα.
Με τη νέα αυτή προσέγγιση, οι εκτιμήσεις για την εγκατάσταση φωτοβολταϊκών συστημάτων σε αστικές περιοχές γίνονται πιο ακριβείς και ρεαλιστικές, λαμβάνοντας υπόψη τα πραγματικά χαρακτηριστικά των στεγών και τα εμπόδια που μπορεί να υπάρχουν.
Το πλαίσιο SolarNet+ παρουσιάστηκε στην εργασία «Πλαίσιο βασισμένο στη βαθιά μάθηση για την εκτίμηση του δυναμικού ηλιακής ενέργειας ταρατσών σε κλίμακα πόλης λαμβάνοντας υπόψη τις υπερκατασκευές στεγών», που δημοσιεύτηκε στο περιοδικό Applied Energy. Στην έρευνα συμμετείχαν επιστήμονες από το Τεχνικό Πανεπιστήμιο του Μονάχου και το Κέντρο Μηχανικής Μάθησης του Μονάχου.
