CN114266984B - 一种利用高分辨遥感影像计算建筑物屋顶光伏可改造区减碳量的方法 - Google Patents
一种利用高分辨遥感影像计算建筑物屋顶光伏可改造区减碳量的方法 Download PDFInfo
- Publication number
- CN114266984B CN114266984B CN202111482807.XA CN202111482807A CN114266984B CN 114266984 B CN114266984 B CN 114266984B CN 202111482807 A CN202111482807 A CN 202111482807A CN 114266984 B CN114266984 B CN 114266984B
- Authority
- CN
- China
- Prior art keywords
- roof
- photovoltaic
- area
- building
- calculating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 37
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 37
- 230000009467 reduction Effects 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000003245 coal Substances 0.000 claims abstract description 23
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 22
- 238000010248 power generation Methods 0.000 claims abstract description 19
- 238000011161 development Methods 0.000 claims abstract description 13
- 230000005855 radiation Effects 0.000 claims abstract description 13
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 11
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 11
- 238000009434 installation Methods 0.000 claims description 9
- 238000003491 array Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000009423 ventilation Methods 0.000 claims description 2
- 238000004378 air conditioning Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 6
- 238000006386 neutralization reaction Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 13
- 230000011218 segmentation Effects 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种利用高分辨率遥感影像计算区域建筑物屋顶光伏可改造区减碳量的方法，通过GF‑2遥感影像提取建筑物矢量图并进行位置配准，利用DeepLabv3+网络对配准后图像识别，然后基于识别结果计算平屋顶及斜屋顶面积，利用建筑物屋顶参数、屋顶光伏参数、太阳辐射参数建模计算可改造屋顶光伏容量，最后结合标准煤耗、标准煤的二氧化碳排放因子、可改造屋顶光伏容量构建可改造屋顶光伏减碳量模型。利用本发明可以实现对建筑物屋顶光伏可改造区减碳量的计算，有效评估光伏可开发容量和节能减碳量、预测屋顶光伏发电潜力，实现“碳达峰，碳中和”目标下屋顶光伏减碳量的评估。
Description
技术领域
本发明涉及时空遥感、光伏发电、语义分割技术，具体涉及一种利用高分辨遥感影像计算建筑物屋顶光伏可改造区减碳量的方法。
背景技术
气候变化是人类面临的全球性问题，随着各国二氧化碳排放，温室气体猛增，对生命系统形成威胁。能源结构调整是推动碳中和行动的核心工作，能源结构调整的关键在于减少化石能源资源的消费，大力发展新能源和可再生资源，风电、光伏太阳能发电是在全球范围内大规模推广的可再生能源方向。太阳能光伏发电系统可分为集中式和分布式，集中式太阳能光伏发电系统在中国利用较为广泛。然而分布式太阳能光伏发电系统处于起步阶段，建筑物屋顶有许多尚未得到有效利用。
影响屋顶光伏太阳能发电的原因众多，例如太阳辐射量、日照时长、不同角度的倾斜面辐射量、组件遮挡等。因此在研究屋顶光伏减碳量时要对不同地区、不同气候条件进行区分。例如，在我国太阳年总辐射量约为33×108J/m2到83×108J/m2之间。其分布，大体是西部大于东部。西部以青藏高原年总辐射量最大(70×108J/m2)，东部以川黔地区年太阳总辐射量最小(40×108J/m2)。在研究建筑物屋顶光伏可改造区减碳量时，要考虑到不同区域太阳辐射量，光伏安装倾角等参数的影响。
为此，本专利提出一种利用高分辨遥感影像计算建筑物屋顶光伏可改造区减碳量的方法。该方法基于DeepLabv3+网络结构，对GF-2遥感数据进行屋顶识别，基于识别后数据集进行平屋顶和斜屋顶面积计算，引入建筑物屋顶参数、屋顶光伏参数、太阳辐射参数、标准煤耗、标准煤的二氧化碳排放因子建模计算屋顶光伏可改造区减碳量。对建筑物屋顶光伏可改造区减碳量进行测算，可用于对分布式屋顶光伏潜力的估计，促进分布式太阳能光伏的开发利用。
发明内容
本发明的技术解决问题是：提出一种利用高分辨遥感影像计算建筑物屋顶光伏可改造区减碳量的方法，实现对光伏屋顶节能减碳量的估算，促进分布式太阳能光伏的开发利用，为是否更普及的安装屋顶光伏提供决策支撑。
本发明的技术解决方案为：一种利用高分辨遥感影像计算建筑物屋顶光伏可改造区减碳量的方法，首先获取GF-2遥感数据，对数据进行存储和预处理。然后基于DeepLabv3+网络结构对具有空间信息的建筑物遥感影像数据集进行屋顶识别，构建屋顶光伏可改造面积估算数据集；针对平屋顶和斜屋顶接受太阳辐射不同，由建筑物屋顶像素点数及卫星遥感单分辨率对屋顶光伏可改造面积估算数据集中平屋顶斜屋顶的面积分别进行计算；结合屋顶用途、光伏设备影响、屋顶方向等因素，分类计算平屋顶、斜屋顶实际可改造屋顶面积；针对不同区域太阳年辐射量差异确定太阳辐射参数；结合组件参数、当地经纬度、光伏安装倾角、太阳方位角、太阳高度角等参数分别计算平屋顶和斜屋顶光伏可开发容量。最后根据煤发电与光伏发电间的对应关系，用光伏发电抵消煤发电，利用标准煤耗、标准煤的二氧化碳排放因子、屋顶光伏可开发容量计算屋顶光伏可改造区减碳量。其具体步骤如下：
(1)获取GF-2遥感数据，对数据进行存储和预处理。
步骤(1)中，对于获取的GF-2遥感数据，采用标准数据结构进行数据规约。
进一步，对GF-2遥感数据进行高效存储。既可以采用关系型数据库，通过结构化方式，也可以采用NoSQL数据库，通过非结构化方式，进行数据的逻辑存储与管理；既可以采用集中式高性能存储设备，也可以采用分布式集群方式进行建筑物遥感影像数据的物理存储与优化。
更进一步，对建筑物遥感影像数据进行预处理，具体步骤包括：
(a)写入空间信息。在确保精度的前提下，将研究区的空间信息写入高分遥感影像中。
(b)人工勾画样本数据集屋顶矢量。利用PhotoShop软件打开样本图像，人工勾画屋顶矢量，勾画后的矢量图保存为PNG格式，作为样本标签数据。将标签数据图像与原始数据图像一一对应，命名相同，样本标签数据和原始数据初步构成屋顶光伏样本数据库。
(c)图像切割。将配准好的样本标签数据与原始遥感影像切割为500*500像素的图像。
(d)图像过滤。将(c)中原始数据与对应的样本标签数据进行对照，过滤掉无建筑物、建筑物大量未标注的影像，自此建筑物屋顶光伏样本数据库构建完成。
(2)对步骤(1)中获取的具有空间信息的建筑物遥感影像数据集进行屋顶识别，构建屋顶光伏可改造面积估算数据集，具体步骤包括：
(a)建筑物屋顶特征识别。将建筑物屋顶光伏样本数据库一部分作为训练集，一部分作为测试集，构建屋顶特征识别模型，模型的主体使用带有空洞卷积的ResNet34分类网络，将最后两个下采样层的stride设置为1。然后采用带有空洞卷积的空间金字塔池化模块(ASPP)，具体组成包括：(1)一个1*1的卷积和3个3*3的空洞卷积，膨胀率为6，12，18(2)全局平均池化，获得图像级的特征。
(b)输出屋顶特征图。将ResNet34分类网络和带有空洞卷积的空间金字塔池化模块拼接后进行卷积融合，得到融合多尺度信息的屋顶特征图。经过Encoder的ASPP模块后得到的特征图output_stride为8，对encoder得到的特征进行上采样然后与ResNet中的Conv2层的特征合并，再采用3*3卷积进一步融合特征。
(c)缩放输出图像。使用双线性插值得到与原始图片相同大小的分割预测。
(d)存储分割预测结果，构建已识别建筑物屋顶数据集。
(3)对已标记建筑物屋顶数据集进行观察，分类计算平屋顶面积和斜屋顶面积，具体步骤包括：
(a)根据已识别建筑物屋顶数据集得到建筑物屋顶外形轮廓；
(b)对建筑物屋顶数据集进行采样构造建筑物屋顶样本数据集；
(c)对建筑物样本数据集中平屋顶像素点数和斜屋顶像素点数分别进行计算，得到平屋顶面积概率(Ff)和斜屋顶面积概率(Fg)；
(d)根据建筑物屋顶外形轮廓提取建筑物屋顶整体像素点数；
(e)利用卫星影像的单位分辨率和建筑物屋顶整体像素点数，计算识别出的全部建筑物屋顶面积(Sf)；
(f)结合平屋顶斜屋顶面积比率和全部建筑物屋顶面积建模，分类计算识别出的建筑物平屋顶面积(Srf)和斜屋顶面积(Srg)。
Srf＝Sf×Ff
Srg＝Sf×Fg
(4)结合屋顶用途、光伏设备影响、屋顶方向等因素，分类计算平屋顶光伏可利用开发的面积(Srfa)和斜屋顶光伏可利用开发的面积(Srga)，设立Bc代表屋顶用途修正系数、Bq代表光伏设备影响修正系数、Bt代表屋顶方向修正系数。具体模型如下：
Srfa＝Srf×Bc×Bq
Srga＝Srg×Bc×Bq×Bt
(5)结合组件参数、当地经纬度、光伏安装倾角、太阳方位角、太阳高度角、平屋顶斜屋顶可利用开发面积等参数分别计算屋顶光伏可开发容量，本方法采用光伏组件为330W/m2，采用2×8阵列，设立α代表太阳方位角，h代表太阳高度角。具体模型如下：
平屋顶前后阵列间距离：
一个光伏组件阵列的占地面积：
S1＝d*b
平屋顶可安装光伏组件阵列个数：
N1＝Srfa/S1
平屋顶光伏可开发容量W1计算公式如下：
W1＝N1*330*2*8
斜屋顶可直接安装光伏组件阵列，所以可安装光伏组件阵列数：
N2＝Srga/(L*b)
斜屋顶光伏可开发容量W2计算公式如下：
W2＝N2*330*2*8
可利用光伏开发的屋顶光伏总容量：W＝W1+W2
(6)利用光伏发电量等价煤耗发电量，根据减少的煤耗量计算光伏发电的减碳量。利用标准煤耗、标准煤的二氧化碳排放因子、屋顶光伏可开发容量计算可改造屋顶光伏减碳量，2020年全国供电标准煤耗305.5克/千瓦时，标准煤的二氧化碳排放因子Vco2(kg/kgce),取2.47kg/kgce。具体模型如下：
标准节煤量：Qtr＝305.5*W
太阳能光伏发电系统的二氧化碳减排量：
Qrco2＝Qtr×Vco2
本发明与现有技术相比的优点在于：
1、采用空洞卷积与深度分离卷积结合的方法进行屋顶特征识别，同传统的卷积方式相比，DeepLab v3+参考了目标检测中特征融合策略，使网络保留更多的浅层信息，在扩大感受野的同时获得了更高清的屋顶分割结果，实现将底层的特征与高层特征进行进一步的融合，提升分割边界的准确度；同时加入深度可分离卷积来对分割网络的速度进行优化。
2、采用高分遥感影像，自上而下建立可改造屋顶光伏减碳量模型，实现“碳达峰，碳中和”目标下屋顶光伏节碳量的精确评估，在尚未改造前预先估算节碳量，为评估光伏可开发容量和节能减排量、分析屋顶光伏发电潜力提供支持。
附图说明
图1为本发明的整体流程图。
图2为本发明的建模流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案，下面结合附图和实施方式对本发明实施例作进一步的详细说明。
如图1、图2所示，本发明包括以下步骤：
1、数据存储及预处理：对GF-2遥感数据进行存储，可以采用集中式高性能计算设施，利用高性能服务器、高速网络和高速存储设备集群，物理存储高分遥感数据，也可以采用分布式集群方式，利用分布式计算环境和存储结构进行建筑物高分遥感数据的物理存储。数据预处理的步骤包括：人工屋顶特征标注、地理矫正、图像切割、图像过滤；
人工屋顶特征标注：利用PhotoShop软件打开样本图像，人工勾画屋顶矢量，勾画后的矢量图保存为PNG格式，作为样本标签数据。将标签数据图像与原始数据图像一一对应，命名相同，样本标签数据和原始数据初步构成屋顶光伏样本数据库。
地理矫正:在确保精度的前提下，根据建筑物矢量图与遥感影像间的对应关系，利用QGIS软件中的QuickMapServices插件，将研究区矢量图的空间信息写入高分遥感影像中，实现矢量图与栅格图的匹配。
图像切割:将配准好的矢量图与遥感影像切割为统一像素的图像。
图像过滤:将切割好的遥感影像与对应的矢量图进行对照，过滤掉无建筑物、建筑物大量未标注的影像。
2、对有空间信息的建筑物遥感影像数据集进行屋顶识别，构建屋顶光伏可改造面积估算数据集，具体步骤包括：建筑物屋顶特征识别、输出屋顶特征图、缩放输出图像、存储屋顶分割预测结果。
建筑物屋顶特征识别：将建筑物屋顶光伏样本数据库一部分作为训练集，一部分作为测试集，构建屋顶特征识别模型，模型的主体使用带有空洞卷积的ResNet34分类网络，将最后两个下采样层的stride设置为1。然后采用带有空洞卷积的空间金字塔池化模块(ASPP)，具体组成包括：(1)一个1*1的卷积和3个3*3的空洞卷积，膨胀率为6，12，18(2)全局平均池化，获得图像级的特征。
输出屋顶特征图：将ResNet34分类网络和带有空洞卷积的空间金字塔池化模块拼接后进行卷积融合，得到融合多尺度信息的屋顶特征图。经过Encoder的ASPP模块后得到的特征图output_stride为8，对encoder得到的特征进行上采样然后与ResNet中的Conv2层的特征合并，再采用3*3卷积进一步融合特征。
缩放输出图像：使用双线性插值得到与原始图片相同大小的分割预测。
存储分割预测结果：采用集中式高性能计算设施或利用分布式计算环境和存储结构，将屋顶识别后数据进行物理存储。
3、计算平屋顶、斜屋顶面积，具体步骤包括：平屋顶斜屋顶面积概率计算、平屋顶斜屋顶面积计算。
平屋顶斜屋顶面积概率计算：根据标注后的各建筑屋顶外形轮廓，提取样本数据库中平屋顶和斜屋顶的像素点数，得到平屋顶概率Ff、斜屋顶概率Fg。例如选用北京市大兴区作为研究区，通过对北京市大兴区建筑物遥感影像进行上述处理，得到平屋顶概率为0.7，斜屋顶概率为0.3。
平屋顶斜屋顶面积计算：根据获取高分遥感影像设备的单位分辨率，得到单个像素的面积，用Ms代表单个像素面积。例如GF-2卫星影像，单位分辨率为1m，则单个像素的面积为1m2。提取屋顶识别数据集中屋顶像素点数Df和单个像素的面积Ms得到整体屋顶总面积Sf。根据屋顶总面积Sf和平屋顶斜屋顶概率得到平屋顶面积Srf和斜屋顶面积Srg。
Sf＝Df*Ms (1)
Srf＝Sf*Ff (2)
Srg＝Sf*Fg (3)
4、建立可改造屋顶光伏减碳量计算模型，具体步骤包括：光伏可利用开发面积计算、光伏可开发容量计算、可改造屋顶光伏减碳量计算。
(1)光伏可开发面积计算：屋顶光伏可利用面积主要受三方面影响，分别是屋顶用途、光伏设备、屋顶类型。基于此分别设置三个修正系数：屋顶用途修正系数Bc、光伏设备修正系数Bq、屋顶类型修正系数Bt。由调研得建筑物屋顶用于安装暖气、通风等其他用途的比例占总屋顶的30％，则设立屋顶用途修正系数Bc＝0.7。安装光伏电池板和自身支架占用屋顶面积情况约为总面积的10％，设立光伏设备修正系数Bq＝0.9。斜屋顶只有一面接受太阳辐射，则可用于光伏改造的面积占屋顶总面积的50％，设立屋顶类型修正系数Bt＝0.5。用Srfa代表平屋顶光伏可开发面积，Srga代表斜屋顶光伏可开发面积。
Srfa＝Srf×Bc×Bq (4)
Srga＝Srg×Bc×Bq×Bt (5)
(2)光伏可开发容量计算：根据计算需求，设立N1代表平屋顶可安装光伏组件阵列个数，W1代表平屋顶光伏可开发容量，N2代表斜屋顶可安装光伏组件阵列个数，W2代表斜屋顶光伏可开发容量。调研市面上使用较为广泛的光伏设备规格为330W/m2的光伏组件，组件尺寸1640×992×40mm，采用2×8阵列。
W1＝N1*330*2*8 (6)
W2＝N2*330*2*8 (7)
由于平屋顶安装光伏组件需要考虑光伏组件阵列间的互相遮挡问题，因此在计算光伏可开发容量时要对平屋顶和斜屋顶分别建立不同的计算模型。设立α为太阳方位角，h为太阳高度角，为光伏的最佳安装倾角。平屋顶前后阵列间距离：
一个光伏组件阵列的占地面积：
S1＝d*b (9)
平屋顶可安装光伏组件阵列个数：
N1＝Srfa/S1 (10)
斜屋顶可直接安装光伏组件阵列，所以可安装光伏组件阵列数：
N2＝Srga/(L*b) (11)
可利用光伏开发的屋顶光伏总容量：
W＝W1+W2 (12)
(3)可改造屋顶光伏减碳量计算：利用可改造屋顶光伏总容量等价煤耗发电量，根据减少的煤耗量计算光伏发电的减碳量。调研得2020年全国供电标准煤耗为305.5克/千瓦时，标准煤的二氧化碳排放因子为2.47kg/kgce，设立Qtr代表标准节煤量，设立Vco2代表标准煤的二氧化碳排放因子，设立Qrco2代表太阳能光伏发电系统的二氧化碳减排量。
Qtr＝305.5*W (13)
Qrco2＝Qtr×Vco2 (14)
需要说明的是，本发明实施例的方法适用于建筑物可改造区屋顶光伏减碳量的计算过程。
以上对本发明实施例进行了详细介绍，本文中应用了具体实施方式对本发明进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种利用高分辨遥感影像计算建筑物屋顶光伏可改造区减碳量的方法，其特征在于步骤如下：
步骤（1）获取GF-2遥感数据，对数据进行存储和预处理，写入建筑物空间信息，对屋顶进行标记构造屋顶光伏样本数据库；
步骤（2）基于DeepLabv3+网络对具有空间信息的建筑物遥感影像数据集进行屋顶识别，构建屋顶光伏可改造区面积估算数据集；
步骤（3）对屋顶光伏可改造区面积估算数据集采样计算相同区域内平屋顶斜屋顶面积，得到平屋顶斜屋顶面积比率；
步骤（4）计算屋顶光伏可改造区面积估算数据集整体像素点数，结合卫星单分辨率获取整体屋顶面积；
步骤（5）结合步骤（3）所得平屋顶斜屋顶面积比率和步骤（4）所得整体屋顶面积，分别计算平屋顶斜屋顶面积；
步骤（6）引入屋顶用途修正系数、光伏设备影响系数、屋顶方向影响系数分类计算平屋顶、斜屋顶光伏可利用开发的面积；
步骤（7）引入组件参数、当地经纬度、光伏安装倾角、太阳方位角、太阳高度角、平屋顶斜屋顶可利用开发面积参数计算屋顶光伏可开发容量；
步骤（8）利用光伏发电量替换煤耗发电，根据标准煤耗、标准煤的二氧化碳排放因子、屋顶光伏可开发容量计算屋顶光伏可改造区减碳量；
所述步骤（3）、（4）、（5）中，对已标记建筑物屋顶数据集中平屋顶斜屋顶面积计算包括：
步骤11，根据已识别建筑物屋顶数据集得到建筑物屋顶外形轮廓；
步骤12，对建筑物屋顶数据集进行采样构造建筑物屋顶样本数据集；
步骤13，对建筑物样本数据集中平屋顶像素点数和斜屋顶像素点数分别进行计算，得到平屋顶斜屋顶面积比率；
步骤14，根据建筑物屋顶外形轮廓提取建筑物屋顶整体像素点数；
步骤15，利用卫星影像的单位分辨率和建筑物屋顶整体像素点数，计算识别出的全部建筑物屋顶面积；
步骤16，结合平屋顶斜屋顶面积比率和全部建筑物屋顶面积建模，分类计算识别出的建筑物平屋顶面积和斜屋顶面积；
所述步骤（7）中，基于步骤（6）结果计算屋顶光伏可开发总容量包括：
步骤71，计算平屋顶前后阵列间距离；
步骤72，计算一个光伏组件阵列的占地面积；
步骤73，计算平屋顶可安装光伏组件阵列个数；
步骤74，计算平屋顶光伏可开发容量；
步骤75，斜屋顶能直接安装光伏组件阵列，直接计算可安装光伏组件阵列数；
步骤76，计算斜屋顶光伏可开发容量；
步骤77，由平屋顶和斜屋顶光伏可开发容量计算光伏可开发总容量。
2.根据权利要求1所述的一种利用高分辨遥感影像计算建筑物屋顶光伏可改造区减碳量的方法，其特征在于，所述步骤（1）中，对于GF-2遥感影像的存储，采用关系型数据库或者采用NoSQL数据库进行数据的逻辑存储与管理；采用集中式高性能存储设备或者采用分布式集群方式进行数据的物理存储与优化；对于GF-2遥感影像数据的处理，包括空间信息写入、屋顶标注、地理矫正、图像切割、图像过滤。
3.根据权利要求1所述的一种利用高分辨遥感影像计算建筑物屋顶光伏可改造区减碳量的方法，其特征在于，所述步骤（2）中，对建筑物遥感影像数据集进行屋顶识别包括：
步骤21，采用DeepLabv3+网络进行建筑物屋顶特征学习；
步骤22，基于网络模型进行建筑物屋顶识别；
步骤23，存储已标记建筑物屋顶数据集。
4.根据权利要求1所述的一种利用高分辨遥感影像计算建筑物屋顶光伏可改造区减碳量的方法，其特征在于，
所述步骤（6）中，结合屋顶用途、光伏设备影响、屋顶方向因素，分类计算平屋顶光伏可利用开发的面积Srfa和斜屋顶光伏可利用开发的面积Srga，包括：
步骤61，根据屋顶可能用于通风，暖气/空调，天窗或烟囱情况，设定用于光伏设备安装的屋顶修正系数；
步骤62，根据安装光伏电池板和自身支架的影响程度，设定设备修正系数；
步骤63，根据不同屋顶方向接受太阳辐射量不同，设定屋顶类型系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111482807.XA CN114266984B (zh) | 2021-12-07 | 2021-12-07 | 一种利用高分辨遥感影像计算建筑物屋顶光伏可改造区减碳量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111482807.XA CN114266984B (zh) | 2021-12-07 | 2021-12-07 | 一种利用高分辨遥感影像计算建筑物屋顶光伏可改造区减碳量的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114266984A CN114266984A (zh) | 2022-04-01 |
| CN114266984B true CN114266984B (zh) | 2024-04-26 |
Family
ID=80826541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111482807.XA Active CN114266984B (zh) | 2021-12-07 | 2021-12-07 | 一种利用高分辨遥感影像计算建筑物屋顶光伏可改造区减碳量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114266984B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114758252B (zh) * | 2022-06-16 | 2022-11-11 | 南开大学 | 基于图像的分布式光伏屋顶资源分割与提取方法及系统 |
| CN117911876B (zh) * | 2024-03-18 | 2024-06-04 | 深圳大学 | 光伏利用潜力的计算方法及装置、存储介质、电子装置 |
| CN118246763A (zh) * | 2024-04-07 | 2024-06-25 | 江苏省电力试验研究院有限公司 | 一种基于卫星图像识别的光伏可开发屋顶资源评估及减碳潜力评估方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012002482A1 (ja) * | 2010-06-30 | 2012-01-05 | 株式会社パスコ | 二酸化炭素吸収効果の評価方法および評価装置 |
| CN109754134A (zh) * | 2017-11-02 | 2019-05-14 | 中国科学院城市环境研究所 | 一种基于遥感夜间灯光数据和能源消耗统计数据的城市能耗量空间化方法 |
| CN111968005A (zh) * | 2020-06-29 | 2020-11-20 | 法能(中国)能源技术有限公司 | 区域能源系统潜力评估方法及实现该方法的系统 |
| CN113128845A (zh) * | 2021-03-29 | 2021-07-16 | 中国地质大学（武汉） | 一种基于遥感影像和多源数据的屋顶绿化优先级计算方法 |
-
2021
- 2021-12-07 CN CN202111482807.XA patent/CN114266984B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012002482A1 (ja) * | 2010-06-30 | 2012-01-05 | 株式会社パスコ | 二酸化炭素吸収効果の評価方法および評価装置 |
| CN109754134A (zh) * | 2017-11-02 | 2019-05-14 | 中国科学院城市环境研究所 | 一种基于遥感夜间灯光数据和能源消耗统计数据的城市能耗量空间化方法 |
| CN111968005A (zh) * | 2020-06-29 | 2020-11-20 | 法能(中国)能源技术有限公司 | 区域能源系统潜力评估方法及实现该方法的系统 |
| CN113128845A (zh) * | 2021-03-29 | 2021-07-16 | 中国地质大学（武汉） | 一种基于遥感影像和多源数据的屋顶绿化优先级计算方法 |
Non-Patent Citations (2)
| Title |
|---|
| 城市建筑屋顶光伏利用潜力评估方法及其应用;张华 等;城市问题;20170227(第02期);第35-41页 * |
| 遥感影像空间分辨率对城市建筑物高度估算精度的影响;丁哲 等;遥感技术与应用;20180620(第03期);第44-53页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114266984A (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114266984B (zh) | 一种利用高分辨遥感影像计算建筑物屋顶光伏可改造区减碳量的方法 | |
| Sun et al. | Estimating the spatial distribution of solar photovoltaic power generation potential on different types of rural rooftops using a deep learning network applied to satellite images | |
| Nguyen et al. | Incorporating shading losses in solar photovoltaic potential assessment at the municipal scale | |
| Lukač et al. | Rating of roofs’ surfaces regarding their solar potential and suitability for PV systems, based on LiDAR data | |
| CN114758252B (zh) | 基于图像的分布式光伏屋顶资源分割与提取方法及系统 | |
| Li et al. | Estimating solar energy potentials on pitched roofs | |
| CN114881399B (zh) | 一种基于gf7遥感影像的光伏发电潜力与经济性评估方法 | |
| Nguyen et al. | Automated quantification of solar photovoltaic potential in cities Overview: A new method to determine a city's solar electric potential by analysis of a distribution feeder given the solar exposure and orientation of rooftops. | |
| CN115880691B (zh) | 一种基于计算机视觉的屋顶光伏潜力估计方法 | |
| Sampath et al. | Estimation of rooftop solar energy generation using satellite image segmentation | |
| Yan et al. | Estimation of urban-scale photovoltaic potential: A deep learning-based approach for constructing three-dimensional building models from optical remote sensing imagery | |
| CN111832387A (zh) | 一种基于无人机影像的宅基地房屋识别方法 | |
| CN118246763A (zh) | 一种基于卫星图像识别的光伏可开发屋顶资源评估及减碳潜力评估方法 | |
| CN115936177A (zh) | 一种基于神经网络的光伏输出功率预测方法及系统 | |
| Chen et al. | Towards renewable public transport: Mining the performance of electric buses using solar-radiation as an auxiliary power source | |
| CN111399548A (zh) | 一种可识别天气类型的跟踪式光伏发电系统控制方法 | |
| Zhang et al. | Evaluation of the photovoltaic potential in built environment using spatial data captured by unmanned aerial vehicles | |
| CN118097445A (zh) | 一种基于开源卫星地图和深度学习的城市建筑屋面光伏应用潜力评估方法 | |
| CN111815020A (zh) | 一种基于太阳辐射气候特征识别的南墙辐射预测方法 | |
| CN116307220A (zh) | 一种屋顶光伏功率的预测方法、装置及电子设备 | |
| CN116029440A (zh) | 光伏电站超短期功率预测方法和装置 | |
| CN110147912A (zh) | 一种基于建筑信息模型的发电预测方法和装置 | |
| Aslani et al. | A Spatially Detailed Approach to the Assessment of Rooftop Solar Energy Potential based on LiDAR Data. | |
| CN111596384B (zh) | 一种基于天气类型有效识别的斜面辐射预测方法 | |
| CN113935156A (zh) | 一种风云三号b星微波成像仪资料循环同化系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |