CN114549998A - 一种基于卫星图像的屋顶光伏潜力抗干扰评估方法 - Google Patents

一种基于卫星图像的屋顶光伏潜力抗干扰评估方法 Download PDF

Info

Publication number
CN114549998A
CN114549998A CN202111365313.3A CN202111365313A CN114549998A CN 114549998 A CN114549998 A CN 114549998A CN 202111365313 A CN202111365313 A CN 202111365313A CN 114549998 A CN114549998 A CN 114549998A
Authority
CN
China
Prior art keywords
roof
area
building
closed
identification
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.)
Pending
Application number
CN202111365313.3A
Other languages
English (en)
Inventor
孙可
章敏捷
王曦冉
叶承晋
王蕾
章姝俊
姜巍
沈梁
杨恺
杨黎
陈佳玺
王鹏
朱宇豪
周林
杨翾
陈致远
徐旸
侯健生
陈梓翰
谷纪亭
来聪
叶珺歆
王妤宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Zhiyuan Technology Co ltd
Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Hangzhou Zhiyuan Technology Co ltd
Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Zhiyuan Technology Co ltd, Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical Hangzhou Zhiyuan Technology Co ltd
Priority to CN202111365313.3A priority Critical patent/CN114549998A/zh
Publication of CN114549998A publication Critical patent/CN114549998A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于卫星图像的屋顶光伏潜力抗干扰评估方法。为了克服现有技术难以辨别屋顶识别结果是否存在干扰与误差的问题；本发明包括以下步骤：获取建筑物顶部视角的卫星图像；对卫星图像等距离分割，进行边界线条的识别；将矩阵式图像按原位置复原组合，连接成若干个封闭区域；将封闭区域的形状与数据库匹配判断是否为建筑屋顶；通过训练好的识别模型输出的屋顶识别结果评估根据封闭区域获得的建筑屋顶结果识别的准确性，优化建筑屋顶识别结果；计算建筑屋顶面积，结合建筑所处台区的耗能以及环境信息评估屋顶光伏潜力。通过不同屋顶识别方式验证评估识别结果，优化识别结果与识别过程，提高识别结果的准确性。

Description

一种基于卫星图像的屋顶光伏潜力抗干扰评估方法
技术领域
本发明涉及一种光伏潜力评估领域，尤其涉及一种基于卫星图像的屋顶光伏潜力抗干扰评估方法。
背景技术
随着全球能源需求的日益增长，光伏发电因其清洁、便利、安全、适合分布式组网等优势，受到了越来越广泛的关注，并已成为最有前途的可再生能源发电方式之一。定量评价太阳能资源潜力是制定能源规划的基础，为区域太阳能资源的开发利用提供基础数据和工程建设指导，屋顶面积的识别结果对光伏潜力的评估有着重要的影响，然而目前的屋顶识别过程仅采用一种识别方法，难以去除机器识别存在的误差干扰，影响识别的准确性。
例如，一种在中国专利文献上公开的“一种分布式光伏资源整合方法、系统、装置及存储介质”，其公告号CN113076855A，法包括：通过卫星获取具有屋顶信息的原始图片；将获取的所述原始图片输入至预训练好的人工智能模型中，从所述原始图片中筛选出能够安装光伏的第一图片；识别所述第一图片的坐标信息，通过大数据算法将所述坐标信息与不同的客户进行位置匹配，获取与所述客户相关联的第二图片；将所述第二图片的坐标信息统计入数据库中，结合气象数据和行业数据分析所述第二图片的潜力数据；根据获取的所述潜力数据对光伏资源进行整合。该方案屋顶识别方式单一，难以辨别判断干扰与误差。
发明内容
本发明主要解决现有技术难以辨别屋顶识别结果是否存在干扰与误差的问题；提供一种基于卫星图像的屋顶光伏潜力抗干扰评估方法，通过不同屋顶识别方式验证识别结果，优化识别结果与识别过程，提高识别结果的准确性。
本发明的上述技术问题主要是通过下述技术方案得以解决的：
一种基于卫星图像的屋顶光伏潜力抗干扰评估方法，包括以下步骤：
S1：获取建筑物项部视角的卫星图像；
S2：对预处理后的卫星图像等距离分割为若干矩阵式图像单元，分别对矩阵式图像单元中的物体进行边界线条的识别；
S3：将识别后的矩阵式图像按原位置复原组合，对边界线条进行连续性判断，矫正后连接成若干个封闭区域；
S4：根据封闭区域的形状与数据库匹配判断，判断该封闭区域是否为建筑屋顶；
S5：将预处理后的卫星图像输入到训练好的识别模型中，输出屋顶识别结果；评估根据封闭区域获得的建筑屋顶结果识别的准确性，优化建筑屋顶识别结果；
S6：计算建筑屋顶面积，结合建筑所处台区的耗能以及环境信息评估屋顶光伏潜力。
本方案通过切割图像分别识别各个矩阵单元，提高识别效率与识别精度。分割识别后再组合拼接判断边界线条连续性，减少卫星图像拍摄带来的畸变的影响；再通过识别模型的识别结果进行结果验证，评估根据封闭区域获得的建筑屋顶结果识别的准确性，直观的获得识别结果的准确性，提高识别结果的可靠性。
作为优选，通过同时包含MS波段或Pan波段的UNB泛锐化方式对卫星图像进行预处理。该方法保留了物体图像的颜色。
作为优选，所述边界线条的识别过程为：
提取每一个矩阵式图像单元中各数据点的RGB数据；
遍历所有数据点，分别与该数据点周围的各点的RGB数据比较，提取边界曲线；若一对数据点的RGB数据差值在设定的区分阈值范围内，则该对数据点所处一个色值区域内；各色值区域的交界为边界线条。切割图像分别识别各个矩阵单元，提高识别效率与识别精度。
作为优选，所述的步骤S3包括以下步骤：
S301：按照分割位置，将各矩阵式图像单元复原拼接；
S302：判断拼接后的边界曲线是否均连接成连续的封闭曲线，若是，则结束，进入步骤S4；否则进入下一步判断；
S303：判断边界线条位于矩阵式图像单元边缘处的端点与其相邻的矩阵式图像单元边缘处最近的边界线条端点的距离，若距离小于误差阈值，则取两矩阵式图像单元连接处边界线条端点的中间点为矫正点，将边界线条的端点移动至矫正点处，拟合为一条曲线；若距离大于误差阈值，则返回步骤S2再次进行边界线条的识别；
S304：连接各边界线条，形成若干个封闭区域。
分割识别后再组合拼接判断边界线条连续性，减少卫星图像拍摄带来的畸变的影响；作为优选，所述的数据库中存储有包括建筑屋顶形状、道路形状和绿化形状的封闭区域形状；计算封闭区域面积，判断封闭区域面积是否大于光伏搭建阈值；若是，则判定该封闭区域存在搭建光伏能力，保留该封闭区域；否则，删除该封闭区域；
判断封闭区域面积是否处于屋顶面积阈值范围内；若是，则进入下一步判定；否则，判断该封闭区域不属于建筑屋顶，删除该封闭区域；
匹配封闭区域的形状与数据库中建筑屋顶的形状；若匹配成功，则该封闭区域为建筑屋顶；否则，与剩余数据库中数据匹配，确定封闭区域类型。
通过图形匹配判断是否是建筑屋顶，图形匹配包括形状、各边比例等参数。除去道路、高架和绿植等干扰。
作为优选，所述的步骤S5包括以下步骤：
S501：将预处理后的卫星图像输入到训练好的U-net网络识别中识别，输出识别模型屋顶识别结果；
S502：根据坐标的对应关系，重合对应的识别模型屋顶识别结果以及由封闭区域确定的建筑屋顶；
S503：判断重合面积与由封闭区域确定的建筑屋顶的比例；若比例大于重合阈值，则评判该建筑屋顶结果识别的准确性为高，进入步骤S6；否则返回步骤S2。
通过识别模型的识别结果进行结果验证，评估根据封闭区域获得的建筑屋顶结果识别的准确性，直观的获得识别结果的准确性，提高识别结果的可靠性。
作为优选，对于同一个对应的屋顶，两个识别结果的屋顶区域重合部分确定为建筑屋顶；
对同一个屋顶对应的两个识别结果的屋顶区域不重合部分进行面积计算；若不重合部分面积小于等于误差面积阈值，则判定该部分面积为非建筑屋顶，删去该部分面积；否则进行下一步判断；
判断不重合部分面积是否为自定义的规则形状；若是，则判断该部分面积为建筑屋顶，否则删去该部分面积。
提前去除不符合搭建标准的屋顶区域，提高计算的准确性。
作为优选，所述的步骤S6中屋顶光伏潜力的计算过程如下：
S601：根据卫星定位信息，获取建筑所处台区各季度的日均能耗；
S602：根据气象局统计信息，获取所处的区域各季度的日均光照强度；
S603：分季度评估日均能耗占比；
Figure BDA0003356447380000031
其中，P为某季度的日均能耗占比；
ρ为单位时间单位面积的光伏转化率；
L为当前季度的日均光照强度；
Sna为第n个建筑屋顶的屋顶面积；
Snht为第n个建筑屋顶在t时刻的遮挡屋顶面积；
T为当前季度的日均光照时间；
t为建筑屋顶的遮挡时间；
t1为遮挡开始时间；
t2为遮挡开始时间；
Cd为当前季度该台区的日均能耗；
S604：建立屋顶光伏潜力评估表，不同范围的日均能耗占比对应不同的潜力等级；
S605：对四个季度的日均能耗占比加权平均，对照屋顶潜力评估表，判断屋顶潜力等级。
通过屋顶光伏提供的电能为该台区供电的占比评估其光伏潜力，判断其是否有建设价值。
本发明的有益效果是：
1.通过切割图像分别识别各个矩阵单元，提高识别效率与识别精度。
2.分割识别后再组合拼接判断边界线条连续性，减少卫星图像拍摄带来的畸变的影响。
3.通过识别模型的识别结果进行结果验证，评估根据封闭区域获得的建筑屋顶结果识别的准确性，直观的获得识别结果的准确性，提高识别结果的可靠性。
附图说明
图1是本发明的屋顶光伏潜力抗干扰评估方法流程图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
本实施例的一种基于卫星图像的屋顶光伏潜力抗干扰评估方法，如图1所示，包括以下步骤：
S1：获取建筑物顶部视角的卫星图像。
S2：对预处理后的卫星图像等距离分割为若干矩阵式图像单元，分别对矩阵式图像单元中的物体进行边界线条的识别。
超过70％的光学地球观测卫星和许多现代航空数字相机能够同时拍摄低分辨率多光谱(MS)影像和高分辨率全色(Pan)影像。在不同的传感器MS波段的数量和Pan影像的光谱带宽经常有变化，另外季节性差异和地域性差异也会导致影像信息的差异。
通过同时包含MS波段或Pan波段的UNB泛锐化方式对立体遥感影像数据进行预处理。保留物体图像的颜色，利用最小二乘法来找到MS和Pan波段之间的最佳拟合信息，然后利用此信息来调节影像处理参数，以达到Pan锐化的最佳效果，在融合的过程中对每组Pan和MS影响都根据其影像信息进行分别处理，无论传感器、季节和区域差异如何，它都能持续稳定地获得良好的融合效果。
边界线条的识别过程为：
提取每一个矩阵式图像单元中各数据点的RGB数据。
遍历所有数据点，分别与该数据点周围的各点的RGB数据比较，提取边界曲线。
若一对数据点的RGB数据差值在设定的区分阈值范围内，则该对数据点所处一个色值区域内；各色值区域的交界为边界线条。
切割图像分别识别各个矩阵单元，提高识别效率与识别精度。
S3：将识别后的矩阵式图像按原位置复原组合，对边界线条进行连续性判断，矫正后连接成若干个封闭区域。
S301：按照分割位置，将各矩阵式图像单元复原拼接。
S302：判断拼接后的边界曲线是否均连接成连续的封闭曲线，若是，则结束，进入步骤S4；否则进入下一步判断。
S303：判断边界线条位于矩阵式图像单元边缘处的端点与其相邻的矩阵式图像单元边缘处最近的边界线条端点的距离，若距离小于误差阈值，则取两矩阵式图像单元连接处边界线条端点的中间点为矫正点，将边界线条的端点移动至矫正点处，拟合为一条曲线；若距离大于误差阈值，则返回步骤S2再次进行边界线条的识别。
S304：连接各边界线条，形成若干个封闭区域。
分割识别后再组合拼接判断边界线条连续性，减少卫星图像拍摄带来的畸变的影响。
S4：根据封闭区域的形状与数据库匹配判断，判断该封闭区域是否为建筑屋顶。
数据库中存储有包括建筑屋顶形状、道路形状和绿化形状的封闭区域形状。
计算封闭区域面积，判断封闭区域面积是否大于光伏搭建阈值；若是，则判定该封闭区域存在搭建光伏能力，保留该封闭区域；否则，删除该封闭区域；
判断封闭区域面积是否处于屋顶面积阈值范围内；若是，则进入下一步判定；否则，判断该封闭区域不属于建筑屋顶，删除该封闭区域；
匹配封闭区域的形状与数据库中建筑屋顶的形状；若匹配成功，则该封闭区域为建筑屋顶；否则，与剩余数据库中数据匹配，确定封闭区域类型。
通过图形匹配判断是否是建筑屋顶，图形匹配包括形状、各边比例等参数。除去道路、高架和绿植等干扰。
S5：将预处理后的卫星图像输入到训练好的识别模型中，输出屋顶识别结果；评估根据封闭区域获得的建筑屋顶结果识别的准确性，优化建筑屋顶识别结果。
S501：将预处理后的卫星图像输入到训练好的U-net网络识别中识别，输出识别模型屋顶识别结果。
训练好的识别模型采用U-net网络识别。通过机器学习，不断训练模型，识别各种形式的屋顶，去除周边道路、植被的影响。将采集到的立体遥感数据分为训练集和测试集，通过包含各种屋顶的训练集不断训练U-net网络，最终通过测试集测试，获得一个训练好的识别模型。
S502：根据坐标的对应关系，重合对应的识别模型屋顶识别结果以及由封闭区域确定的建筑屋顶。
对于同一个对应的屋顶，两个识别结果的屋顶区域重合部分确定为建筑屋顶。
对同一个屋顶对应的两个识别结果的屋顶区域不重合部分进行面积计算；若不重合部分面积小于等于误差面积阈值，则判定该部分面积为非建筑屋顶，删去该部分面积；否则进行下一步判断。
判断不重合部分面积是否为自定义的规则形状；若是，则判断该部分面积为建筑屋顶，否则删去该部分面积。
提前去除不符合搭建标准的屋顶区域，提高计算的准确性。
S503：判断重合面积与由封闭区域确定的建筑屋顶的比例；若比例大于重合阈值，则评判该建筑屋顶结果识别的准确性为高，进入步骤S6；否则返回步骤S2。
通过识别模型的识别结果进行结果验证，评估根据封闭区域获得的建筑屋顶结果识别的准确性，直观的获得识别结果的准确性，提高识别结果的可靠性。
S6：计算建筑屋顶面积，结合建筑所处台区的耗能以及环境信息评估屋顶光伏潜力。
S601：根据卫星定位信息，获取建筑所处台区各季度的日均能耗；
S602：根据气象局统计信息，获取所处的区域各季度的日均光照强度；
S603：分季度评估日均能耗占比；
Figure BDA0003356447380000061
其中，P为某季度的日均能耗占比；
ρ为单位时间单位面积的光伏转化率；
L为当前季度的日均光照强度；
Sna为第n个建筑屋顶的屋顶面积；
Snht为第n个建筑屋顶在t时刻的遮挡屋顶面积；
T为当前季度的日均光照时间；
t为建筑屋顶的遮挡时间；
t1为遮挡开始时间；
t2为遮挡开始时间；
Cd为当前季度该台区的日均能耗；
S604：建立屋顶光伏潜力评估表，不同范围的日均能耗占比对应不同的潜力等级；
S605：对四个季度的日均能耗占比加权平均，对照屋顶潜力评估表，判断屋顶潜力等级。
通过屋顶光伏提供的电能为该台区供电的占比评估其光伏潜力，判断其是否有建设价值。
本实施例的方案通过切割图像分别识别各个矩阵单元，提高识别效率与识别精度。分割识别后再组合拼接判断边界线条连续性，减少卫星图像拍摄带来的畸变的影响；再通过识别模型的识别结果进行结果验证，评估根据封闭区域获得的建筑屋顶结果识别的准确性，直观的获得识别结果的准确性，提高识别结果的可靠性。
应理解，实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims (8)

1.一种基于卫星图像的屋顶光伏潜力抗干扰评估方法，其特征在于，包括以下步骤：
S1：获取建筑物顶部视角的卫星图像；
S2：对预处理后的卫星图像等距离分割为若干矩阵式图像单元，分别对矩阵式图像单元中的物体进行边界线条的识别；
S3：将识别后的矩阵式图像按原位置复原组合，对边界线条进行连续性判断，矫正后连接成若干个封闭区域；
S4：根据封闭区域的形状与数据库匹配判断，判断该封闭区域是否为建筑屋顶；
S5：将预处理后的卫星图像输入到训练好的识别模型中，输出屋顶识别结果；评估根据封闭区域获得的建筑屋顶结果识别的准确性，优化建筑屋顶识别结果；
S6：计算建筑屋顶面积，结合建筑所处台区的耗能以及环境信息评估屋顶光伏潜力。
2.根据权利要求1所述的一种基于卫星图像的屋顶光伏潜力抗干扰评估方法，其特征在于，通过同时包含MS波段或Pan波段的UNB泛锐化方式对卫星图像进行预处理。
3.根据权利要求1所述的一种基于卫星图像的屋顶光伏潜力抗干扰评估方法，其特征在于，所述边界线条的识别过程为：
提取每一个矩阵式图像单元中各数据点的RGB数据；
遍历所有数据点，分别与该数据点周围的各点的RGB数据比较，提取边界曲线；若一对数据点的RGB数据差值在设定的区分阈值范围内，则该对数据点所处一个色值区域内；各色值区域的交界为边界线条。
4.根据权利要求1或2或3所述的一种基于卫星图像的屋顶光伏潜力抗干扰评估方法，其特征在于，所述的步骤S3包括以下步骤：
S301：按照分割位置，将各矩阵式图像单元复原拼接；
S302：判断拼接后的边界曲线是否均连接成连续的封闭曲线，若是，则结束，进入步骤S4；否则进入下一步判断；
S303：判断边界线条位于矩阵式图像单元边缘处的端点与其相邻的矩阵式图像单元边缘处最近的边界线条端点的距离，若距离小于误差阈值，则取两矩阵式图像单元连接处边界线条端点的中间点为矫正点，将边界线条的端点移动至矫正点处，拟合为一条曲线；若距离大于误差阈值，则返回步骤S2再次进行边界线条的识别；
S304：连接各边界线条，形成若干个封闭区域。
5.根据权利要求1所述的一种基于卫星图像的屋顶光伏潜力抗干扰评估方法，其特征在于，所述的数据库中存储有包括建筑屋顶形状、道路形状和绿化形状的封闭区域形状；计算封闭区域面积，判断封闭区域面积是否大于光伏搭建阈值；若是，则判定该封闭区域存在搭建光伏能力，保留该封闭区域；否则，删除该封闭区域；
判断封闭区域面积是否处于屋顶面积阈值范围内；若是，则进入下一步判定；否则，判断该封闭区域不属于建筑屋顶，删除该封闭区域；
匹配封闭区域的形状与数据库中建筑屋顶的形状；若匹配成功，则该封闭区域为建筑屋顶；否则，与剩余数据库中数据匹配，确定封闭区域类型。
6.根据权利要求1或5所述的一种基于卫星图像的屋顶光伏潜力抗干扰评估方法，其特征在于，所述的步骤S5包括以下步骤：
S501：将预处理后的卫星图像输入到训练好的U-net网络识别中识别，输出识别模型屋顶识别结果；
S502：根据坐标的对应关系，重合对应的识别模型屋顶识别结果以及由封闭区域确定的建筑屋顶；
S503：判断重合面积与由封闭区域确定的建筑屋顶的比例；若比例大于重合阈值，则评判该建筑屋顶结果识别的准确性为高，进入步骤S6；否则返回步骤S2。
7.根据权利要求6所述的一种基于卫星图像的屋顶光伏潜力抗干扰评估方法，其特征在于，对于同一个对应的屋顶，两个识别结果的屋顶区域重合部分确定为建筑屋顶；
对同一个屋顶对应的两个识别结果的屋顶区域不重合部分进行面积计算；若不重合部分面积小于等于误差面积阈值，则判定该部分面积为非建筑屋顶，删去该部分面积；否则进行下一步判断；
判断不重合部分面积是否为自定义的规则形状；若是，则判断该部分面积为建筑屋顶，否则删去该部分面积。
8.根据权利要求1或7所述的一种基于卫星图像的屋顶光伏潜力抗干扰评估方法，其特征在于，所述的步骤S6中屋顶光伏潜力的计算过程如下：
S601：根据卫星定位信息，获取建筑所处台区各季度的日均能耗；
S602：根据气象局统计信息，获取所处的区域各季度的日均光照强度；
S603：分季度评估日均能耗占比；
Figure FDA0003356447370000021
其中，P为某季度的日均能耗占比；
ρ为单位时间单位面积的光伏转化率；
L为当前季度的日均光照强度；
Sna为第n个建筑屋顶的屋顶面积；
Snht为第n个建筑屋顶在t时刻的遮挡屋顶面积；
T为当前季度的日均光照时间；
t为建筑屋顶的遮挡时间；
t1为遮挡开始时间；
t2为遮挡开始时间；
Cd为当前季度该台区的日均能耗；
S604：建立屋顶光伏潜力评估表，不同范围的日均能耗占比对应不同的潜力等级；
S605：对四个季度的日均能耗占比加权平均，对照屋顶潜力评估表，判断屋顶潜力等级。
CN202111365313.3A 2021-11-16 2021-11-16 一种基于卫星图像的屋顶光伏潜力抗干扰评估方法 Pending CN114549998A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111365313.3A CN114549998A (zh) 2021-11-16 2021-11-16 一种基于卫星图像的屋顶光伏潜力抗干扰评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111365313.3A CN114549998A (zh) 2021-11-16 2021-11-16 一种基于卫星图像的屋顶光伏潜力抗干扰评估方法

Publications (1)

Publication Number Publication Date
CN114549998A true CN114549998A (zh) 2022-05-27

Family

ID=81668829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111365313.3A Pending CN114549998A (zh) 2021-11-16 2021-11-16 一种基于卫星图像的屋顶光伏潜力抗干扰评估方法

Country Status (1)

Country Link
CN (1) CN114549998A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114758252A (zh) * 2022-06-16 2022-07-15 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
CN115035340A (zh) * 2022-06-13 2022-09-09 电子科技大学 遥感影像分类结果验证方法
CN115457281A (zh) * 2022-11-10 2022-12-09 珠高智能科技(深圳)有限公司 屋顶图像集的生成方法、装置、计算机设备及存储介质
CN115880691A (zh) * 2023-03-02 2023-03-31 国网山东省电力公司东营供电公司 一种基于计算机视觉的屋顶光伏潜力估计方法
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

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115035340A (zh) * 2022-06-13 2022-09-09 电子科技大学 遥感影像分类结果验证方法
CN115035340B (zh) * 2022-06-13 2024-05-14 电子科技大学 遥感影像分类结果验证方法
CN114758252A (zh) * 2022-06-16 2022-07-15 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
CN115457281A (zh) * 2022-11-10 2022-12-09 珠高智能科技(深圳)有限公司 屋顶图像集的生成方法、装置、计算机设备及存储介质
CN115457281B (zh) * 2022-11-10 2023-02-14 珠高智能科技(深圳)有限公司 屋顶图像集的生成方法、装置、计算机设备及存储介质
CN115880691A (zh) * 2023-03-02 2023-03-31 国网山东省电力公司东营供电公司 一种基于计算机视觉的屋顶光伏潜力估计方法
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

Similar Documents

Publication Publication Date Title
CN114549998A (zh) 一种基于卫星图像的屋顶光伏潜力抗干扰评估方法
CN109416413B (zh) 太阳能预报
CN107480727B (zh) 一种sift和orb相结合的无人机影像快速匹配方法
Wang et al. Photovoltaic panel extraction from very high-resolution aerial imagery using region–line primitive association analysis and template matching
CN107492094A (zh) 一种高压电线绝缘子的无人机视觉检测方法
CN112084869B (zh) 一种基于紧致四边形表示的建筑物目标检测方法
CN107527328B (zh) 一种兼顾精度与速度的无人机影像几何处理方法
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
US11699241B2 (en) Systems and methods for automated detection of changes in extent of structures using imagery
CN107092877A (zh) 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法
CN112528979B (zh) 变电站巡检机器人障碍物判别方法及系统
CN108680833B (zh) 基于无人机的复合绝缘子缺陷检测系统
CN103871072B (zh) 基于投影数字高程模型的正射影像镶嵌线自动提取方法
CN109544501A (zh) 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法
CN112100301A (zh) 一种利用高分遥感技术实现水域岸线动态监测的方法
CN114639023A (zh) 一种基于机器学习的屋顶光伏潜力评估方法
CN113033315A (zh) 一种稀土开采高分影像识别与定位方法
WO2020093624A1 (zh) 一种基于多尺度检测算法的天线下倾角测量方法
CN115631356A (zh) 道路设施缺失识别方法、装置、存储介质及电子装置
CN113239864A (zh) 一种适用于农业调查的无人机的路线规划方法
CN114299394A (zh) 一种遥感影像智能解译方法
CN109684914A (zh) 基于无人机影像智能识别方法
CN113902792A (zh) 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备
CN114581307A (zh) 用于目标追踪识别的多图像拼接方法、系统、设备及介质
US20240290089A1 (en) Method for extracting forest parameters of wetland with high canopy density based on consumer-grade uav image

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