CN117911876B - 光伏利用潜力的计算方法及装置、存储介质、电子装置 - Google Patents
光伏利用潜力的计算方法及装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN117911876B CN117911876B CN202410306548.2A CN202410306548A CN117911876B CN 117911876 B CN117911876 B CN 117911876B CN 202410306548 A CN202410306548 A CN 202410306548A CN 117911876 B CN117911876 B CN 117911876B
- Authority
- CN
- China
- Prior art keywords
- roof
- category
- orientation
- target
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 27
- 230000005855 radiation Effects 0.000 claims abstract description 82
- 230000011218 segmentation Effects 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种光伏利用潜力的计算方法及装置、存储介质、电子装置,其中,该方法包括:获取目标地理区域的卫星影像图;将所述卫星影像图输入预训练的深度神经网络模型,输出所述目标地理区域内每个建筑物的屋顶分割掩膜和屋顶朝向类别;根据所述屋顶分割掩膜计算所述目标地理区域内每个屋顶朝向类别的年均太阳能辐射值;根据所述屋顶分割掩膜和所述年均太阳能辐射值计算所述目标地理区域的光伏利用潜力值。通过本发明实施例,解决了相关技术中计算光伏利用潜力值不准确的技术问题,提高了某个地理区域内太阳能辐射量的估算精度。
Description
技术领域
本发明涉及光伏发电领域,具体而言,涉及一种光伏利用潜力的计算方法及装置、存储介质、电子装置。
背景技术
相关技术中,屋顶光伏被认为是解决城市地区能源挑战的一种成本效益高、环境友好的解决方案。为了确保光伏发电效率,准确估计屋顶太阳能潜力并合理部署太阳能光伏板是至关重要的。
太阳能辐射量在不同朝向屋顶上存在较大差异。基于样本统计的方法估计屋顶太阳能精度低;基于地理信息的方法使用的数据通常是过时的,而基于无人机采集建筑物3D模型无疑是兼具是时效性以及准确性的。但是其成本高且作业范围小。在过去的几年里,基于深度学习从大范围高精度卫星影像提取屋顶掩膜及其朝向的方法已经出现。然而,当在不同的太阳方位角拍摄图像时,同一屋顶的外观存在差异,这可能导致屋顶朝向的错误分类。在斜顶式建筑物尤为明显,例如同一建筑物的西向屋顶被认为是东向,反之亦然,而太阳能辐射量与屋顶的方位角存在相关性。所以上述技术有待改进。
针对相关技术中存在的上述问题,暂未发现高效且准确的解决方案。
发明内容
本发明提供了一种光伏利用潜力的计算方法及装置、存储介质、电子装置,以解决相关技术中的技术问题。
根据本发明的一个实施例,提供了一种光伏利用潜力的计算方法,包括:获取目标地理区域的卫星影像图;将所述卫星影像图输入预训练的深度神经网络模型,输出所述目标地理区域内每个建筑物的屋顶分割掩膜和屋顶朝向类别;根据所述屋顶分割掩膜计算所述目标地理区域内每个屋顶朝向类别的年均太阳能辐射值;根据所述屋顶分割掩膜和所述年均太阳能辐射值计算所述目标地理区域的光伏利用潜力值。
可选的,在将所述卫星影像图输入预训练的深度神经网络模型之前,所述方法还包括:获取卫星影像图样本;基于预设重叠度将所述卫星影像图样本划分为多个固定尺寸的子区域,得到多个子样本,其中,所述固定尺寸与所述深度神经网络模型的最大识别尺寸;配置所述子区域中建筑物屋顶的屋顶掩膜标签、以及配置多个所述子区域的屋顶朝向类别的类别标签;以所述多个子样本为输入数据,所述屋顶掩膜标签和所述类别标签为输出数据训练所述初始网络模型,得到所述深度神经网络模型。
可选的,配置多个所述子区域的屋顶朝向类别的类别标签包括:针对每个所述子区域,判断所述子区域的屋顶是否为平顶或斜顶;若所述子区域的屋顶为平顶,配置所述子区域的屋顶朝向类别的类别标签为平顶类;若所述子区域的屋顶为斜顶,计算所述子区域的屋顶矢量面的方位角,其中,所述方位角是所述屋顶矢量面与北方向线在水平方向的夹角;在预设角度区间集合中定位所述方位角所在的目标角度区间,其中,所述预设角度区间集合包括多个角度区间,所有角度区间的和为;在斜顶类型集合中查找与所述目标角度区间匹配的目标斜顶类型,并配置所述子区域的屋顶朝向类别为目标斜顶类型,其中,所述斜顶类型集合包括多个斜顶类型,每个斜顶类型对应一个角度区间。
可选的,根据所述屋顶分割掩膜计算所述目标地理区域内每个屋顶朝向类别的年均太阳能辐射值包括:针对每个目标类别的屋顶朝向类别,获取对应的所述屋顶分割掩膜的地理坐标位置、屋顶方位角、屋顶坡度;采用所述地理坐标位置、所述屋顶方位角、所述屋顶坡度构建所述目标类别的能源关键字;基于所述能源关键字在预设太阳能数据库中查找所述目标类别的年均太阳能辐射量,得到所有屋顶朝向类别的年均太阳能辐射值。
可选的,根据所述屋顶分割掩膜和所述年均太阳能辐射值计算所述目标地理区域的光伏利用潜力值包括:根据所述屋顶分割掩膜确定每个屋顶的几何边界,并基于所述几何边界计算对应屋顶的屋顶面积;按照屋顶朝向类别对所有屋顶进行分类,并计算每个每类屋顶的屋顶总面积;根据所述屋顶总面积和所述年均太阳能辐射值加权计算所述目标地理区域的光伏利用潜力值。
可选的,根据所述屋顶总面积和所述年均太阳能辐射值加权计算所述目标地理区域的光伏利用潜力值包括:配置每个屋顶朝向类别的权值;采用以下公式加权计算所述目标地理区域的光伏利用潜力值:/>其中,/>表示第/>类的权值,n为屋顶朝向类别的总数量,/>表示第/>类屋顶的屋顶总面积,/>表示第/>类屋顶的年均太阳能辐射值。
可选的,配置每个屋顶朝向类别的权值包括:针对第类屋顶朝向类别,确定与第/>类方位角朝向相反的第/>类屋顶朝向类别;获取所述第/>类屋顶朝向类别的年均太阳能辐射值/>,以及获取所述第/>类屋顶朝向类别的年均太阳能辐射值/>;采用以下公式配置所述第/>类屋顶朝向类别的权值/>:/>。
根据本发明的另一个实施例,提供了一种光伏利用潜力的计算装置,包括:第一获取模块,用于获取目标地理区域的卫星影像图;输出模块,用于将所述卫星影像图输入预训练的深度神经网络模型,输出所述目标地理区域内每个建筑物的屋顶分割掩膜和屋顶朝向类别;第一计算模块,用于根据所述屋顶分割掩膜计算所述目标地理区域内每个屋顶朝向类别的年均太阳能辐射值;第二计算模块,用于根据所述屋顶分割掩膜和所述年均太阳能辐射值计算所述目标地理区域的光伏利用潜力值。
可选的,所述装置还包括:第二获取模块,用于在所述输出模块将所述卫星影像图输入预训练的深度神经网络模型之前,获取卫星影像图样本;划分模块,用于基于预设重叠度将所述卫星影像图样本划分为多个固定尺寸的子区域,得到多个子样本,其中,所述固定尺寸与所述深度神经网络模型的最大识别尺寸;配置模块,用于配置所述子区域中建筑物屋顶的屋顶掩膜标签、以及配置多个所述子区域的屋顶朝向类别的类别标签;训练模块,用于以所述多个子样本为输入数据,所述屋顶掩膜标签和所述类别标签为输出数据训练所述初始网络模型,得到所述深度神经网络模型。
可选的,所述配置模块包括:判断单元,用于针对每个所述子区域,判断所述子区域的屋顶是否为平顶或斜顶;第一配置单元,用于若所述子区域的屋顶为平顶,配置所述子区域的屋顶朝向类别的类别标签为平顶类;若所述子区域的屋顶为斜顶,计算所述子区域的屋顶矢量面的方位角,其中,所述方位角是所述屋顶矢量面与北方向线在水平方向的夹角;定位单元,用于在预设角度区间集合中定位所述方位角所在的目标角度区间,其中,所述预设角度区间集合包括多个角度区间,所有角度区间的和为;第二配置单元,用于在斜顶类型集合中查找与所述目标角度区间匹配的目标斜顶类型,并配置所述子区域的屋顶朝向类别为目标斜顶类型,其中,所述斜顶类型集合包括多个斜顶类型,每个斜顶类型对应一个角度区间。
可选的,所述第一计算模块包括:获取单元,用于针对每个目标类别的屋顶朝向类别,获取对应的所述屋顶分割掩膜的地理坐标位置、屋顶方位角、屋顶坡度;构建单元,用于采用所述地理坐标位置、所述屋顶方位角、所述屋顶坡度构建所述目标类别的能源关键字;查找单元,用于基于所述能源关键字在预设太阳能数据库中查找所述目标类别的年均太阳能辐射量,得到所有屋顶朝向类别的年均太阳能辐射值。
可选的,所述第二计算模块包括:第一计算单元,用于根据所述屋顶分割掩膜确定每个屋顶的几何边界,并基于所述几何边界计算对应屋顶的屋顶面积;第二计算单元,用于按照屋顶朝向类别对所有屋顶进行分类,并计算每个每类屋顶的屋顶总面积;第三计算单元,用于根据所述屋顶总面积和所述年均太阳能辐射值加权计算所述目标地理区域的光伏利用潜力值。
可选的,所述第三计算单元包括:配置子单元,用于配置每个屋顶朝向类别的权值;计算子单元,用于采用以下公式加权计算所述目标地理区域的光伏利用潜力值:其中,/>表示第/>类的权值,n为屋顶朝向类别的总数量,/>表示第类屋顶的屋顶总面积,/>表示第/>类屋顶的年均太阳能辐射值。
可选的,所述配置子单元还用于:针对第类屋顶朝向类别,确定与第/>类方位角朝向相反的第/>类屋顶朝向类别;获取所述第/>类屋顶朝向类别的年均太阳能辐射值/>,以及获取所述第/>类屋顶朝向类别的年均太阳能辐射值/>;采用以下公式配置所述第/>类屋顶朝向类别的权值/>:/>。
根据本申请实施例的另一方面,还提供了一种存储介质,该存储介质包括存储的程序,程序运行时执行上述的步骤。
根据本申请实施例的另一方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;其中:存储器,用于存放计算机程序;处理器,用于通过运行存储器上所存放的程序来执行上述方法中的步骤。
本申请实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述方法中的步骤。
采用本实施例的方案,获取目标地理区域的卫星影像图,将卫星影像图输入预训练的深度神经网络模型,输出目标地理区域内每个建筑物的屋顶分割掩膜和屋顶朝向类别,根据屋顶分割掩膜计算目标地理区域内每个屋顶朝向类别的年均太阳能辐射值,根据屋顶分割掩膜和年均太阳能辐射值计算目标地理区域的光伏利用潜力值,采用模型输出目标地理区域的卫星影像图的屋顶朝向类别,并根据其均值和屋顶分割掩膜和计算光伏利用潜力值,引入了屋顶朝向对太阳能辐射量的影响,实现了一种计算目标地理区域内光伏利用潜力值的方案,解决了相关技术中计算光伏利用潜力值不准确的技术问题,提高了某个地理区域内太阳能辐射量的估算精度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种计算机的硬件结构框图;
图2是根据本发明实施例的一种光伏利用潜力的计算方法的流程图;
图3是本发明实施例中训练深度神经网络的流程示意图;
图4是本发明实施例中基于深度学习的屋顶光伏利用潜力估算方法的流程示意图;
图5是根据本发明实施例的一种光伏利用潜力的计算装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
本申请实施例一所提供的方法实施例可以在服务器、计算机、处理器类似的处理装置中执行。以运行在计算机上为例,图1是本发明实施例的一种计算机的硬件结构框图。如图1所示,计算机可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述计算机还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述计算机的结构造成限定。例如,计算机还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的一种光伏利用潜力的计算方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种光伏利用潜力的计算方法,图2是根据本发明实施例的一种光伏利用潜力的计算方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,获取目标地理区域的卫星影像图;
本实施例的目标地理区域可以是按照地理网格、道路、街道社区等划分得到的目标区域。
步骤S204,将卫星影像图输入预训练的深度神经网络模型,输出目标地理区域内每个建筑物的屋顶分割掩膜和屋顶朝向类别;
将获取到的高精度卫星影像数据输入预先训练好的深度神经网络模型,获得目标地理区域每个建筑物的屋顶分割掩膜(mask)以及屋顶类别;由于太阳能辐射量在不同朝向屋顶上存在差异,同一建筑物上不同朝向屋顶累计的太阳辐射总量也存在差别。
可选的,屋顶朝向类别与屋顶的斜率(坡度)和方位角相关,在屋顶的斜率小于或等于预设斜率时,屋顶朝向类别用于表征屋顶的平整度,在屋顶的斜率大于预设斜率时,屋顶朝向类别用于表征屋顶的方位角。
步骤S206,根据屋顶分割掩膜计算目标地理区域内每个屋顶朝向类别的年均太阳能辐射值;
步骤S208,根据屋顶分割掩膜和年均太阳能辐射值计算目标地理区域的光伏利用潜力值。
通过上述步骤,获取目标地理区域的卫星影像图,将卫星影像图输入预训练的深度神经网络模型,输出目标地理区域内每个建筑物的屋顶分割掩膜和屋顶朝向类别,根据屋顶分割掩膜计算目标地理区域内每个屋顶朝向类别的年均太阳能辐射值,根据屋顶分割掩膜和年均太阳能辐射值计算目标地理区域的光伏利用潜力值,采用模型输出目标地理区域的卫星影像图的屋顶朝向类别,并根据其均值和屋顶分割掩膜和计算光伏利用潜力值,引入了屋顶朝向对太阳能辐射量的影响,实现了一种计算目标地理区域内光伏利用潜力值的方案,解决了相关技术中计算光伏利用潜力值不准确的技术问题,提高了某个地理区域内太阳能辐射量的估算精度。
在本实施例中,基于高精度的卫星影像生成目标城市建筑物屋顶分割掩膜以及屋顶类别的数据集作为训练神经网络模型的样本数据,根据样本数据训练所述神经网络模型,得到深度神经网络模型。
在本实施例的一个实施方式中,在将卫星影像图输入预训练的深度神经网络模型之前,还包括:
S11,获取卫星影像图样本;
S12,基于预设重叠度将卫星影像图样本划分为多个固定尺寸的子区域,得到多个子样本,其中,固定尺寸与深度神经网络模型的最大识别尺寸;
可选的,卫星影像图样本按照一定地重叠度划分为若干个大小为子区域,H、W分别为长和宽。每个子区域对应卫星影像图样本中的一块屋顶掩膜。
S13,配置子区域中建筑物屋顶的屋顶掩膜标签、以及配置多个子区域的屋顶朝向类别的类别标签;
图3是本发明实施例中训练深度神经网络的流程示意图,包括:根据一定重叠度,将所述目标区域的高清卫星影像划分为若干个子区域;根据所述目标区域每个屋顶的掩膜标注;根据所述目标区域每个屋顶的类别标注;将所述屋顶掩膜以及屋顶类别输入所述深度神经网络模型以训练所述深度神经网络模型。
在一个示例中,配置多个子区域的屋顶朝向类别的类别标签包括:针对每个子区域,判断子区域的屋顶是否为平顶或斜顶;若子区域的屋顶为平顶,配置子区域的屋顶朝向类别的类别标签为平顶类;若子区域的屋顶为斜顶,计算子区域的屋顶矢量面的方位角,其中,方位角是屋顶矢量面与北方向线在水平方向的夹角;在预设角度区间集合中定位方位角所在的目标角度区间,其中,预设角度区间集合包括多个角度区间,所有角度区间的和为;在斜顶类型集合中查找与目标角度区间匹配的目标斜顶类型,并配置子区域的屋顶朝向类别为目标斜顶类型,其中,斜顶类型集合包括多个斜顶类型,每个斜顶类型对应一个角度区间。
本示例中,先将每个子区域的屋顶分为斜顶类以及平顶类两种类别,再计算每个斜顶类的屋顶矢量面的方位角。将所述斜顶类屋顶根据方位角分为类,并称其为方位角类,其中每一类的角度范围为/>,获得样本建筑物的屋顶分割掩膜以及屋顶类别,在一个实施场景中,包括12个角度区间,每个角度区间的范围均为30°,分别是[0°,30°)、[30°~60°)、[60°~90°)…[330°~360°)。
S14,以多个子样本为输入数据,屋顶掩膜标签和类别标签为输出数据训练初始网络模型,得到深度神经网络模型。
训练完成之后的深度神经网络模型,就可以通过输入目标城市经过分割后大小为的卫星影像对目标区域的建筑物屋顶进行分割与分类,得到目标地理区域内每个建筑物的屋顶分割掩膜和屋顶朝向类别。
在一个实施方式中,根据屋顶分割掩膜计算目标地理区域内每个屋顶朝向类别的年均太阳能辐射值包括:针对每个目标类别的屋顶朝向类别,获取对应的屋顶分割掩膜的地理坐标位置、屋顶方位角、屋顶坡度;采用地理坐标位置、屋顶方位角、屋顶坡度构建目标类别的能源关键字;基于能源关键字在预设太阳能数据库中查找目标类别的年均太阳能辐射量,得到所有屋顶朝向类别的年均太阳能辐射值。
在该实施方式中,太阳能辐射量获取,用于根据屋顶类别以及所在地理位置,获得目标区域每一类屋顶的年均太阳能辐射量。先获得所述目标区域每个屋顶分割掩膜几何中心的地理坐标,/>和/>分别表示纬度和经度。再获得所述屋顶分割掩膜或所属屋顶朝向类别的方位角/>以及屋顶分割掩膜的屋顶坡度/>。最后将所述屋顶的地理坐标、方位角以及屋顶坡度输入开源太阳能数据库,获得各个屋顶类别对应的年均太阳能辐射量/>,公式如下:
。
在本实施例中,根据屋顶分割掩膜和年均太阳能辐射值计算目标地理区域的光伏利用潜力值包括:
S21,根据屋顶分割掩膜确定每个屋顶的几何边界,并基于几何边界计算对应屋顶的屋顶面积;
S22,按照屋顶朝向类别对所有屋顶进行分类,并计算每个每类屋顶的屋顶总面积;
S23,根据屋顶总面积和年均太阳能辐射值加权计算目标地理区域的光伏利用潜力值。
图4是本发明实施例中基于深度学习的屋顶光伏利用潜力估算方法的流程示意图,包括:获取目标城市建筑物的高精度卫星影像;基于上述的高精度卫星影像数据输入预先训练好的深度神经网络模型,获得目标区域每个建筑物的屋顶分割掩膜以及屋顶类别;基于上述屋顶分割掩膜面积以及屋顶朝向类型获得目标区域内所有建筑物屋顶的太阳能辐射值;基于上述太阳能辐射值,获得城市光伏利用潜力。
在一个示例中,根据屋顶总面积和年均太阳能辐射值加权计算目标地理区域的光伏利用潜力值包括:配置每个屋顶朝向类别的权值;采用以下公式加权计算目标地理区域的光伏利用潜力值:/>其中,/>表示第/>类的权值,n为屋顶朝向类别的总数量,/>表示第/>类屋顶的屋顶总面积,/>表示第/>类屋顶的年均太阳能辐射值。
光伏利用潜力估计步骤,用于根据上述各类屋顶的年均太阳能辐射量以及各类屋顶面积,获得加权目标区域光伏利用潜力。先根据上述目标区域的屋顶分割掩膜,获得每个屋顶的几何边界以及面积;再根据上述屋顶面积以及上述屋顶类别对应的年均太阳能辐射量,加权获得目标区域的太阳能潜力值。
可选的,配置每个屋顶朝向类别的权值包括:针对第类屋顶朝向类别,确定与第/>类方位角朝向相反的第/>类屋顶朝向类别;获取第/>类屋顶朝向类别的年均太阳能辐射值/>,以及获取第/>类屋顶朝向类别的年均太阳能辐射值/>;采用以下公式配置第/>类屋顶朝向类别的权值/>:/>。
采用本实施例的权值配置方式,可以减少屋顶朝向错分导致的太阳能潜力值估计误差,提高模型鲁棒性。
采用本实施例的方案,通过深度神经网络从高精度卫星影像中提取屋顶分割掩膜并对其分类,基于卫星影像数据能降低数据获取的成本,实现大范围的屋顶提取,还兼具时效性。由于太阳方位角差异导致的不同朝向屋顶的太阳辐射差异,基于深度神经网络的屋顶分割与分类能提供更精细的建筑物屋顶信息,有利于城市分布式屋顶光伏利用潜力估计。不同时间的太阳高度导致同一建筑物屋顶在不同时间的外观存在差异。同时考虑朝向相差180°的一对方位角屋顶类,计算加权的太阳能潜力值,这种计算方法具有准确有效的优势。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
在本实施例中还提供了一种光伏利用潜力的计算装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本发明实施例的一种光伏利用潜力的计算装置的结构框图,如图5所示,该装置包括:
第一获取模块50,用于获取目标地理区域的卫星影像图;
输出模块52,用于将所述卫星影像图输入预训练的深度神经网络模型,输出所述目标地理区域内每个建筑物的屋顶分割掩膜和屋顶朝向类别;
第一计算模块54,用于根据所述屋顶分割掩膜计算所述目标地理区域内每个屋顶朝向类别的年均太阳能辐射值;
第二计算模块56,用于根据所述屋顶分割掩膜和所述年均太阳能辐射值计算所述目标地理区域的光伏利用潜力值。
可选的,所述装置还包括:第二获取模块,用于在所述输出模块将所述卫星影像图输入预训练的深度神经网络模型之前,获取卫星影像图样本;划分模块,用于基于预设重叠度将所述卫星影像图样本划分为多个固定尺寸的子区域,得到多个子样本,其中,所述固定尺寸与所述深度神经网络模型的最大识别尺寸;配置模块,用于配置所述子区域中建筑物屋顶的屋顶掩膜标签、以及配置多个所述子区域的屋顶朝向类别的类别标签;训练模块,用于以所述多个子样本为输入数据,所述屋顶掩膜标签和所述类别标签为输出数据训练所述初始网络模型,得到所述深度神经网络模型。
可选的,所述配置模块包括:判断单元,用于针对每个所述子区域,判断所述子区域的屋顶是否为平顶或斜顶;第一配置单元,用于若所述子区域的屋顶为平顶,配置所述子区域的屋顶朝向类别的类别标签为平顶类;若所述子区域的屋顶为斜顶,计算所述子区域的屋顶矢量面的方位角,其中,所述方位角是所述屋顶矢量面与北方向线在水平方向的夹角;定位单元,用于在预设角度区间集合中定位所述方位角所在的目标角度区间,其中,所述预设角度区间集合包括多个角度区间,所有角度区间的和为;第二配置单元,用于在斜顶类型集合中查找与所述目标角度区间匹配的目标斜顶类型,并配置所述子区域的屋顶朝向类别为目标斜顶类型,其中,所述斜顶类型集合包括多个斜顶类型,每个斜顶类型对应一个角度区间。
可选的,所述第一计算模块包括:获取单元,用于针对每个目标类别的屋顶朝向类别,获取对应的所述屋顶分割掩膜的地理坐标位置、屋顶方位角、屋顶坡度;构建单元,用于采用所述地理坐标位置、所述屋顶方位角、所述屋顶坡度构建所述目标类别的能源关键字;查找单元,用于基于所述能源关键字在预设太阳能数据库中查找所述目标类别的年均太阳能辐射量,得到所有屋顶朝向类别的年均太阳能辐射值。
可选的,所述第二计算模块包括:第一计算单元,用于根据所述屋顶分割掩膜确定每个屋顶的几何边界,并基于所述几何边界计算对应屋顶的屋顶面积;第二计算单元,用于按照屋顶朝向类别对所有屋顶进行分类,并计算每个每类屋顶的屋顶总面积;第三计算单元,用于根据所述屋顶总面积和所述年均太阳能辐射值加权计算所述目标地理区域的光伏利用潜力值。
可选的,所述第三计算单元包括:配置子单元,用于配置每个屋顶朝向类别的权值;计算子单元,用于采用以下公式加权计算所述目标地理区域的光伏利用潜力值:其中,/>表示第/>类的权值,n为屋顶朝向类别的总数量,/>表示第类屋顶的屋顶总面积,/>表示第/>类屋顶的年均太阳能辐射值。
可选的,所述配置子单元还用于:针对第类屋顶朝向类别,确定与第/>类方位角朝向相反的第/>类屋顶朝向类别;获取所述第/>类屋顶朝向类别的年均太阳能辐射值/>,以及获取所述第/>类屋顶朝向类别的年均太阳能辐射值/>;采用以下公式配置所述第/>类屋顶朝向类别的权值/>:/>。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取目标地理区域的卫星影像图;
S2,将所述卫星影像图输入预训练的深度神经网络模型,输出所述目标地理区域内每个建筑物的屋顶分割掩膜和屋顶朝向类别;
S3,根据所述屋顶分割掩膜计算所述目标地理区域内每个屋顶朝向类别的年均太阳能辐射值;
S4,根据所述屋顶分割掩膜和所述年均太阳能辐射值计算所述目标地理区域的光伏利用潜力值。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取目标地理区域的卫星影像图;
S2,将所述卫星影像图输入预训练的深度神经网络模型,输出所述目标地理区域内每个建筑物的屋顶分割掩膜和屋顶朝向类别;
S3,根据所述屋顶分割掩膜计算所述目标地理区域内每个屋顶朝向类别的年均太阳能辐射值;
S4,根据所述屋顶分割掩膜和所述年均太阳能辐射值计算所述目标地理区域的光伏利用潜力值。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (7)
1.一种光伏利用潜力的计算方法,其特征在于,包括:
获取目标地理区域的卫星影像图;
将所述卫星影像图输入预训练的深度神经网络模型,输出所述目标地理区域内每个建筑物的屋顶分割掩膜和屋顶朝向类别;
根据所述屋顶分割掩膜计算所述目标地理区域内每个屋顶朝向类别的年均太阳能辐射值;
根据所述屋顶分割掩膜和所述年均太阳能辐射值计算所述目标地理区域的光伏利用潜力值;
其中,根据所述屋顶分割掩膜和所述年均太阳能辐射值计算所述目标地理区域的光伏利用潜力值包括:根据所述屋顶分割掩膜确定每个屋顶的几何边界,并基于所述几何边界计算对应屋顶的屋顶面积;按照屋顶朝向类别对所有屋顶进行分类,并计算每个每类屋顶的屋顶总面积;根据所述屋顶总面积和所述年均太阳能辐射值加权计算所述目标地理区域的光伏利用潜力值;
其中,根据所述屋顶总面积和所述年均太阳能辐射值加权计算所述目标地理区域的光伏利用潜力值包括:配置每个屋顶朝向类别的权值;采用以下公式加权计算所述目标地理区域的光伏利用潜力值:/>其中,/>表示第/>类的权值,n为屋顶朝向类别的总数量,/>表示第/>类屋顶的屋顶总面积,/>表示第/>类屋顶的年均太阳能辐射值;
其中,配置每个屋顶朝向类别的权值包括:针对第类屋顶朝向类别,确定与第/>类方位角朝向相反的第/>类屋顶朝向类别;获取所述第/>类屋顶朝向类别的年均太阳能辐射值,以及获取所述第/>类屋顶朝向类别的年均太阳能辐射值/>;采用以下公式配置所述第/>类屋顶朝向类别的权值/>:/>。
2.根据权利要求1所述的方法,其特征在于,在将所述卫星影像图输入预训练的深度神经网络模型之前,所述方法还包括:
获取卫星影像图样本;
基于预设重叠度将所述卫星影像图样本划分为多个固定尺寸的子区域,得到多个子样本;
配置所述子区域中建筑物屋顶的屋顶掩膜标签、以及配置多个所述子区域的屋顶朝向类别的类别标签;
以所述多个子样本为输入数据,所述屋顶掩膜标签和所述类别标签为输出数据训练初始网络模型,得到所述深度神经网络模型。
3.根据权利要求2所述的方法,其特征在于,配置多个所述子区域的屋顶朝向类别的类别标签包括:
针对每个所述子区域,判断所述子区域的屋顶是否为平顶或斜顶;
若所述子区域的屋顶为平顶,配置所述子区域的屋顶朝向类别的类别标签为平顶类;若所述子区域的屋顶为斜顶,计算所述子区域的屋顶矢量面的方位角,其中,所述方位角是所述屋顶矢量面与北方向线在水平方向的夹角;
在预设角度区间集合中定位所述方位角所在的目标角度区间,其中,所述预设角度区间集合包括多个角度区间,所有角度区间的和为;
在斜顶类型集合中查找与所述目标角度区间匹配的目标斜顶类型,并配置所述子区域的屋顶朝向类别为目标斜顶类型,其中,所述斜顶类型集合包括多个斜顶类型,每个斜顶类型对应一个角度区间。
4.根据权利要求1所述的方法,其特征在于,根据所述屋顶分割掩膜计算所述目标地理区域内每个屋顶朝向类别的年均太阳能辐射值包括:
针对每个目标类别的屋顶朝向类别,获取对应的所述屋顶分割掩膜的地理坐标位置、屋顶方位角、屋顶坡度;
采用所述地理坐标位置、所述屋顶方位角、所述屋顶坡度构建所述目标类别的能源关键字;
基于所述能源关键字在预设太阳能数据库中查找所述目标类别的年均太阳能辐射量,得到所有屋顶朝向类别的年均太阳能辐射值。
5.一种光伏利用潜力的计算装置,其特征在于,包括:
第一获取模块,用于获取目标地理区域的卫星影像图;
输出模块,用于将所述卫星影像图输入预训练的深度神经网络模型,输出所述目标地理区域内每个建筑物的屋顶分割掩膜和屋顶朝向类别;
第一计算模块,用于根据所述屋顶分割掩膜计算所述目标地理区域内每个屋顶朝向类别的年均太阳能辐射值;
第二计算模块,用于根据所述屋顶分割掩膜和所述年均太阳能辐射值计算所述目标地理区域的光伏利用潜力值;
其中,所述第二计算模块包括:第一计算单元,用于根据所述屋顶分割掩膜确定每个屋顶的几何边界,并基于所述几何边界计算对应屋顶的屋顶面积;第二计算单元,用于按照屋顶朝向类别对所有屋顶进行分类,并计算每个每类屋顶的屋顶总面积;第三计算单元,用于根据所述屋顶总面积和所述年均太阳能辐射值加权计算所述目标地理区域的光伏利用潜力值;
其中,所述第三计算单元包括:配置子单元,用于配置每个屋顶朝向类别的权值;计算子单元,用于采用以下公式加权计算所述目标地理区域的光伏利用潜力值:其中,/>表示第/>类的权值,n为屋顶朝向类别的总数量,/>表示第/>类屋顶的屋顶总面积,/>表示第/>类屋顶的年均太阳能辐射值;
其中,所述配置子单元还用于:针对第类屋顶朝向类别,确定与第/>类方位角朝向相反的第/>类屋顶朝向类别;获取所述第/>类屋顶朝向类别的年均太阳能辐射值/>,以及获取所述第/>类屋顶朝向类别的年均太阳能辐射值/>;采用以下公式配置所述第/>类屋顶朝向类别的权值/>:/>。
6.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至4任一项中所述的方法。
7.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至4任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410306548.2A CN117911876B (zh) | 2024-03-18 | 2024-03-18 | 光伏利用潜力的计算方法及装置、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410306548.2A CN117911876B (zh) | 2024-03-18 | 2024-03-18 | 光伏利用潜力的计算方法及装置、存储介质、电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117911876A CN117911876A (zh) | 2024-04-19 |
CN117911876B true CN117911876B (zh) | 2024-06-04 |
Family
ID=90690853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410306548.2A Active CN117911876B (zh) | 2024-03-18 | 2024-03-18 | 光伏利用潜力的计算方法及装置、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117911876B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102395838A (zh) * | 2009-04-01 | 2012-03-28 | 太阳能公司 | 具有最少穿透屋顶支撑系统的光电阵列 |
CN114266984A (zh) * | 2021-12-07 | 2022-04-01 | 北京工业大学 | 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 |
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 |
CN114881399A (zh) * | 2022-03-25 | 2022-08-09 | 全球能源互联网集团有限公司 | 一种基于gf7遥感影像的光伏发电潜力与经济性评估方法 |
CN117634907A (zh) * | 2023-11-23 | 2024-03-01 | 厦门智碳卫星监控科技有限公司 | 城市屋顶光伏发电潜力的估算方法、装置、设备及介质 |
-
2024
- 2024-03-18 CN CN202410306548.2A patent/CN117911876B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102395838A (zh) * | 2009-04-01 | 2012-03-28 | 太阳能公司 | 具有最少穿透屋顶支撑系统的光电阵列 |
CN114266984A (zh) * | 2021-12-07 | 2022-04-01 | 北京工业大学 | 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 |
CN114881399A (zh) * | 2022-03-25 | 2022-08-09 | 全球能源互联网集团有限公司 | 一种基于gf7遥感影像的光伏发电潜力与经济性评估方法 |
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 |
CN117634907A (zh) * | 2023-11-23 | 2024-03-01 | 厦门智碳卫星监控科技有限公司 | 城市屋顶光伏发电潜力的估算方法、装置、设备及介质 |
Non-Patent Citations (2)
Title |
---|
Estimation of rooftop solar energy generation usingSatellite Image Segmentation;Adithya Sampath等;2019 IEEE 9th International Conference on Advanced Computing(IACC);20200130;第1-7页 * |
基于多源高分遥感数据的屋顶太阳能光伏潜力评估;宋晓阳;中国博士学位论文全文数据库工程科技Ⅱ辑;20181215(第12期);第C041-1页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117911876A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11521022B2 (en) | Semantic state based sensor tracking and updating | |
CN109520500B (zh) | 一种基于终端拍摄图像匹配的精确定位及街景库采集方法 | |
CN102204238B (zh) | 便携式设备上的图像标注 | |
US9495596B2 (en) | Systems and method for identifying locations of infrastructure assets using aerial imagery | |
Fedorov et al. | A framework for outdoor mobile augmented reality and its application to mountain peak detection | |
US20160321269A1 (en) | Method and apparatus for accurate localization of points of interest | |
CN107133325A (zh) | 一种基于街景地图的互联网照片地理空间定位方法 | |
US11468654B2 (en) | Determining compass orientation of imagery | |
CN111028358A (zh) | 室内环境的增强现实显示方法、装置及终端设备 | |
US11763488B2 (en) | Location determination in a GPS-denied environment with user annotation | |
CN103106252A (zh) | 利用手持设备的平面区域定位方法 | |
CN114241464A (zh) | 基于深度学习的跨视角影像实时匹配地理定位方法及系统 | |
US20240212203A1 (en) | Landmark configuration matcher | |
CN115424141A (zh) | 一种光伏装机容量计算方法、装置、电子设备和介质 | |
Brejcha et al. | GeoPose3K: Mountain landscape dataset for camera pose estimation in outdoor environments | |
CN110472092A (zh) | 一种街景图片的地理定位方法及系统 | |
CN117911876B (zh) | 光伏利用潜力的计算方法及装置、存储介质、电子装置 | |
CN114838729A (zh) | 一种路径规划方法、装置及设备 | |
Aslani et al. | A Spatially Detailed Approach to the Assessment of Rooftop Solar Energy Potential based on LiDAR Data. | |
CN111352964B (zh) | 获取兴趣点信息的方法、装置、设备及存储介质 | |
CN118196214B (zh) | 基于三维场景模拟的野外摄像机布控方法以及设备 | |
CN114329017A (zh) | 户外设备快速查找方法、设备及存储介质 | |
CN116465422A (zh) | 地图信息的生成方法、装置、电子设备及存储介质 | |
Chu et al. | Correction of Mobile Positioning and Direction via CNNs Based on Street View Images | |
CN112001947A (zh) | 拍摄位置的确定方法及装置、存储介质、电子装置 |
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 |