Einsatz von Künstlicher Intelligenz zur Analyse des Photovoltaik-Potenzials von Städten. Eine prototypbasierte Untersuchung

Inhaltsverzeichnis

1. Einleitung

1.1 Motivation

1.2 Ziele und Umfang

1.3 Umriss dieser Arbeit

2. Verwandte Themen und wissenschaftlicher Hintergrund

2.1 Abgrenzung Künstliche Intelligenz

2.1.1 Künstliche Intelligenz

2.1.2 Maschine Learning

2.1.3 Deep Learning

2.2 Künstliche neuronale Netze

2.3 Convolutional Neural Networks (CNN)

2.3.1 Architektur

2.3.2 Training

2.3.3 Bewertungsmetriken

2.3.4 Optimierungslösungen

2.3.5 Spezielle CNN-Architekturen

2.4 Semantische Segmentierung

2.4.1 Hintergrund

2.4.2 Encoder-Decoder-Architektur: U-Net

2.5 Daten zur Analyse des PV-Potenzials

2.5.1 Fernerkundung

2.5.2 Datensätze

2.6 Vorhandene Lösungen

2.6.1 Ähnliche Aufgabenstellung

2.6.2 Auswahl von Komponenten

2.6.3 Optimierung der Implementierung

3. Konzeption des Prototyps

3.1 Konzeption des Anwendungsfalls

3.2 Anforderungen

3.3 Design des Prototyps

3.3.1 Dachflächen-Segmentierung

3.3.2 Solarmodul-Segmentation

3.3.3 Solarmodul-Klassifizierung

3.3.4 Dachform-Klassifizierung

3.3.5 Azimut-Berechnung

3.3.6 PV-Potenzial-Simulation

4. Implementierung des Prototyps

4.1 Vorgehensweise

4.2 Entwicklungsumgebung und Werkzeuge

4.3 Datengenerierung

4.4 Datenvorverarbeitung

4.4.1 Datensatz partitionieren

4.4.2 Trainingsbilder vorverarbeiten

4.4.3 Maßstab ermitteln

4.5 Training der Modelle

4.5.1 Modell: Semantische Segmentierung des Daches

4.5.2 Modell: Semantische Segmentierung der Solarmodule

4.5.3 Modell: Solarmodul-Klassifizierung

4.5.4 Modell: Klassifikation der Dachform

4.5.5 Modell: Klassifikation der Azimutklasse

4.5.6 Modell: Klassifizierung PV und Solarthermie

4.6 Deployment des Systems

4.6.1 Anbindung an lokale Testbilder

4.6.2 Anbindung an die Maps-API

5. Evaluation

5.1 Evaluation am Anwendungsfall Echterdingen

5.1.1 LUBW-Messungen

5.1.2 Vorhersagen des Prototyps

5.1.3 Vergleich

5.2 Stichprobenbasierte Evaluation

5.3 Fehleranalyse

5.3.1 Analyse der Fehler auf Evaluierungsbasis

5.3.2 Analyse der Fehler im Gesamtkontext

5.4 Betriebswirtschaftliche Analyse

5.4.1 Geschäftsideen

5.4.2 Prozessanalyse in der Stadtverwaltung

5.4.3 Ökonomisches Lösungskonzept in Echterdingen

5.5 Fazit und Ausblick

Zielsetzung & Themen

Ziel dieser Arbeit ist die Entwicklung eines automatisierten Prototyps mittels Künstlicher Intelligenz, der das photovoltaische Potenzial von Städten auf Basis frei verfügbarer Fernerkundungsbilder ermittelt und evaluiert. Die Forschungsfrage fokussiert sich dabei auf die Effektivität innovativer Deep-Learning-Methoden im Vergleich zu klassischen Laserscanverfahren sowie auf die ökonomischen Potenziale für Stadtverwaltungen.

• Entwicklung einer Deep-Learning-Pipeline zur Segmentierung von Dachflächen und Solarmodulen
• Klassifizierung von Dachtypen, Azimut-Ausrichtungen und PV-Anlagentypen
• Automatisierte Simulation des elektrischen Leistungspotenzials (PV-Potenzial in kWp)
• Experimentelle Validierung und Evaluation am Anwendungsfall Echterdingen
• Betriebswirtschaftliche Analyse und Prozessoptimierung für Stadtverwaltungen

Auszug aus dem Buch

Zusammenfassung der Kapitel

1. Einleitung: Beschreibt die Bedeutung erneuerbarer Energien in Deutschland, die Relevanz der Photovoltaik und führt in die wissenschaftliche Motivation zur automatisierten Potenzialanalyse mittels Deep Learning ein.

2. Verwandte Themen und wissenschaftlicher Hintergrund: Erläutert die theoretischen Grundlagen zu Künstlicher Intelligenz, CNNs, Semantischer Segmentierung und stellt den Stand der Technik sowie existierende Ansätze in der Literatur dar.

3. Konzeption des Prototyps: Definiert die Anforderungen an den Prototyp und beschreibt das Design der Modell-Pipeline, einschließlich der einzelnen Schritte von der Segmentierung bis hin zur PV-Potenzial-Simulation.

4. Implementierung des Prototyps: Dokumentiert den Machine-Learning-Workflow, die Datengenerierung, Datenvorverarbeitung, das Training der einzelnen Modelle und das Deployment des Systems.

5. Evaluation: Bewertet die Ergebnisse des Prototyps am Anwendungsfall Echterdingen durch den Vergleich mit LUBW-Messungen, eine detaillierte Fehleranalyse sowie eine betriebswirtschaftliche Betrachtung.

Schlüsselwörter

Künstliche Intelligenz, Photovoltaik-Potenzial, Deep Learning, Semantische Segmentierung, U-Net, Convolutional Neural Networks, Fernerkundung, Bildverarbeitung, PV-Analyse, Stadtplanung, Modelltraining, Solarenergie, Echterdingen, Machine Learning, Datenvorverarbeitung

Häufig gestellte Fragen

Worum geht es in dieser Arbeit grundsätzlich?

Die Arbeit untersucht den Einsatz von Künstlicher Intelligenz zur automatisierten Analyse und Bewertung des Photovoltaik-Potenzials von städtischen Dächern anhand von Luftbildern.

Was sind die zentralen Themenfelder?

Die zentralen Themen umfassen Deep Learning, Semantische Segmentierung von Bildern, Photovoltaik-Simulation, sowie die betriebswirtschaftliche Prozessoptimierung in Kommunen.

Was ist das primäre Ziel oder die Forschungsfrage?

Das primäre Ziel ist die Entwicklung und Validierung eines Prototyps, der effektiv und auf Basis aktueller Bilddaten das PV-Potenzial einer Stadt ermittelt, um Entscheidungshilfen für die Stadtplanung zu liefern.

Welche wissenschaftliche Methode wird verwendet?

Es werden verschiedene Deep-Learning-Architekturen, insbesondere das U-Net zur Semantischen Segmentierung und spezielle CNN-Modelle (VGG, Xception) zur Klassifizierung, implementiert und trainiert.

Was wird im Hauptteil behandelt?

Der Hauptteil gliedert sich in die theoretische Fundierung, die Konzeption des Prototyps, die technische Implementierung des Machine-Learning-Workflows sowie eine umfangreiche Evaluation der Vorhersageergebnisse.

Welche Schlüsselwörter charakterisieren die Arbeit?

Künstliche Intelligenz, Photovoltaik-Potenzial, Deep Learning, Semantische Segmentierung, U-Net, Convolutional Neural Networks, Fernerkundung und Solarenergie.

Wie wurde die Genauigkeit des Modells bewertet?

Die Leistung wurde anhand von Metriken wie Accuracy, Intersection over Union (IoU) und durch den Vergleich der berechneten PV-Potenziale mit existierenden Referenzdaten (LUBW-Energieatlas) evaluiert.

Was bedeutet der in der Arbeit erwähnte Eignungswert?

Der Eignungswert setzt die mögliche elektrische Leistung in Relation zur Dachfläche und dient der Einteilung von Gebäuden in unterschiedliche Eignungsklassen für eine PV-Bebauung.

Warum ist die Unterscheidung zwischen PV und Solarthermie wichtig?

Da PV-Module Strom erzeugen und Solarthermie-Anlagen Wärme, ist eine korrekte Unterscheidung essenziell, um das tatsächliche elektrische Leistungspotenzial für eine autarke Stromversorgung korrekt zu berechnen.