0 引言
近几年,卷积神经网络（convolutional neural network, CNN）在图像分割领域的发展为建筑屋顶区域的自动获取提供了新的方向。李紫薇等[8]针对原始语义分割网络（semantic segmentation network, SegNet）模型参数多、梯度不稳定、分割精度低的问题,提出了一种改进的SegNet模型,结合带残差的瓶颈、深度可分离卷积和跳跃连接结构构造SegNet。何青等[9]为进一步提高建筑物边缘提取效果,基于U-Net提出了一种多层次自动编码-解码网络。林雨琦等[10]为获取遥感图像中的建筑信息,提出了基于编码-解码结构的深度神经网络模型,在编码阶段通过卷积层和池化层提取高维语义特征,在解码阶段通过跳跃链接融合高维和低维细节特征。通过密集连接块降低模型的参数量并使用卷积注意力模块（convolution block attention module, CBAM）提高网络的准确性。徐胜军等[11]提出了一种基于多尺度特征融合空洞卷积模型有效克服了道路、树木等因素的干扰,提高了建筑物分割精度。
如何进一步提升建筑物的分割精度仍是值得研究的问题。关于评估屋顶光伏资源的研究大多集中在建筑物分割,忽略了将图像分割技术与光伏仿真部分结合应用,现阶段亟需一种直观、可靠和全面地评估屋顶光伏资源的方式。
1 理论方法
屋顶光伏资源评估方法流程如图1所示。
Fig. 1 Flow chart of roofing resource assessment method图1 屋顶资源评估方法流程图 |
（1）首先采用卫星或无人机获得该区域的RGB正射影像图,将图像数据输入卷积神经网络模型,基于双卷积神经网络模型Double U-Net的屋顶轮廓识别方法,将判定为可进行光伏资源运用的屋顶以白色像素标记并输出预测图像。
（2）随后将预测图像进行边缘检测处理,得到建筑屋顶的轮廓,并确定其所包围面积的像素点个数,根据图像的分辨率可计算得出屋顶可用面积,计算出屋顶光伏组件的最大安装数量。
（3）在此基础上,采用KLEIN和THEILACKER提出的天空各向异性模型算法（简称KT算法）[12],根据该区域辐照模型计算出光伏组件安装最佳倾角及倾斜面辐照量,最终估算出该区域屋顶光伏年发电量。
1.1 网络模型构建
卷积神经网络能有效地解决语义分割问题,具有自动提取特征和提高分割精度的能力,已经应用在计算机视觉领域的图像分类、目标检测、边界检测、语义分割、实例分割等[13]。
在U-Net模型基础上提出了Double U-Net模型,其架构图如图2所示。通过将残差网络模型ResNet50 U-Net和U-Net模组构型的结果拼接在一起,形成双U-Net结构。该模型首先采用ResNet50 U-Net模型,将其输入与输出点乘后作为改进的U-Net结构的输入。
Fig. 2 Double U-Net network model图2 基于Double U-Net网络模型 |
Fig. 3 Structure of ResNet50 U-Net neural network model图3 ResNet50 U-Net神经网络模型结构 |
Fig. 4 Improved U-Net network model图4 改进后的U-Net网络模型 |
1.2 模型验证
训练验证使用INRIA数据集,该数据集为建筑物航空拍摄的像素级图像,覆盖了美国和奥地利10个不同城市的810 km2的面积,采样分辨率为30 cm,并被分成两个面积相等的集——训练集和测试集。
网络模型全部代码均基于Python语言,使用PyCharm软件和Anaconda搭建所需编程环境,所有卷积神经网络模型均在Tensorflow和Keras框架下构建。CPU为11代Core i9-11900K,RAM内存为128 GB大小,GPU为NVIDIA GeForce RTX 3080,GPU内存为73.2 GB（其中专用GPU内存10.0 GB,共享GPU内存63.2 GB）,操作系统为Windows 10。
选择对数据集进行图像预处理,将每张高分辨率大图片裁剪为256 × 256图片。采用图像旋转、图像翻转、对比度和明暗度增强等多种随机变换方法,对70%的图像进行了数据增强操作,对75%的图片进行了旋转和翻转（其中旋转角度在0°到360°之间,翻转包含水平翻转、垂直翻转和中心对称翻转）,对50%的图片进行了对比度和明暗度增强。
采用数据增强,对经过图像预处理的INRIA数据集进行训练。模型网络的输入图像大小为256 × 256 × 3,学习率设为1 × 10-4,最后一层使用大小为2的归一化函数softmax激活,损失函数选取Dice损失函数,优化器为Adam,在模型评估标准里除了准确度（accuracy, Acc）外还加入了交并比（intersection over union, IoU）的评估。以批量大小为4训练10个轮次,总共耗时约10 h。
Fig. 5 Accuracy (a) and loss (b) of training validation of Double U-Net model图5 Double U-Net模型训练验证的准确度（a）和损失（b） |
表1为Double U-Net模型对INRIA测试集的预测结果评估数据与U-Net模型的结果。对比可知,所有地区的预测效果均有明显提高。
Table 1 Comparison of Double U-Net and U-Net model test set prediction results表1 Double U-Net与U-Net模型测试集预测结果对比 |
| 地区 | Double U-net IoU / % | U-net IoU / % | IoU增加值 / % | Double U-net Acc / % | U-net Acc / % | Acc增加值 / % |
|---|---|---|---|---|---|---|
| 美国贝灵翰姆 | 67.94 | 50.89 | 17.05 | 96.81 | 93.82 | 2.99 |
| 美国布卢明顿 | 67.95 | 20.99 | 46.96 | 96.57 | 80.16 | 16.41 |
| 奥地利因斯布鲁克 | 67.96 | 48.36 | 19.60 | 96.58 | 92.40 | 4.18 |
| 美国旧金山 | 67.97 | 62.58 | 5.39 | 91.59 | 87.04 | 4.55 |
| 奥地利蒂罗尔州东部 | 67.98 | 40.93 | 27.05 | 97.62 | 91.12 | 6.50 |
| 总体 | 67.99 | 45.67 | 22.32 | 95.83 | 88.91 | 6.92 |
Double U-Net模型的预测效果更好,总体IoU也由45.67%上升至67.99%,增加22.32%。总体准确度Acc由88.91%上升至95.83%,增加6.92%。
1.3 边缘检测方法
使用Canny算子[16]边缘检测算法,分离屋顶轮廓线。目的是在保留原有图像属性的情况下,显著减少图像数据规模。其主要实现步骤如下：
（1）滤除噪声。使用5 × 5的高斯滤波器对图像进行平滑处理。
（2）计算图像灰度梯度。平滑后的图像在水平方向和垂直方向上用Sobel算子进行滤波,然后使用这些滤波操作的结果计算每个像素的强度梯度大小（G）和方向（θ）[17],表达式如下：
$G=\sqrt{{{G}_{x}}^{2}+{{G}_{y}}^{2}}$ (1)
$\theta ={{\tan }^{-1}}\left( \frac{{{G}_{x}}}{{{G}_{y}}} \right)$ (2)
式中：${{G}_{x}}$和${{G}_{y}}$分别为水平方向和垂直方向的梯度,梯度方向被四舍五入到45°左右。
（3）错误边缘抑制。在滤除噪声和计算梯度之后,使用非最大边缘抑制（non-maximum suppression, NMS）技术来过滤掉冗余像素（某些实际上并不构成边缘的像素点）。每个像素在正向和负向梯度方向与其邻近的像素进行比较,如果当前像素的梯度数值与邻近的像素梯度数值近似,则当前像素的梯度数值保持不变。否则,当前像素梯度数值设置为零。
（4）比较阈值。设置两个阈值（最大值和最小值）,比较计算出的梯度与阈值,若该点梯度大于最大值,则认为该点为确切边界,若小于最小值则排除,若介于两者之间,则判断该点是否与确切边界相连接,连接则保留,分离则去除。
1.4 组件表面辐射计算方法
通过水平面的太阳能辐照量计算不同倾斜角下的光伏组件月总辐照,采用KT方法[12]计算,该方法可用于任意朝向斜面。
倾斜面上的月总辐照量与水平面上月总辐照量的比值$\overset{{}}{\mathop{R}}\,$为：
$R=D+\frac{{{H}_{\text{d}}}}{2H}\left( 1+\cos \beta \right)+\frac{\rho }{2}\left( 1-\cos \beta \right)$ (3)
式中：${{H}_{\text{d}}}$为水平面月平均散射辐照量;H为水平面上月平均总辐照量;$\beta $为光伏组件倾角;$\rho $为地面反射率;D为斜面直射辐照量与水平面总辐照量之比,其计算式如式（4）所示。
$D=\left\{ \begin{matrix} \max \left[ 0,G\left( {{\omega }_{\text{ss}}},{{\omega }_{\text{sr}}} \right) \right],{{\omega }_{\text{ss}}}\ge {{\omega }_{\text{sr}}} \\ \max \left\{ 0,\left[ G\left( {{\omega }_{\text{ss}}},-{{\omega }_{\text{sr}}} \right)+G\left( {{\omega }_{\text{s}}},{{\omega }_{\text{sr}}} \right) \right] \right\},{{\omega }_{\text{sr}}}>{{\omega }_{\text{ss}}} \\ \end{matrix} \right.$ (4)
式中：${{\omega }_{\text{s}}}$为水平面上日落时角;$G$为函数;${{\omega }_{\text{sr}}}$为倾斜面上日出时角;${{\omega }_{\text{ss}}}$为倾斜面上日落时角。
经上式即可计算出任意方位、不同倾斜面上的月总辐照量。
1.5 组件光伏发电量计算方法
单块光伏板的占地面积可根据光伏组件的最佳倾角计算,通过合理安排光伏组件间距,由屋顶可用面积除以光伏组件占地面积,可计算出屋顶所能排布的组件数量。在选定组件型号后,可计算得出屋顶的光伏发电量。
如图6所示,为计算合理的组件间距d的示意图。对于遮挡物阴影的长度,一般确定的原则是,冬至日上午9点至下午3点之间,后排的太阳电池方阵不应被遮挡。计算表达式为：
$d=h\frac{0.707\tan \varphi +0.4338}{0.707-0.4338\tan \varphi }$ (5)
式中：$\varphi $为当地纬度。
Fig. 6 Diagram of recommended installation pitch for rooftop photovoltaic arrays图6 屋顶光伏阵列推荐安装间距示意图 |
2 案例分析
2.1 屋顶轮廓辨识
采用无人机航拍河海大学常州校区（坐标为31.820 502°N、119.975 923°E）得到校区的正射影像图,并基于本文提出的Double U-Net模型进行其屋顶轮廓的识别预测。图7为无人机航拍河海大学常州校区正射影像图。
Fig. 7 Aerial orthophoto of Changzhou Campus of Hohai University图7 河海大学常州校区航拍正射影像图 |
Fig. 8 Images of the building of the Changzhou campus of Hohai University图8 河海大学常州校区为学楼建筑图像 |
Fig. 9 Color image of the dormitory building at Changzhou campus of Hohai University图9 河海大学常州校区宿舍楼建筑彩色图像 |
Fig. 10 Predicted image of the dormitory building at Changzhou campus of Hohai University图10 河海大学常州校区宿舍楼建筑预测图像 |
2.2 最佳倾斜角和倾斜面辐照量计算
KT模型计算程序采用C# 语言编写,设地面反射率为常数0.2,方位角为0°。河海大学常州校区经纬度由气象数据库Meteonorm获得其水平面辐照量,并计算得出河海大学常州校区的屋顶光伏组件最佳倾角及倾斜面的辐照量。
表2为河海大学常州校区水平面及最佳倾斜角下倾斜面辐照量。经计算得河海大学常州校区屋顶光伏组件最佳倾角为22°,年总辐照量为 1 304.36 kW∙h/m2。
Table 2 Irradiance on the horizontal plane and the best inclined plane of Changzhou campus of Hohai University表2 河海大学常州校区水平面及最佳倾斜面辐照量 |
| 月份 | 水平面辐照量 / (kW∙h/m2) | 倾斜面辐照量 / (kW∙h/m2) |
|---|---|---|
| 1 | 57 | 67.02 |
| 2 | 69 | 76.95 |
| 3 | 98 | 103.63 |
| 4 | 123 | 123.80 |
| 5 | 141 | 136.28 |
| 6 | 129 | 122.83 |
| 7 | 151 | 144.30 |
| 8 | 139 | 137.53 |
| 9 | 117 | 122.37 |
| 10 | 95 | 106.19 |
| 11 | 70 | 84.51 |
| 12 | 63 | 78.97 |
| 总计（年） | 1 252 | 1 304.36 |
2.3 方法验证
通过Solargis网站所提供的数据可以发现河海大学常州校区的屋顶光伏组件安装最佳倾角为26°,最佳倾角下年辐照量为1 412.1 kW∙h/m2,如图11所示。
Fig. 11 Tilted surface irradiance data of Changzhou campus of Hohai University from Solargis website图11 Solargis网站上河海大学常州校区倾斜面辐照量数据 |
对比可知,本文所采用的方法计算结果与Solargis网站预测的河海大学常州校区光伏组件安装最佳倾角与辐照量结果相近,表明本文所提出的方法能够有效地进行屋顶光伏资源的评估及应用。
2.4 河海大学常州校区发电量估算
屋顶的实际可用面积通过预测图像中屋顶所占的像素点数,并根据图像分辨率进行换算。最后可以计算出河海大学常州校区为学楼屋顶可用面积为521.74 m2,11号、12号、15号、16号宿舍楼屋顶可用面积分别为56.13 m2、51.37 m2、71.97 m2、69.94 m2。
选取天合光能TSM-DE08M(II)型号组件,输出功率范围360 ~ 380 W,最高效率20.7%。单块组件尺寸（mm）为1 040 × 1 763 × 35,面积为1.83 m2。
以河海大学常州校区为例,其纬度$\varphi $为31.820 502°,$\beta $为22°,可算得h为660.4 mm,代入式（5）可得合理的组件间距d为1 316.1 mm,因此单块光伏组件占地面积约为3.1 m2。
以河海大学常州校区11号宿舍楼为例,由屋顶可用面积56.13 m2和单块光伏组件占地面积3.1 m2可计算出该建筑屋顶光伏组件安装数量为18个。该建筑屋顶的光伏发电量为组件数量、组件面积、最佳倾角下倾斜面辐照量和所选型号组件效率的乘积。其他建筑屋顶的光伏发电量估算方法同理。
由表3可知,在组件最佳倾角为22°时,为学楼、11号宿舍楼、12号宿舍楼、15号宿舍楼、16号宿舍楼屋顶年发电量分别为88 444.9 kW∙h、9 388.0 kW∙h、8 399.8 kW∙h、11 858.5 kW∙h、11 858.5 kW∙h。
Table 3 Estimated photovoltaic power generation on the roof of the building for the academic and dormitory buildings on the Changzhou campus of Hohai University表3 河海大学常州校区为学楼和宿舍楼建筑屋顶光伏发电量估算 |
| 月份 | 屋顶光伏发电量估算 / kW∙h | ||||
|---|---|---|---|---|---|
| 为学楼 | 11号宿舍楼 | 12号宿舍楼 | 15号宿舍楼 | 16号宿舍楼 | |
| 1 | 4 544.2 | 482.3 | 431.6 | 609.3 | 609.3 |
| 2 | 5 217.7 | 553.8 | 495.5 | 699.6 | 699.6 |
| 3 | 7 026.9 | 745.9 | 667.4 | 942.2 | 942.2 |
| 4 | 8 394.4 | 891.0 | 797.2 | 1 125.5 | 1 125.5 |
| 5 | 9 240.5 | 980.8 | 877.6 | 1 238.9 | 1 238.9 |
| 6 | 8 329.0 | 884.1 | 791.0 | 1 116.7 | 1 116.7 |
| 7 | 9 784.3 | 1 038.6 | 929.2 | 1 311.9 | 1 311.9 |
| 8 | 9 325.8 | 989.9 | 885.7 | 1 250.4 | 1 250.4 |
| 9 | 8 297.3 | 880.7 | 788.0 | 1 112.5 | 1 112.5 |
| 10 | 7 200.2 | 764.3 | 683.8 | 965.4 | 965.4 |
| 11 | 5 730.0 | 608.2 | 544.2 | 768.3 | 768.3 |
| 12 | 5 354.5 | 568.4 | 508.5 | 717.9 | 717.9 |
| 总计（年） | 88 444.9 | 9 388.0 | 8 399.8 | 11 858.5 | 11 858.5 |
3 结论
阐述了屋顶光伏资源评估方法,采用屋顶轮廓识别和光伏发电量计算相连通的方式,可以直观、可靠和全面地评估屋顶光伏资源。主要结论如下：
（1）提出基于Double U-Net模型的屋顶轮廓识别方法,可以实现建筑物屋顶的高精度自动提取,模型准确度Acc最终可达95.93%,比原U-Net模型提升了6.92%。
（2）在河海大学常州校区典型的多幢建筑进行了方法应用,表明该方法具有较高的可靠性,适合应用于规模化的建筑屋顶光伏资源评估。
