本文提出了一种用于屋顶光伏发电潜力评估的快速扫描产量预测方法。该方法有三个主要部分。对于每个屋顶，首先利用航拍图像重建虚拟三维屋顶段，然后利用拟合算法将光伏组件自动贴合到屋顶段上，最后计算出预期的年产量。对每个屋面采用三种不同的快速产量计算方法计算年产量。两种方法是太阳猴(SM)和光伏地理信息系统(PVGIS)的商业软件包，而另一种是代尔夫特理工大学光伏材料和器件(PVMD)小组开发的基于天线的简化方法。为了验证快速扫描方法，在荷兰的城市地区选择了一组145个屋顶和215个屋顶段。对于所选择的屋顶，将安装模块的数量和计算的产量与实际的模块布局和现有光伏系统的实测产量进行比较。结果表明，快速扫描预测方法与实测结果吻合较好，相对标准偏差分别为7.2%、9.1%和7.5%。结果表明，包含障碍物的方法(如SM和PVMD)优于忽略周围障碍物遮挡的方法(如PVGIS)。结果还表明，3D屋顶段作为快速扫描PV产量预测方法的输入值具有附加价值，因为仅使用建筑的2D土地登记数据预测产量的精度明显较低。
以更可持续和更无化石的方式满足人类能源需求的挑战让人类感到气馁，向风能和太阳能等可再生能源的过渡已经开始。2018年，全球光伏年装机容量超过100 GW，累计运行总容量超过0.5 TW (SolarPower Europe, 2019;光伏发电系统规划，2018)。尽管光伏系统的价格在过去几十年里大幅下降，但光伏的采用并没有迅速增长(Karakaya和Sriwannawit, 2015)。社会的心态必须转向光伏和光伏革命(Smets, 2017)。因此，需要更多的社会推动来帮助太阳能光伏产业的发展。
这种社会推动可以通过各种方式支持自动光伏系统设计。首先，设计光伏系统所需的时间可以大大减少。从软件辅助设计到视觉现场检查(例如，计算屋顶瓦的数量，粗略估计屋顶光伏潜力)，屋顶光伏系统的实际设计可能需要10分钟到几个小时(尼泊尔普拉莫德，2019年;de Proost, 2019)。由于国内光伏发电系统市场竞争激烈，目前国内光伏发电系统的设计成品率较低。如果系统设计的报价是自动生成的，那么PV安装公司可以节省大量的时间。一个自动化的光伏系统设计也可以使光伏销售过程更加高效。这样可以减少给潜在客户打电话的时间和精力。整个太阳能市场的活动可以增加作为一个更有效的销售过程的结果，因为它将提高生产力。此外，一个先进的设计算法可以设计出更精确的能量产出，更好的美学或更好的成本效益的系统，比人类可以在同样的时间内完成。可以计算出模块的最佳位置，使全年的阴影最小化。此外，算法可以找到其他模块配置，使更多模块适合同一屋顶。例如，它可以根据客户的要求，通过比较东西或南向的设置，在每平方米产量和总产量之间找到平衡。从另一个角度来看，通过以一种快速和用户友好的方式促进产量预测和系统设计，消费者将较少关注他们的屋顶是否适合光伏系统。
为了实现这一目标，开发了一种所谓的快速扫描产量预测方法。该方法实现了屋顶光伏系统设计和产量预测的自动化。它还通过尽可能减少运行时间，实现了大规模的屋顶光伏潜力评估(如一个城市或一个地区)。本文旨在介绍快速扫描方法，并讨论以下研究问题的结果:(1)自动模块安装在住宅屋顶上的现实程度如何?(2)不同快速产量计算方法的产量预测精度如何?(3)快速扫描方法的不同部分有多快，如何对其进行优化?
第二节概述了城市屋顶太阳能潜力估算的相关文献，并简要说明了研究提纲。在第3节中，描述了快速扫描方法的不同部分。第4节给出了模块拟合算法的结果和产量计算方法，并讨论了仿真时间。最后，将在第5节中得出结论，并就今后的工作提出建议。
2. 文献综述与研究概要
建筑屋顶光伏发电的潜力通常由以下几个方面决定:(i)寻找可用的屋顶面积光伏组件，(ii)模拟阵列平面(POA)太阳辐照度，(iii)计算这种系统的年交流发电量。
利用平均条件，可以利用土地利用、建筑密度和人口密度来计算屋顶总面积，假设利用系数固定，可以得到PV的可用屋顶面积(Izquierdo et al.， 2008)。2010年，Winginton et al.利用屋顶表面积和人口之间的关系来估计美国安大略省东南部的屋顶光伏发电潜力(Wiginton et al.， 2010)。同样，我们分析了西班牙安达卢西亚不同类型的住宅屋顶的太阳能容量(Ordóñez et al.， 2010)。2012年，Defaix等人发布了27个欧洲成员国的建筑集成光伏(BIPV)潜力，从人均平均建筑面积开始，寻找每个国家可用的屋顶表面(Defaix等人，2012)。对于印度城市孟买，我们使用航拍图像来计算建筑足迹面积(BFA)比率和光伏可用屋顶面积(PVA)的值，以估计这座城市的光伏潜力(Singh和Banerjee, 2015)。印度早前对德里光伏潜力的调查是基于拇指规则、标准假设和专家的意见，因为数据无法获得(革命，2013年)。2014年，Mainzer等人分析了德国各个城市的技术光伏潜力，通过统计数据估计了每座建筑的可用面积和能源需求(Mainzer等人，2014)。2015年，Byrne等人计算了首尔(韩国)每一种建筑类型的净可用屋顶面积，包括模块倾斜及其对地面覆盖比(GCR)和城市预期光伏潜力的影响的参数研究(Byrne等人，2015)。2017年，Khan等人对沙特阿拉伯王国的13个城市进行了类似的研究，并估计了潜在发电量(Khan等人，2017)。
基于地理信息系统(GIS)的其他方法最近也得到了越来越多的使用，特别是自从GIS成为一种常用的工具以来(Schallenberg-Rodríguez, 2013)。如果有的话，可以使用建筑物外部形状的GIS数据来估计可用屋顶面积。2011年，利用建筑外部形状的GIS数据，并对利用系数进行假设，评估了以色列屋顶光伏的潜在发电量(Vardimon, 2011)。Martín-Chivelet提出了GCR的解析表达式和PV潜力的逐步评估方法(MartínChivelet, 2016)。2015年，Freitas等人对城市地区太阳势计算方法进行了综述，认为计算方法需要在精度和计算时间之间进行折衷(Freitas等人，2015)。
如果3D信息和/或高度数据是可用的，如激光雷达测量，俯仰角和方位角的屋顶段可以用来确定POA辐照度。2012年，Brito等人利用LiDAR数据评估了里斯本郊区的光伏潜力(Brito等人，2012)。得出结论,为光伏穿透屋顶总面积的10%以下,PV潜力可以估计忽略了阴影和考虑PV的最佳倾角和取向,然而,高渗透,潜在的可以被考虑水平估计地表建筑物内占用面积。2011年，Bergamasco等人利用MATLAB评估了屋顶集成光伏系统的光伏潜力，首先是在皮埃蒙特地区进行的一项研究(Bergamasco和Asinari, 2011年)。随后，将MATLAB算法进行了阴影和屋顶内障碍物检测的增强，并应用于都灵市，处理了6万多栋建筑(Bergamasco和Asinari, 2011)。2013年，Kodysh等人将激光雷达数据和GIS方法结合起来，估算了美国田纳西州诺克斯县不同屋顶表面的辐照度(Kodysh等人，2013年)。然而，研究的输出是每个屋顶表面积的太阳辐照度，因为PV和电力输出的可用面积不在研究范围内。2014年，利用可用屋顶面积的GIS数据，并考虑到其他建筑造成的遮阳，评估了台湾的屋顶光伏潜力(Ko et al.， 2015)。有一些使用3D城市模型来计算总屋顶面积和预期发电量的例子，如Rodriguez等人在德国路德维希堡的工作(Rodríguez et al.， 2017)。然而，3D城市模型的创建或获取成本很高，目前世界上大多数地区都无法获得3D城市模型。此外，使用3D模型和光线投射进行遮阳计算是非常需要计算的，因此，限制了PV势可确定的规模。
上面描述的一些研究通过GCR因子计算了将放置在可用屋顶面积上的光伏组件的离散数量，然而，它们都没有计算出适合每个屋顶段的实际模块布局。唯一的例外是Mainzer等人在2017年进行的一项研究，该研究利用地理建筑数据和航空图像结合图像识别技术，将模块虚拟地放置在屋顶上(Mainzer等人，2017)。他们的模块拟合算法在可用面积上递增迭代，并在每个屋顶分段内尽可能多地安装光伏模块。然而，它忽略了从屋顶边缘取下的距离，以及模块与平屋顶边缘的对齐。
为了模拟POA辐照度和计算年度交流能源产量，可以在产量计算模型中应用各种细节。例如，天际线轮廓（抵御天空中定义的光伏系统周围的土地和建筑物的轮廓）会影响到达PV模块的太阳辐照度（Calcabrini等，2019）。虽然阴影降低了PV模块性能（Ziar等，2017），但在产量预测方法中，通常不会针对每个屋顶确定天际线轮廓，忽略由其引起的阴影。更先进的收益率计算模型，包括温度，模块技术和逆变器利用的非线性效果显着增加了运行时，并相当提高了准确性（Mainzer等，2017）。但是，在处理大批次的屋顶时，两种精度（数据集的近距离，在这种情况下，建模的PV产量，到所建模和测量的KWH / KWP值的完美预测线和精度（接近在数据集中，在这种情况下，模拟的光伏产量，他们自己的平均KWH / KWP线路很重要。
现实生活中可能导致光伏造型中的系统和随机误差。系统错误从完美的预测（参考）转移建模数据点，而随机错误导致建模数据点分散。系统和随机误差分别涉及准确性和精度。对于大型研究或初始调查（Quick-Scan）的批次，精度与准确性一样重要。原因是，获得精度比准确性快，并且需要更少的输入和/或详细建模，并且当找到用于屋顶的PV电位的精确批次输出数据时，所有结果都可以通过简单转移（调谐）。 （和快速）校正因子具有精确和准确的批量输出数据。因此，该研究的目的是开发一种方法，可以快速扫描许多屋顶的光伏电位，高精度，然后，通过校正因子进一步修改它，也可以进行准确的结果数据集。值得注意的是，将一个校正因子应用于所有产量预测将改善几个单独的PV系统产量预测，同时它可能使少数几个产生的产量预测。但是，所有PV系统的总体预测将改善。
本研究中开发的方法使用从航空图像和GIS数据产生的3D屋顶段数据，以评估要安装在每个屋顶上的离散数量的光伏模块。 通过选择在其屋顶上具有PV系统的建筑物并将结果与实际放置的模块数量进行比较来测试模块拟合。 此外，LIDAR高度数据用于通过周围障碍物来解释阴影的影响。 使用Real PV系统的AC产量测量获得三种不同产量计算方法的精度。 开发方法试图保持计算时间尽可能低，以使算法可用于区域或国家规模的屋顶PV。
3. 方法
在图1中，示出了快速扫描算法的一般结构。为了初始化，将一组分成三维屋顶段的屋顶输入到算法中。对于每个线段，使用两种独立的方法计算线段方向。然后进行模块装配，以找到可以放置在其上的模块的最大数量。对于容纳大多数模块的解决方案，产量计算是按屋顶部分进行的。最后，快速扫描算法的输出将是已安装模块的数量、以千瓦时为单位的预期年交流发电量和特定年发电量 KWH / KWP，每个模块按屋顶或物理地址汇总。在安装光伏系统之前，行业和研究团体广泛使用的优点是kWh或kWh / kWp，这给出了光伏系统将产生多少的指示。但是，在安装后，监视预期和真实光伏产量之间的差异，使用了优异性能比（PR）。由于该研究的目标是屋顶的产生评估，因此使用KWH和KWH / KWP作为优点。
为了开发适用于任何地址的快速扫描，有必要了解屋顶的信息:屋顶面积(用于光伏组件安装)、坡度和方向(用于产量预测)。一种方法是使用在几个国家都可以获得的建筑物轮廓的土地登记数据。然而，大多数屋顶不是由一个平面组成的，并且具有在建筑物轮廓中无法检测到的障碍物。在本研究中，使用立体航空图像将屋顶分成具有不同斜度和方向的段。该算法显示在图1的下部。通过使用目标建筑的土地登记数据中的建筑轮廓来选择屋顶。通过匹配从不同角度拍摄的一对航空图像的屋顶像素来制作视差图(地理信息系统中的立体匹配(莱门斯，1988年；维米尔，2018年))。然后，通过比较屋顶上的许多点来获得3D点云，如图2中的视差图所示。