收稿日期：2023-01-15

基金項(xiàng)目：國家自然科學(xué)基金（51777015）

通信作者：彭曙蓉（1975—），女，博士、副教授，主要從事電力系統(tǒng)智能圖像處理方面的研究。peng_sr@126.com

DOI：10.19912/j.0254-0096.tynxb.2023-0054 文章編號：0254-0096（2024）05-0517-10

摘 要：結(jié)合市轄區(qū)層面光伏發(fā)展情況以及城市中不同用地的特點(diǎn)，利用衛(wèi)星圖片識別長沙市各地區(qū)適合裝設(shè)分布式光伏的建筑區(qū)域?；谔柛叨冉呛头轿唤?，通過山體陰影分析屋頂上的建筑陰影，計(jì)算地區(qū)屋面光伏可承載容量。對市場側(cè)、制造商及電網(wǎng)部門的分布式光伏規(guī)劃進(jìn)行研究。通過識別結(jié)果可為光伏建設(shè)方及電網(wǎng)提供明確地域列表及可用面積，以及可實(shí)現(xiàn)基于實(shí)際建設(shè)項(xiàng)目的可新增光分布式光伏裝機(jī)容量的預(yù)測，以期為分布式光伏電站用地不足問題提供新的解決思路。

關(guān)鍵詞：可再生能源；分布式發(fā)電；深度學(xué)習(xí)；語義分割；衛(wèi)星圖像

中圖分類號：TM615"""""""""" """""""""""" """""文獻(xiàn)標(biāo)志碼：A

0 引 言

在雙碳目標(biāo)確立的背景下，光伏發(fā)電憑借低污染、低能耗及低成本優(yōu)勢，受到國家政策的大力扶持。“十四五”期間，為平穩(wěn)度過碳達(dá)峰關(guān)鍵期，碳處理成本低的風(fēng)力發(fā)電、光伏發(fā)電應(yīng)優(yōu)先予以發(fā)展［1］，同時(shí)國家出臺(tái)政策鼓勵(lì)“光伏+”與建筑、交通、工業(yè)等場景的進(jìn)一步融合，文獻(xiàn)［2］介紹了太陽能光伏光熱建筑一體化的多種新系統(tǒng)原理及功能，為實(shí)現(xiàn)太陽能建筑大規(guī)模應(yīng)用提供了新方法。對用戶側(cè)而言，光伏發(fā)電可解決自身用電需求［3］，同時(shí)可用于提高用電清潔度。分布式光伏的建設(shè)相比于集中式光伏所面臨的環(huán)境更加復(fù)雜，目前大部分地區(qū)暫未實(shí)現(xiàn)“可觀可測”，文獻(xiàn)［4］通過對光伏陣列串聯(lián)數(shù)量的優(yōu)化設(shè)計(jì)為分布式光伏電站效率分析、發(fā)電量預(yù)估等提供了指導(dǎo)。對于湖南電網(wǎng)的多種用電用戶，工業(yè)園區(qū)發(fā)展分布式光伏采用“自發(fā)自用，余電上網(wǎng)”的模式，因此可作為湖南電網(wǎng)發(fā)展分布式光伏的重要對象。

高分辨率衛(wèi)星遙感技術(shù)的發(fā)展為地表建筑物提取提供了數(shù)據(jù)支撐。建筑物提取主要采用合成孔徑雷達(dá)（SAR）［5］、多光譜遙感數(shù)據(jù)［6］、激光探測及測距（LiDAR）［7］、點(diǎn)云領(lǐng)域信息提?。?］等方法。遙感技術(shù)的發(fā)展為研究提供了高分辨率的衛(wèi)星圖像，使得利用高分衛(wèi)星圖像來識別可用于光伏電站建設(shè)用地成為一種趨勢。語義分割是計(jì)算機(jī)視覺技術(shù)中的一個(gè)重要分支，已廣泛應(yīng)用于從遙感圖像數(shù)據(jù)中檢測物體，如城市建筑分割［9-10］、道路提?。?1］等，在光伏產(chǎn)業(yè)的發(fā)展中語義分割也已被應(yīng)用于太陽電池檢測、浮動(dòng)光伏建設(shè)等領(lǐng)域。文獻(xiàn)［12］提出的DeepSolar框架可實(shí)現(xiàn)太陽電池位置定位。針對農(nóng)村地區(qū)的分布式光伏建設(shè)，文獻(xiàn)［13］提出一種利用無人機(jī)識別建設(shè)面積的方法，其適用于中小區(qū)域建筑的快速檢測；文獻(xiàn)［14］提出一種改進(jìn)的多尺度卷積神經(jīng)網(wǎng)絡(luò)模型（IMCNN），提高了光伏組件缺陷分類精度與效率；文獻(xiàn)［15］從不同空間層級劃分了太陽能可利用空間，提供了光伏潛力評價(jià)參考。由于衛(wèi)星圖像中的建筑物形狀及朝向不規(guī)則，因此在建筑物輪廓及面積的精確提取上有一定難度，深度學(xué)習(xí)技術(shù)的發(fā)展為建筑物的智能識別與特征提取提供了技術(shù)基礎(chǔ)。2014年，全卷積神經(jīng)網(wǎng)絡(luò)（fully convolutional neural network， FCN）［16］被提出，用卷積代替了網(wǎng)絡(luò)的全連接層，取得了比以往分類方法更高的準(zhǔn)確率。

本文采用深度學(xué)習(xí)算法對城市建筑發(fā)展分布式光伏的可用面積進(jìn)行評測，可降低分布式光伏發(fā)展建設(shè)中各方的信息獲取成本。首先從政策及光伏發(fā)展趨勢角度出發(fā)，簡述分布式光伏潛力分析的必要性；然后以湖南長沙市縣區(qū)的高分衛(wèi)星影像識別為計(jì)算實(shí)例，得到建筑實(shí)例的語義分割結(jié)果；最后通過實(shí)驗(yàn)得到的數(shù)據(jù)轉(zhuǎn)化，結(jié)合地區(qū)光伏裝機(jī)容量發(fā)展趨勢分析地區(qū)光伏發(fā)展?jié)摿?，給出分布式光伏電站光伏空間規(guī)劃建議。

1 基于衛(wèi)星圖像的分布式光伏潛力分析

1.1 城市分布式光伏發(fā)展現(xiàn)狀與需求

長沙年太陽能總輻射量為4174.7 MJ/（m2·a），根據(jù)中國氣象局太陽能資源評估現(xiàn)行標(biāo)準(zhǔn)《太陽能資源評估法》劃分，其處于3780～5040 MJ/（m2·a）資源豐富區(qū)間內(nèi)，為三類光伏地區(qū)。規(guī)模化發(fā)展集中式光伏發(fā)電系統(tǒng)的發(fā)電經(jīng)濟(jì)效益不高，光伏陣列與建筑屋面結(jié)合不額外占用地面空間，利用高分辯率衛(wèi)星識別地面建筑建設(shè)分布式光伏可將空間建筑用地最大化利用，是分布式光伏電站在城市中廣泛應(yīng)用的最佳方式。同時(shí)在片區(qū)內(nèi)集群開發(fā)也有利于分布式光伏電站的監(jiān)管、測量和維護(hù)。湖南省北部地區(qū)光照資源較好，而西南部多山地、丘陵，光照資源較差、可用土地資源較少。由于耕地、林地及水面的保護(hù)政策，湖南地區(qū)的集中式光伏可用資源進(jìn)一步減少，但省內(nèi)光伏建設(shè)的需求和規(guī)模卻逐年上升，促使本省光伏建設(shè)向區(qū)縣化的分布式光伏靠攏，分布式光伏電站可在工業(yè)園區(qū)、物流倉儲(chǔ)等大面積集中廠房中尋求可用屋面，可節(jié)省建設(shè)用地，具有明顯的用地優(yōu)勢，屋面光伏已成為擴(kuò)大分布式光伏規(guī)模的重要發(fā)展趨勢。

分布式光伏潛力預(yù)測對分布式光伏的安裝有以下幾方面的促進(jìn)作用：第一，可使電力部門了解市內(nèi)具有分布式光伏

發(fā)展?jié)摿Φ墓ど虡I(yè)用戶并制定詳細(xì)的發(fā)展規(guī)劃；第二，通過圖像識別得到的可用建筑面積，為工商業(yè)用戶提供光伏建設(shè)造價(jià)參考。以區(qū)縣為例，其建筑分為商業(yè)住宅區(qū)、工業(yè)園區(qū)、物流倉儲(chǔ)、醫(yī)院、學(xué)校、政府機(jī)關(guān)單位等。根據(jù)2021年國家能源局發(fā)布，推進(jìn)整縣光伏的試點(diǎn)方案，要求黨政機(jī)關(guān)的覆蓋率為50%，醫(yī)院、學(xué)校為40%，工商業(yè)為30%，農(nóng)村為20%［17］，電網(wǎng)做到應(yīng)接盡接。分布式光伏電站建設(shè)在屋頂平面上，光伏組件根據(jù)實(shí)際情況按不同大小的光伏方陣布置，在適當(dāng)位置設(shè)置檢修通道，同時(shí)還應(yīng)根據(jù)光伏陣列的不同單元設(shè)計(jì)預(yù)留排風(fēng)扇位置。對于商業(yè)住宅區(qū)，其人口密度高，具有樓層高、建筑密度大等特點(diǎn)。區(qū)域樓房屋頂建筑面積小，相應(yīng)的光伏組件的鋪設(shè)面積較小，且因樓層較高，給分布式光伏建設(shè)、管理、維護(hù)等帶來不便。制造業(yè)及物流行業(yè)集中的工業(yè)園區(qū)多以平層廠房為主，樓層低，便于分布式光伏電站的建設(shè)及光伏組件的運(yùn)輸。

相比于商業(yè)住宅區(qū)，制造、物流業(yè)具有規(guī)模較大建筑面積、建筑密度較低，周邊無高層建筑遮擋，建筑投影對光伏發(fā)電的影響較??；此外，還便于消防通道的建設(shè)，有利于分布式電站后期的管理、維護(hù)、檢修等；最后，該區(qū)域?qū)Ψ植际焦夥隽Φ南{率較高，在增加綠電使用減少“棄光”的同時(shí)，減小了新能源并網(wǎng)的壓力，不會(huì)對輸電系統(tǒng)造成太大沖擊；對于無法通過調(diào)整時(shí)段響應(yīng)削峰填谷的制造業(yè)，可通過分布式光伏電站的自發(fā)自用在冬夏季節(jié)城市負(fù)荷過高時(shí)減小用電負(fù)荷的峰谷差。在工業(yè)園區(qū)內(nèi)建設(shè)的分布式光伏電站在規(guī)模達(dá)到一定程度時(shí)，可根據(jù)光伏裝機(jī)容量和光伏出力的自用率等提前規(guī)劃新能源上網(wǎng)的并網(wǎng)擴(kuò)容，有利于電網(wǎng)對分布式電網(wǎng)的監(jiān)管，做到“可觀、可測、可查、可控”。

1.2 基于語義分割的圖像建筑提取

本文采用掩膜卷積循環(huán)神經(jīng)（Mask regions with"CNN

features， Mask RCNN）語義分割網(wǎng)絡(luò)進(jìn)行圖像建筑提取，與基礎(chǔ)特征網(wǎng)絡(luò)Faster RCNN、YOLO網(wǎng)絡(luò)相比，加入了全連接的分割子網(wǎng)，由原來的分類、回歸任務(wù)變成分類、回歸、分割3個(gè)任務(wù)。算法框架由骨干網(wǎng)絡(luò)、區(qū)域建議網(wǎng)絡(luò)、Head分支3個(gè)部分組成，第一階段網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。第一階段由區(qū)域建議網(wǎng)絡(luò)（region proposal network，RPN）掃描圖像并生成建議，生成的建議區(qū)域中有可能包含目標(biāo)建筑區(qū)域。RPN采用同樣的卷積filter參數(shù)對不同的特征圖進(jìn)行卷積，卷積時(shí)不改變原始特征圖的大小。通過RPN網(wǎng)絡(luò)得到的anchor，選擇正負(fù)樣本，并計(jì)算正樣本和真實(shí)框的差距以及需預(yù)測的Mask的真實(shí)值，用于下一階段網(wǎng)絡(luò)中損失函數(shù)計(jì)算。

骨干網(wǎng)絡(luò)采用圖2所示的殘差網(wǎng)絡(luò)101（ResNet101）。對輸入的衛(wèi)星圖像進(jìn)行多尺度特征提取，再用特征金字塔網(wǎng)絡(luò)（feature pyramid network，F(xiàn)PN）將具有不同壓縮尺度的特征層進(jìn)行特征金字塔的構(gòu)造，將底層特征和高層特征進(jìn)行融合，便于建筑邊緣的細(xì)致檢測，有利于語義分割中建筑本體和建筑投影的區(qū)分。在本文實(shí)驗(yàn)中，由于數(shù)據(jù)集較大，RPN網(wǎng)絡(luò)和Mask RCNN網(wǎng)絡(luò)使用同一主干網(wǎng)絡(luò)即ResNet-101網(wǎng)絡(luò)，共享權(quán)重。區(qū)域建議網(wǎng)絡(luò)采用RPN網(wǎng)絡(luò)對先驗(yàn)框進(jìn)行解碼從而生成建議區(qū)域，全連接層分支對RPN網(wǎng)絡(luò)產(chǎn)生的建議區(qū)域進(jìn)行分類及邊界框坐標(biāo)的回歸，而頭部分支中的全卷積神經(jīng)網(wǎng)絡(luò)對建議區(qū)域中的目標(biāo)進(jìn)行像素級的分類，獲得輸出對象蒙版；最終獲得具有邊界框、目標(biāo)位置以及目標(biāo)蒙版的預(yù)測結(jié)果。

區(qū)域建議網(wǎng)絡(luò)RPN如圖3所示。k anchor boxes為在滑動(dòng)窗口點(diǎn)的上初始化參考區(qū)域，根據(jù)滑動(dòng)窗口點(diǎn)的坐標(biāo)，可計(jì)算出每個(gè)滑動(dòng)窗口點(diǎn)上取得的anchor box的具體坐標(biāo)。在產(chǎn)生數(shù)據(jù)時(shí)對每一個(gè)創(chuàng)建好的anchor box的樣本屬性進(jìn)行標(biāo)注，并給出需要回歸的box值，再根據(jù)傳入的特征圖和k值訓(xùn)練RPN網(wǎng)絡(luò)用于感興趣區(qū)域推薦。圖3中256-d方框代表特征圖經(jīng)過滑動(dòng)窗口得到256維特征向量。實(shí)驗(yàn)采用的語義分割第二階段如圖4所示。在第二階段中，除種類預(yù)測和bbox回歸的全連接神經(jīng)網(wǎng)絡(luò)外，還添加了一個(gè)全卷積網(wǎng)絡(luò)的分支，對每個(gè)RoI預(yù)測了對應(yīng)的二值掩膜（binary mask），以說明給定像素是否是目標(biāo)的一部分。在二值掩膜中當(dāng)像素屬于目標(biāo)建筑的所有位置上時(shí)標(biāo)識為1，其他位置標(biāo)識為0。

以圖像為中心訓(xùn)練，調(diào)整圖像大小使數(shù)據(jù)集中圖像大小比例一致，在單GPU（批次大小為2）上進(jìn)行1萬次迭代訓(xùn)練，將學(xué)習(xí)率設(shè)為0.02，衰減權(quán)重設(shè)為10-4；為減少計(jì)算量，采用非極大抑制，篩除置信度較低的建議框，僅對得分最高的建議區(qū)域進(jìn)行蒙版計(jì)算。對實(shí)驗(yàn)結(jié)果采用AP（每類目標(biāo)P-R曲線下的面積）作為模型評價(jià)指標(biāo)結(jié)果如表1所示。由表1可見，在骨干網(wǎng)絡(luò)相同的前提下，Mask RCNN語義分割的精度比其他網(wǎng)絡(luò)AP值更高，使用FPN作為骨干網(wǎng)絡(luò)提取建筑物輪廓的結(jié)果完整度較高，且預(yù)測框置信度閾值設(shè)置得越高，F(xiàn)PN網(wǎng)絡(luò)精確度提升越更，作為骨干網(wǎng)絡(luò)的優(yōu)勢越明顯。

1.3 建筑遮擋計(jì)算

為了進(jìn)一步精確計(jì)算城市建筑的分布式光伏可承載面積和容量，利用山體陰影分析進(jìn)行建筑物陰影分析估算屋頂陰影覆蓋率，實(shí)驗(yàn)使用ArcGIS軟件進(jìn)行建筑陰影分析，如圖5所示。收集長沙市的建筑數(shù)據(jù)，并轉(zhuǎn)換為山體陰影分析的數(shù)據(jù)格式，建筑數(shù)據(jù)采用shapefile格式，其中包含建筑物高程、面積等各種建筑物信息。將建筑物高程的柵格數(shù)據(jù)、太陽在地平線以上的高度、太陽的方位角等數(shù)據(jù)作為輸入，利用山體陰影算法根據(jù)太陽高度角和方位角分析建筑物陰影并計(jì)算陰影面積。除去遮陰屋頂區(qū)域和不適宜安裝區(qū)域，估算光伏安裝的可用屋頂區(qū)域。

由于建筑物陰影的存在，將陰影屋頂面積從屋頂總面積中剔除。為了將陰影屋頂區(qū)域從總屋頂區(qū)域中排除，根據(jù)以下兩個(gè)條件將空值賦給柵格單元。無建筑物區(qū)域：原始柵格中無建筑物高程數(shù)據(jù)的柵格單元；陰影區(qū)域：山體陰影分析輸出柵格中灰度值為0的柵格單元?？蓮纳襟w陰影分析的輸出光柵中提取出光伏系統(tǒng)可在無建筑物陰影干擾的情況下運(yùn)行在最佳水平的無遮擋屋頂區(qū)域的輸出結(jié)果。通過從目標(biāo)區(qū)域的總屋頂面積中減去遮陰屋頂面積和不適宜安裝區(qū)域，得到屋面分布式光伏電站的地理潛力計(jì)算公式：

[G=T-S-U]"""" （1）

式中：[G]——地球潛力；[T]——目標(biāo)區(qū)域屋頂總面積，m2；[S]——平均陰影屋頂面積，m2；[U]——不適宜安裝區(qū)域，m2。

1.4 遙感圖像建筑面積計(jì)算

實(shí)驗(yàn)采用1∶100比例尺的遙感衛(wèi)星圖像對建筑實(shí)際面積進(jìn)行計(jì)算，用于對語義分割算法結(jié)果精確度的評估。將地圖標(biāo)尺轉(zhuǎn)化為像素值，1像素等于10000/8863 m2。由于原始高分衛(wèi)星圖像中建筑具有朝向不統(tǒng)一以及形狀不規(guī)則等特點(diǎn)，需對圖像進(jìn)行不同角度的旋轉(zhuǎn)、縮放、裁剪后對面積進(jìn)行換算。以圖6為例，相關(guān)數(shù)據(jù)如表2所示。實(shí)際建筑面積計(jì)算公式如式（2）所示。

[S=h×ωα×β]" （2）

式中：[S]——建筑面積，m2；[h]——掩膜框長度，m；[ω]——掩膜框長度，m；[α]——縮放比；[β]——地圖比例。

在語義分割算法實(shí)際訓(xùn)練中，可準(zhǔn)確分割如Building2類的不規(guī)則建筑實(shí)例，對于Building4實(shí)例中的陰影覆蓋區(qū)域，通過數(shù)據(jù)預(yù)處理過程中基于雙線性插值法的圖像增強(qiáng)，減弱了反射和建筑投影對語義分割生成的建筑掩膜結(jié)果造成的干擾。分布式光伏潛力分析流程如圖7所示，首先對高分衛(wèi)星城市建筑圖像數(shù)據(jù)集進(jìn)行預(yù)處理，預(yù)處理方法及流程見3.1節(jié)。數(shù)據(jù)集中圖像數(shù)據(jù)以8∶1∶1的比例劃分為訓(xùn)練集、驗(yàn)證集和測試集，訓(xùn)練集用于計(jì)算梯度，更新權(quán)重；驗(yàn)證集用于模型原則，避免模型過擬合，根據(jù)在驗(yàn)證集上獲得的效果調(diào)整模型，選擇在驗(yàn)證集上獲得最佳效果的模型；測試集中包含本次實(shí)驗(yàn)中需統(tǒng)計(jì)面積的園區(qū)高分衛(wèi)星影像；其次，將訓(xùn)練集和驗(yàn)證集輸入深度學(xué)習(xí)網(wǎng)絡(luò)模型中對模型進(jìn)行訓(xùn)練，獲得建筑屋面識別模型，將測試集輸入訓(xùn)練好的語義分割模型，獲得各區(qū)的建筑掩碼數(shù)據(jù)；最后，將語義分割獲得的掩碼像素值轉(zhuǎn)化為實(shí)際面積，統(tǒng)計(jì)各區(qū)的可用建筑屋面面積，并根據(jù)最近年份的實(shí)際工程數(shù)據(jù)，計(jì)算可建設(shè)的分布式光伏電站總裝機(jī)容量。

2 分布式光伏屋面識別算例

2.1 衛(wèi)星圖像數(shù)據(jù)集預(yù)處理

實(shí)驗(yàn)訓(xùn)練所使用的數(shù)據(jù)集來源于基于高分遙感衛(wèi)星圖像的中國典型城市建筑實(shí)例數(shù)據(jù)集［19］。該數(shù)據(jù)集包含4個(gè)城市的7260個(gè)圖像及63886個(gè)建筑物標(biāo)簽，滿足語義分割訓(xùn)練的數(shù)據(jù)集規(guī)格要求。與自然圖像相比，衛(wèi)星圖像數(shù)據(jù)的分割難度更大。在對衛(wèi)星圖像采用語義分割提取建筑輪廓的過程中，存在不同衛(wèi)星的分辨率可能不一致，衛(wèi)星圖像一般尺寸巨大，可能導(dǎo)致高昂的計(jì)算成本，云、陽光反射等也可能使分割復(fù)雜化等問題。具體到衛(wèi)星圖像的建筑分割上，還存在建筑的投影對分割建筑本體有一定程度的影響和建筑外形具有差異，影響建筑輪廓的細(xì)分等問題。

為了解決以上問題，將不同分辨率的衛(wèi)星圖像轉(zhuǎn)化為滿足語義分割數(shù)據(jù)集要求的圖像，從衛(wèi)星圖像中分割出滿足光伏組件鋪設(shè)的建筑，構(gòu)建地區(qū)衛(wèi)星圖像語義分割數(shù)據(jù)集，數(shù)據(jù)集預(yù)處理方法路線如圖8所示。 采用雙線性插值法，利用已知鄰近像素點(diǎn)的RGB中的三色值在兩個(gè)方向分別進(jìn)行一次線性插值，產(chǎn)生未知像素點(diǎn)的RGB三色值，使原始圖像再生出更高分辨率的圖像，用于減弱反射和建筑投影對語義分割造成的干擾，增強(qiáng)建筑的語義特征，從而進(jìn)一步改善語義分割的目標(biāo)識別效果與精度。對于建筑輪廓差異度高的問題，在采用網(wǎng)絡(luò)已發(fā)布數(shù)據(jù)集的同時(shí)，采用多源影像復(fù)合進(jìn)行圖像融合，加入長沙市各區(qū)縣的衛(wèi)星圖像，并針對不同形態(tài)的建筑類型增加標(biāo)記，擴(kuò)充原有圖像數(shù)據(jù)集，解決因圖像類別單一和實(shí)例標(biāo)簽數(shù)量不足而導(dǎo)致的建筑類型樣本不平衡問題。本文將數(shù)據(jù)集進(jìn)行拓展和改進(jìn)，并在此基礎(chǔ)上進(jìn)行語義分割，提取建筑屋面，從而構(gòu)建與可建設(shè)光伏屋面識別目標(biāo)匹配度較高的具有實(shí)際使用價(jià)值的數(shù)據(jù)庫。

2.2 建筑語義分割算例

選取長沙市13個(gè)工業(yè)園區(qū)內(nèi)包含汽車制造園區(qū)、建材市場、物流倉庫等占地面積較大的建筑群的衛(wèi)星圖像數(shù)據(jù)與長沙市的光伏裝機(jī)數(shù)據(jù)進(jìn)行分析，采用空間分辨率為0.8 m的多源高分衛(wèi)星影像源，包含1∶100及1∶200比例尺下500 px×500 px的RGB三通道衛(wèi)星圖像，共計(jì)375張。

在實(shí)驗(yàn)語義分割算法結(jié)果中，由于算法的精確度以及衛(wèi)星圖像清晰度及圖像中建筑物陰影造成的影響，實(shí)驗(yàn)得出的掩膜面積與實(shí)際建筑屋面尺寸有一定偏差。由于區(qū)域建筑屋頂面積不一，為滿足分布式光伏建設(shè)經(jīng)濟(jì)性及規(guī)?；男枨?，在實(shí)驗(yàn)過程中篩選掩膜值較大的建筑屋面進(jìn)行計(jì)算，在1∶100比例尺下，選取area數(shù)值大于649的分割實(shí)例，在1∶200比例尺下，選取area數(shù)值大于100的分割實(shí)例，以保證最終統(tǒng)計(jì)的建筑實(shí)例單體面積大于300 m2。

圖9所示為長沙市某工業(yè)園區(qū)衛(wèi)星圖像的建筑屋面識別結(jié)果。本文中輸入的圖片像素為500 px×500 px，使用輸出的area來表征掩膜面積，1像素對應(yīng)0.25 m2。實(shí)驗(yàn)采用Mask-RLE變換獲得建筑掩碼的像素值。RLE是一種用于存儲(chǔ)二進(jìn)制Mask的數(shù)據(jù)格式，它將一個(gè)向量（向量圖片）分成多個(gè)包含二進(jìn)制編碼的分段，再記錄各分段的長度，其大小和Mask所擁有的邊界像素?cái)?shù)量呈正比，并可計(jì)算Mask面積，對于常規(guī)形狀的圖像掩碼，RLE的計(jì)算量為[On]，其中[n]為像素的數(shù)量。Mask-RLE變換如式（3）、式（4）所示，式中[R]向量的奇數(shù)位像素的數(shù)字記錄為0的數(shù)量，即下一個(gè)1的索引，其大小與Mask中掩膜的邊界像素?cái)?shù)量呈正比，即0和1的變換處。表3所示為圖8中6張地圖比例1∶100衛(wèi)星圖像的語義分割結(jié)果，其中area為通過Mask-RLE變換得出的掩膜像素值。

[M=[0 0 1 1 1 0 1]→R=[2 3 1 1]] （3）

[M=[1 1 1 1 1 0 0]→R=[0 6 1]]"" （4）

2.3 建筑遮擋分析

城市分布式光伏系統(tǒng)是一種應(yīng)用廣泛的太陽能光伏發(fā)電系統(tǒng)，是建設(shè)在城市建筑物屋頂?shù)墓夥l(fā)電項(xiàng)目。光伏系統(tǒng)接入公共電網(wǎng)，與公共電網(wǎng)一起為附近的用戶供電。太陽能光伏系統(tǒng)采用光伏組件將太陽能轉(zhuǎn)換為電能，可有效利用城市中的空地資源，減少對傳統(tǒng)能源的依賴，同時(shí)也可降低城市的碳排放量，實(shí)現(xiàn)可持續(xù)發(fā)展。針對長沙市分析屋頂太陽10h為建筑高程圖，圖10i～圖10l為長沙市區(qū)建筑物山體陰

能光伏系統(tǒng)潛力，圖10a～圖10d為建筑衛(wèi)星圖像，圖10e～圖影分析結(jié)果。圖10i～圖10l中白色區(qū)域?yàn)樘柲芄夥到y(tǒng)可在最優(yōu)水平下運(yùn)行的無遮擋屋頂區(qū)域；灰色區(qū)域?yàn)闊o法安裝太陽能光伏系統(tǒng)的未遮蔽地面區(qū)域；黑色區(qū)域?yàn)樘柲芄夥到y(tǒng)無法在最優(yōu)水平下運(yùn)行的總遮陰面積。

將某個(gè)時(shí)間段（如12：00—13：00）整月的太陽輻射量總和，每月15日某個(gè)時(shí)間段的可用屋頂面積，與光伏組件效率相乘，即可計(jì)算出某個(gè)時(shí)間段一個(gè)月的光伏潛力（即每小時(shí)光伏潛力）。如果對一個(gè)月內(nèi)從06：00—07：00到18：00—19：00的每個(gè)時(shí)間段都進(jìn)行上述計(jì)算，則可計(jì)算出一個(gè)月的光伏潛力。分別計(jì)算1—12月份的屋面光伏潛力，即可計(jì)算出年光伏潛力。因此，考慮到當(dāng)?shù)匚蓓數(shù)奶攸c(diǎn)和太陽的位置（全年每小時(shí)、每月和每年都在變化），可計(jì)算出現(xiàn)實(shí)可行的屋頂光伏發(fā)電潛能。

2.4 數(shù)據(jù)采集與轉(zhuǎn)換

建筑屋面光伏的太陽能輻射總量如式（5）所示，影響因素包含屋頂總面積和目標(biāo)區(qū)域的太陽輻射。建筑屋面光伏潛能計(jì)算如式（6）所示，影響因素包含建筑太陽輻射總量和可用屋面面積。

[W=A×i=112j=618k=1nRijk]""""" （5）

[PT=ePV×i=112j=618Aij×k=1nRijk] （6）

式中：W——屋面光伏系統(tǒng)全年的太陽能輻射總量；A——目標(biāo)區(qū)域建筑屋面總面積，m2；Rijk——表示第i個(gè)月第k天j～j+1時(shí)刻的太陽輻射，i=1，2，3，…，12，j=6，7，8，…，18，k=1，2，3，…，31；n——第i月的總天數(shù)；PT——建筑屋面光伏潛能；ePV——光伏組件效率；Aij——第i月第15天j—j+1時(shí)刻的屋頂可用面積，m2。

對長沙市某區(qū)域的建筑屋面不同時(shí)段的遮蔽情況進(jìn)行分析。圖11為長沙市某地區(qū)建筑物從09：00—18：00的山體遮擋情況分析結(jié)果。圖11中白色區(qū)域代表屋頂無遮擋區(qū)域，太陽能光伏系統(tǒng)可發(fā)揮最佳性能；灰色區(qū)域代表地面無遮擋區(qū)域，太陽能光伏系統(tǒng)無法安裝；黑色區(qū)域代表總遮擋區(qū)域，太陽能光伏系統(tǒng)無法發(fā)揮最佳性能。如圖11所示，從09：00—18：00，太陽能光伏系統(tǒng)能發(fā)揮最佳性能的屋頂無遮擋區(qū)域和太陽能光伏系統(tǒng)不能發(fā)揮最佳性能的遮擋區(qū)域不斷變化。

太陽能光伏系統(tǒng)能在最優(yōu)水平下工作的未遮陰屋頂區(qū)域和不能在最優(yōu)水平下工作的遮陰區(qū)域不斷變化，根據(jù)圖12所示的山體陰影分析結(jié)果，屋頂太陽能光伏系統(tǒng)的地理潛力在5月份最高，在12：00—14：00之間的可用率最高為94.34%。從6月份開始，隨著時(shí)間的推移呈下降趨勢，12月份表現(xiàn)出最低潛勢，12：00—14：00的可利用率最高為73.33%。與物理潛勢類似，地理潛勢在冬季月份（即12、1和2月份）趨于低值，平均12：00—13：00有72.12%的可用率。

另一方面，與物理位勢不同的是，地理位勢在夏季（即6—8月份）月份趨向于高值，平均下午12：00—14：00之間的可用率為91.23%。

3 長沙市光伏裝機(jī)潛力分析

以長沙市各轄區(qū)、市為例，2020—2022年分布式光伏裝機(jī)容量增長情況如圖13所示。由于政策影響，自2021年8月取消光伏補(bǔ)貼，實(shí)行光伏發(fā)電平價(jià)上網(wǎng)后，部分區(qū)縣的光伏裝機(jī)增長速度減緩，在總裝機(jī)容量占比中有下降趨勢。從圖13可看出，長沙周邊地區(qū)的光伏發(fā)電裝機(jī)容量高于主城區(qū)。由于主城區(qū)的住宅建筑群較大，建設(shè)分布式光伏電站的用地成本更高，出于經(jīng)濟(jì)性、光伏發(fā)電安裝難度及發(fā)電、用電安全的考慮，分布式光伏建設(shè)規(guī)模及建設(shè)增速低于周邊縣區(qū)，此外周邊地區(qū)的工業(yè)園區(qū)廠房規(guī)模較大，可為分布式提供更多的可用面積。

Changsha in past three years

通過分析已裝光伏的面積和待發(fā)展的屋頂光伏裝機(jī)面積估算出未來長沙市各地區(qū)光伏裝機(jī)容量的上限值，結(jié)合不考慮光伏裝機(jī)容量飽和度及長沙市各地區(qū)所占湖南省光伏裝機(jī)容量的比例的情況。根據(jù)2022年長沙分布式光伏創(chuàng)新發(fā)展論壇及長沙市人民政府政務(wù)數(shù)據(jù)，截至2021年底，湖南省分布式光伏總裝機(jī)容量達(dá)231萬kW，長沙市分布式光伏總裝機(jī)容量達(dá)35萬kW。湖南省發(fā)改委印發(fā)的《湖南省“十四五”可再生能源發(fā)展規(guī)劃》指出，到2025年，湖南省計(jì)劃光伏裝機(jī)將達(dá)到1300萬kW，根據(jù)2021年長沙市占湖南省分布式光伏裝機(jī)容量的比例，在分布式光伏總裝機(jī)比重不變的情況下，2025年長沙市裝機(jī)容量預(yù)計(jì)達(dá)到197萬kW。

根據(jù)工信部國家先進(jìn)制造業(yè)集群名單顯示，長沙市具有規(guī)模較大的工程機(jī)械集群，這些產(chǎn)業(yè)園區(qū)可為分布式光伏電站提供建設(shè)場地、零部件配套，同時(shí)分布式光伏電站的建設(shè)可促進(jìn)光伏產(chǎn)業(yè)鏈的形成，未來將會(huì)有較大的市場空間。在今后的光伏發(fā)展建設(shè)中，結(jié)合“十四五”規(guī)劃，企業(yè)和用戶可進(jìn)一步利用主城區(qū)內(nèi)工業(yè)園區(qū)建筑面積進(jìn)行分布式光伏發(fā)電站的建設(shè)。在二環(huán)線以內(nèi)，有大量以工業(yè)園及建材市場為主的可用建筑面積，可充分利用其地理位置的優(yōu)勢，安裝分布式光伏發(fā)電裝置，在提供自用的同時(shí)余電上網(wǎng)。圖14為該研究中測算的13個(gè)工業(yè)園區(qū)所在位置的衛(wèi)星圖像，圖像來源于Google Earth。測算的園區(qū)包括長沙市的5個(gè)國家級產(chǎn)業(yè)園區(qū)、6個(gè)省級產(chǎn)業(yè)園區(qū)以及2個(gè)省級特色園區(qū)，選取的園區(qū)內(nèi)包含了長沙市的大型產(chǎn)業(yè)集群，通過對13個(gè)園區(qū)衛(wèi)星圖像的預(yù)處理和語義分割，得到了大體量的分布式光伏發(fā)電站建設(shè)用地，證明工業(yè)園區(qū)聚集區(qū)具有較大分布式光伏電站開發(fā)潛力。

表4為長沙13個(gè)工業(yè)園區(qū)建筑面積的實(shí)際統(tǒng)計(jì)表。area數(shù)值為不同比例尺下園區(qū)衛(wèi)星圖像語義分割結(jié)果中建筑像素的總和。面積為1∶100尺度及1∶200尺度下圖像area數(shù)值換算結(jié)果的統(tǒng)計(jì)值，13個(gè)工業(yè)園區(qū)的建筑屋面合計(jì)測算面積為41795262 m2。根據(jù)湖南省2021年實(shí)際分布式光伏建設(shè)項(xiàng)目文件，分布式光伏發(fā)電站采用540 W的單晶光伏組件，單塊組件長2279 mm，寬1134 mm。在考慮在屋面布置光伏方陣時(shí)，應(yīng)考慮光伏發(fā)電設(shè)備最佳傾角和最佳方位角，在長沙市，光伏組件傾角為20°時(shí)，單位面積年總輻射量最高，發(fā)電效率比水平安裝的光伏組件高18%；最佳方位角180°，正南朝向。考慮屋面利用率最大化，預(yù)留光伏方陣間傾角位置和檢修通道，以及便于安裝維護(hù)需求的前提下，實(shí)驗(yàn)中測算的屋面可建設(shè)的分布式光伏電站總?cè)萘繛?01.6萬kW，統(tǒng)計(jì)屋面可覆蓋未來3～5年的分布式光伏電站建設(shè)用地需求。

結(jié)合圖13、圖14、表3，長沙市各區(qū)近年分布式光伏裝機(jī)容量發(fā)展趨勢、工業(yè)園區(qū)的空間分布以及基于圖像的工業(yè)園區(qū)光伏潛力分析來看，天心、雨花、湘江新區(qū)3個(gè)分布式光伏裝機(jī)容量較低的區(qū)分別包含1～2個(gè)較大的工業(yè)園區(qū)，其中天心經(jīng)開區(qū)、雨花經(jīng)開區(qū)、長沙高新區(qū)的衛(wèi)星圖像中建筑屋面的統(tǒng)計(jì)面積較大，可在未來的分布式光伏建設(shè)規(guī)劃中優(yōu)先考慮，以提高上述地區(qū)的分布式光伏裝機(jī)容量，增加地區(qū)的新能源發(fā)電占比，縮小區(qū)域光伏發(fā)展差距，為建設(shè)光伏電站的工業(yè)企業(yè)提供自用電，進(jìn)一步提升用電的經(jīng)濟(jì)性。

4 結(jié) 論

針對湖南省不斷增長的負(fù)荷及光伏發(fā)電的建設(shè)需求，在分析光伏發(fā)電現(xiàn)狀與負(fù)荷趨勢的基礎(chǔ)上，提出一種新型的光伏發(fā)電可建設(shè)用地識別方法。通過本文所提出的屋面光伏面積測算方法，可得以下主要結(jié)論：

1）擴(kuò)充了原有數(shù)據(jù)集，增加了不同形態(tài)下的建筑標(biāo)簽，并對數(shù)據(jù)集和模型進(jìn)一步優(yōu)化，提升其在建筑環(huán)境較為復(fù)雜的背景下的建筑識別準(zhǔn)確率。

2）根據(jù)高分衛(wèi)星圖像，識別長沙市內(nèi)13個(gè)工業(yè)園區(qū)可用光伏建設(shè)規(guī)模較大的場地，并給出可用建設(shè)面積列表以及可建設(shè)光伏組件數(shù)量和可建設(shè)容量，最終得到各區(qū)屋面可承載光伏容量統(tǒng)計(jì)值。

3）根據(jù)國家能源局光伏電站現(xiàn)行標(biāo)準(zhǔn)以及長沙市歷年分布式光伏出力，結(jié)合屋面可承載容量分析及采用建筑山體遮擋分析按小時(shí)、月對長沙市各區(qū)太陽能光伏潛能計(jì)算。

4）本文針對長沙市6個(gè)區(qū)，1個(gè)縣和2個(gè)縣級市內(nèi)的13個(gè)工業(yè)園區(qū)進(jìn)行語義分割及建筑陰影分析實(shí)驗(yàn)得出結(jié)論，提取的可用于光伏建設(shè)的屋面總面積為42 km2，可建設(shè)的分布式光伏發(fā)電站的總?cè)萘繛?01.6萬kW。

5）所述城市分布式潛力評估方法評估的建筑尺度較大、精度較高、算法運(yùn)算成本較低，可應(yīng)用于不同城市的光伏潛能定量空間分析。

本文簡要分析了陰影遮擋對建筑屋面光伏的影響，由于屋面斜坡特征難以確定，識別結(jié)果與實(shí)際屋面大小存在一定偏差，屋面可承載性難以直觀判斷。在未來研究中可針對具有不同傾斜度的斜面屋頂在深度學(xué)習(xí)網(wǎng)絡(luò)中增加建筑斜面正則化計(jì)算，對矢量化后的圖像加入輪廓模板進(jìn)行語義分割結(jié)果優(yōu)化。

［參考文獻(xiàn)］

［1］"""" 段建民， 王志新， 王承民， 等. 考慮碳減排效益的可再生電源規(guī)劃［J］. 電網(wǎng)技術(shù)， 2015， 39（1）： 11-15.

DUAN J M， WANG Z X， WANG C M， et al. Renewable power planning considering carbon emission reduction benefits［J］. Power system technology， 2015， 39（1）： 11-15.

［2］"""" 王君， 余本東， 王矗垚， 等. 太陽能光伏光熱建筑一體化（BIPV/T）研究新進(jìn)展［J］. 太陽能學(xué)報(bào)， 2022， 43（6）： 72-78.

WANG J， YU B D， WANG C Y， et al. New advancements of building integrated photovoltaic/thermal system（BIPV/T）［J］. Acta energiae solaris sinica， 2022， 43（6）： 72-78.

［3］"""" 關(guān)立， 黃國棟， 吳鋒， 等. 面向高比例分布式光伏的電力調(diào)度及市場化機(jī)制研究［J］. 浙江電力， 2022， 41（8）： 10-16.

GUAN L， HUANG G D， WU F， et al. Research on power dispatching and marketization mechanism for high-proportion" distributed" photovoltaic［J］." Zhejiang" electric power， 2022， 41（8）： 10-16.

［4］"""" 任林濤， 汪飛， 楊柳柳， 等. 分布式光伏電站系統(tǒng)效率模型分析與研究［J］. 太陽能學(xué)報(bào)， 2019， 40（6）： 1599-1606.

REN L T， WANG F， YANG L L， et al. Analysis and research on efficiency models of distributed PV power system［J］. Acta energiae solaris sinica， 2019， 40（6）： 1599-1606.

［5］"""" 邢文繼， 金燕， 仇曉蘭， 等. 高分辨率SAR子孔徑圖像相干性分析及其地物分類應(yīng)用［J］. 中國科學(xué)院大學(xué)學(xué)報(bào)， 2022， 39（6）： 764-775.

XING W J， JIN Y， QIU X L， et al. Coherence analysis of high resolution SAR sub-aperture image and its application in ground feature classification［J］. Journal of University of Chinese Academy of Sciences， 2022， 39（6）： 764-775.

［6］"""" 譚衢霖. 高分辨率多光譜影像城區(qū)建筑物提取研究［J］. 測繪學(xué)報(bào)， 2010， 39（6）： 618-623.

TAN Q L. Urban building extraction from VHR multi-spectral images using object-based classification［J］. Acta geodaetica et cartographica sinica， 2010， 39（6）： 618-623.

［7］"""" 李亮， 王成， 李世華， 等. 基于機(jī)載LiDAR數(shù)據(jù)的建筑屋頂點(diǎn)云提取方法［J］. 中國科學(xué)院大學(xué)學(xué)報(bào)， 2016， 33（4）： 537-541.

LI L， WANG C， LI S H， et al. Building roof point extraction" based" on" airborne" LiDAR" data［J］. Journal of University of Chinese Academy of Sciences， 2016， 33（4）： 537-541.

［8］"""" 趙傳， 張保明， 陳小衛(wèi)， 等. 一種利用點(diǎn)云鄰域信息的建筑物屋頂面高精度自動(dòng)提取方法［J］. 測繪學(xué)報(bào)， 2017， 46（9）： 1123-1134.

ZHAO C， ZHANG B M， CHEN X W， et al. Accurate and automatic building roof extraction using neighborhood information""" of"" point"" clouds［J］."" Acta"" geodaetica""" et cartographica sinica， 2017， 46（9）： 1123-1134.

［9］"""" WEI Y F， ZHAO Z M， SONG J H. Urban building extraction"" from"" high-resolution"" satellite"" panchromatic image using clustering and edge detection［C］//2004 IEEE International Geoscience and Remote Sensing Symposium， Anchorage， AK， USA， 2004： 2008-2010.

［10］""" BISCHKE" B，" HELBER" P，" FOLZ" J，" et" al." Multi-task learning for segmentation of building footprints with deep neural networks［C］//2019 IEEE International Conference on Image Processing （ICIP）， Taipei， China， 2019： 1480-1484.

［11］""" MOKHTARZADE M， VALADAN ZOEJ M J. Road detection"" from"" high-resolution"" satellite"" images"" using artificial"" neural"" networks［J］."" International"" journal"" of applied earth observation and geoinformation， 2007， 9（1）： 32-40.

［12］""" YU J F， WANG Z C， MAJUMDAR A， et al. DeepSolar： a machine learning framework to efficiently construct a solar deployment" database"" in"" the"" United"" States［J］." Joule， 2018， 2（12）： 2605-2617.

［13］""" 陳楊， 何勇. 基于農(nóng)村分布式光伏電站勘測的小型無人機(jī)傾斜攝影系統(tǒng)及試驗(yàn)［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2019， 35（22）： 305-313.

CHEN Y， HE Y. Small UAV oblique camera system design and test for distributed photovoltaic power station survey［J］."" Transactions"" of""" the""" Chinese""" Society""" of Agricultural Engineering， 2019， 35（22）： 305-313.

［14］""" 周穎， 葉紅， 王彤， 等. 基于多尺度CNN的光伏組件缺陷識別［J］. 太陽能學(xué)報(bào)， 2022， 43（2）： 211-216.

ZHOU Y， YE H， WANG T， et al. Photovoltaic module defect identification based on mulit-scale convolution neural network［J］. Acta energiae solaris sinica， 2022， 43（2）： 211-216.

［15］""" 藺阿琳. 城市太陽能可利用空間評估與規(guī)劃研究： 以哈爾濱為例［D］. 哈爾濱： 哈爾濱工業(yè)大學(xué)， 2020.

LIN A L. Research on assessment and planning of available space of urban solar applications［D］. Harbin： Harbin Institute of Technology， 2020.

［16］""" LONG J， SHELHAMER E， DARRELL T. Fully convolutional networks for semantic segmentation［C］//2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， Boston， MA， USA， 2015： 3431-3440.

［17］""" 張敏， 李愛武， 計(jì)枚選. “整縣推進(jìn)”模式下屋頂分布式光伏發(fā)電項(xiàng)目的典型設(shè)計(jì)方案和設(shè)計(jì)要點(diǎn)探討［J］. 太陽能， 2022（11）： 16-21.

ZHANG M， LI A W， JI M X. Discussion on typical design scheme and key design points of rooftop distributed PV power generation project under the mode of “county-wide promotion”［J］. Solar energy， 2022（11）： 16-21.

［18］""" MOHAMMAD R A， 李軍. 基于Faster R-CNN的城市道路目標(biāo)檢測［J］. 電子技術(shù)與軟件工程， 2023（1）： 149-152.

MOHAMMAD R A， LI J. Urban road object detection based" on" Faster" R-CNN［J］." Electronic" technology" amp; software engineering， 2023（1）： 149-152.

［19］""" 吳開順， 鄭道遠(yuǎn)， 陳妍伶， 等. 中國典型城市建筑物實(shí)例數(shù)據(jù)集［J］. 中國科學(xué)數(shù)據(jù)， 2021， 6（1）： 184-192.

WU K S， ZHENG D Y， CHEN Y L， et al. A dataset of building instances of typical cities in China［J］. China scientific data， 2021， 6（1）： 184-192.

SATELLITE IMAGE-BASED ASSESSMENT OF DISTRIBUTED PV POTENTIAL ON URBAN ROOFS

Peng Shurong1，He Jieni2，Liu Taowen3，Li Bin1，Su Sheng1，Zhuang Jie1

（1. School of Electrical and Information Engineering， Changsha University of Science and Technology， Changsha 410114， China；

2. State Grid Yiyang Power Supply Company， Yiyang 413000， China；

3. State Grid Hunan Electric Power Company Dispatching and Control Center， Changsha 410004， China）

Abstract：Combined with the development of photovoltaic technology at the municipal level and the characteristics of different land uses in the city. Satellite images are used to identify building areas suitable for installing distributed photovoltaic technology in various regions of Changsha City. Based on the sun's altitude and azimuth angles， the shadow of buildings on the roof is analyzed through mountain shadows to calculate the rooftop photovoltaic carrying capacity of the area. Conduct research on distributed photovoltaic planning for market side， manufacturers， and power grid departments. The experiment provides a clear geographical list and available area for the photovoltaic construction party and the power grid through identification results， as well as a prediction of the newly added distributed photovoltaic installed capacity based on actual construction projects， providing new solutions to the problem of insufficient land for distributed photovoltaic power stations.

Keywords：renewable energy； distributed power generation； deep learning； semantic segmentation； satellite imagery