Zonnepanelen tellen met behulp van ‘deep learning’

5 augustus 2019

Inventariseren en monitoren vanuit de lucht

Zonnepanelen op daken, in weilanden, op geluidsschermen. Overal waar je kijkt. De vergelijking met de paddenstoelen ‘die uit de grond schieten’ is niet helemaal ongegrond. Natuurlijk is (bijna) alles keurig door regelgeving georganiseerd. Echter, we weten niet van elkaar waar de collectoren worden gerealiseerd. En het gaat best wel snel. De vraag die een NEO-team zich najaar 2018 stelde was ‘Kunnen we vanuit de lucht en ruimte nu niet gewoon de zonnepanelen inventariseren en monitoren en hoe zouden we dat dan doen’? In dit artikel vertellen we wat over onze oplossing om de inventarisatie zo volledig en actueel mogelijk te krijgen en te houden.

Door Loek van Oijen en Rob Beck

Stroomdiagram zonnepaneeldetectie.

In Nederland mogen we ons rijk prijzen met onze infrastructuur aan luchtfoto’s, panoramabeelden, obliekbeelden en, last but no longer least, satellietbeelden. De infrastructuur is belangrijk omdat we er redelijk zeker van kunnen zijn dat data beschikbaar zijn, tegen een redelijke prijs of als open data, en je niet aan een leverancier gebonden bent als wat je koopt niet goed is.
In het Satellietdataportaal (www.satellietdataportaal.nl) dat het Netherlands Space Office beheert, bevinden zich sinds 2012 satellietbeelden die Nederlandse gebruikers zonder kosten mogen gebruiken. Sinds maart van dit jaar is daar weer een verbetering in doorgevoerd. Dit jaar worden beelden ingewonnen van de Chinese Superview-constellatie met een pixelgrootte op de grond van 50 x 50 centimeter. Tot de winter van dit jaar worden er zes bedekkingen van Nederland gerealiseerd en in het portaal ontsloten. Na opname zijn de data binnen enkele dagen beschikbaar.

Signalering mutaties
Het nut van die data is dat verschillen tussen achtereenvolgende opnamen goed zichtbaar kunnen worden gemaakt. U ziet een aantal voorbeelden op deze pagina. De data zijn een uitstekende grondstof voor de signalering van mutaties. Voor NEO is dat al sinds twintig jaar core business en het hoofdonderwerp van onze innovaties. We worden steeds beter in de geautomatiseerde beeldanalyse van mutaties. Veel analysemethoden zijn in ontwikkeling en dat is voor de zonnepanelen ook zo. In de typische NEO-systematiek speuren we met ‘deep learning’-algoritmen op alle beeldmateriaal dat voor ons beschikbaar komt of we veranderingen op daken en percelen kunnen identificeren. Zo ja, dan wordt binnen dit dak gezocht naar objecten die mogelijk een zonnepaneel zijn. Het ‘learning’-aspect van dit proces betekent dat we door het algoritme ‘te straffen’ voor foutieve detectie (en dat is mensenwerk) steeds betere resultaten krijgen. Geleidelijk wordt de database ‘steeds beter en completer’. We werken eraan om eind 2019 de zonnepanelen in Nederland voor minstens 95 procent volledig in beeld te hebben en de informatie op dat niveau te houden.
Aan de database met resultaten worden ook de resultaten toegevoegd die we in specifieke projecten voor Nederlandse opdrachtgevers realiseren. Dan is het resultaat in een keer heel juist en volledig (meer mensenwerk). We passen deze kennis ook toe in internationale projecten in inmiddels een viertal landen.

885 Panelen in Aldeboarn tussen september2018 (boven) en april 2019 (onder).

885 Panelen in Aldeboarn tussen september2018 (boven) en april 2019 (onder).

19.000 Panelen in Eemnes tussen november 2018 (boven) en april 2019 (onder).

19.000 Panelen in Eemnes tussen november 2018 (boven) en april 2019 (onder).

Een van de tientallen zonneparken, het Franeker zonnepark met 29.008 zonnepanelen.

Viewer
De geïdentificeerde zonnepanelen zijn voor iedereen gratis te zien in een viewer die we samen met GEOGAP hebben vervaardigd. Onjuistheden kunnen aan ons worden gemeld en die verwerken we dan. Het gebruik van de API is niet gratis, maar daar wordt ook informatie verstrekt over de grootte van de panelen, de hellingshoek en oriëntatie en de daaruit te schatten stroomproductie. Ook hierbij zijn open data onze belangrijkste gegevensbronnen.

Voorbeeld van de werking van het ‘deep learning’-algoritme. In dit geval heeft het algoritme het onderscheid tussen serre en zonnepaneel correct gemaakt.

In de Zonnepanelen API worden hellingshoek, oriëntatie en wattage berekend aan de hand van Open Data zoals het AHN.

Loek van Oijen en Rob Beck zijn beiden werkzaam bij NEO. Voor meer informatie zie 

Website Neo
Website Neo | Zonnepanelenviewer

Comments are closed.