D’après pv magazine International
Un groupe de scientifiques d’Allemagne a mis au point une nouvelle méthode fondée sur l’apprentissage en profondeur pour déterminer le potentiel de PV en toiture d’une ville. La nouveauté consiste en sa capacité de prendre en compte les superstructures présentes sur les toits.
« La présence d’obstacles, comme des fenêtres ou des cheminées, rend parfois l’installation de dispositifs solaires impossible à ces endroits du toit. La surestimation du potentiel de solaire en toiture peut être en grande partie évitée si l’on prend en compte ces superstructures », explique Qingyu Li, chercheuse à l’Université technique de Munich et autrice principale de l’étude, à pv magazine.
« Nous avons conçu un réseau d’apprentissage multitâches capable d’apprendre simultanément la carte de l’orientation des toits et celle des superstructures de toiture. Plus précisément, on intègre d’abord des masques de segmentation des toits, puis on les attribue à des caractéristiques contextuelles et multi-échelles afin de poursuivre l’apprentissage des orientations et des superstructures en toiture, ajoute-t-elle. De cette manière, il est possible non seulement d’améliorer les informations concernant les toits des bâtiments, mais aussi de supprimer les éléments de fond gênants, comme les voitures et les routes. »
Réseau de neurones convolutif
Le cadre se fonde sur un réseau de neurones convolutif (RNC), une catégorie d’algorithmes d’apprentissage en profondeur. Baptisé SolarNet+, il utilise le RNC pour apprendre la carte de l’orientation des toits et celle des superstructures. Il commence par extraire les catégories individuelles de segments de toit pour les classer en fonction de leur orientation, puis il exclut les zones de superstructures, qu’il a déterminées à l’aide des cartes de prévisions des superstructures de toit. Ensuite, grâce à la base de données de l’irradiation solaire, il est possible de calculer les prévisions de la production PV, à l’échelle du panneau comme à celle de la ville.
Dans un premier temps, le système a été entraîné, validé et testé sur la roof information dataset (RID), un ensemble d’informations sur les toitures regroupant 1 880 bâtiments de la petite ville allemande de Wartenberg. Les périodes d’entraînement, de validation et de test ont présenté un ratio de 7:1:2. La RID est la seule base de données disponible qui présente les superstructures, de sorte qu’il a été possible de comparer le cadre à des données factuelles.
« Pour une évaluation complète des résultats concernant l’orientation et les superstructures des toits, SolarNet+ est comparé à plusieurs méthodes à la pointe de la technologie, indiquent les chercheurs. Pour ce qui est des orientations des toits notamment, des comparaisons ont été réalisées avec cinq réseaux : DeepLab V3+, FC-DenseNet, Efficient-UNet, U-Net et SolarNet. Pour les superstructures, nous avons effectué des comparaisons avec quatre réseaux de segmentation sémantique : DeepLab V3+, FC-DenseNet, Efficient-UNet et U-Net. »
L’analyse a montré que les performances de SolarNet+ en termes de précision des prévisions sont supérieures à celles de certains concurrents pour ce qui est de l’orientation et des superstructures. À l’aide de la méthode intersection over union (IoU) qui permet de mesurer la précision, ce cadre novateur a enregistré de meilleures performances dans sept des neuf catégories de superstructures et quatre des six catégories d’orientation de toiture.
Des résultats impressionnants
Après le test sur Wartenberg, les chercheurs ont vérifié la transférabilité du système dans d’autres domaines et l’ont testé avec un ensemble de données portant sur 216 bâtiments de l’agglomération de Munich, à partir duquel ils ont recueilli manuellement des données pour compression.
« Les mesures de l’IoU pour les prévisions en matière de superstructures et d’orientation des toits sont respectivement de 20,80 % et 23,86 %, indiquent-ils. Bien sûr, il reste encore beaucoup à améliorer. Toutefois, compte tenu du fait que les toitures de Wartenberg sont très différentes de celles de Munich, les résultats obtenus sont vraiment impressionnants. »
Qingyu Li ajoute que, pour ses futurs travaux de recherche, le groupe essaiera d’améliorer la transférabilité en collectant davantage d’échantillons d’entraînement issus d’un plus large éventail de villes, et en mettant en place des techniques d’adaptation de domaine et de généralisation de domaine, afin de résoudre le problème de changement de domaine d’une ville à l’autre.
Enfin, le groupe a intégré le système dans différentes zones climatiques locales (ZCL) et l’a testé à Bruxelles, en Belgique. « Pour Bruxelles, les résultats ont montré que trois types de ZCL urbaines atteignent le meilleur rendement potentiel de solaire en toiture : les bâtiments hauts compacts, les bâtiments moyens compacts et l’industrie lourde. Le potentiel PV annuel de ces types de ZCL serait respectivement de 10,56 GWh∕an∕km², 11,77 Wh∕an∕km² et 10,70 GWh∕an∕km² », déclarent les universitaires.
Les travaux des chercheurs, qui travaillent à l’Université technique de Munich et au Munich Center for Machine Learning, sont détaillés dans l’article Deep learning-based framework for city-scale rooftop solar potential estimation by considering roof superstructures, paru dans Applied Energy.
Traduit par Christelle Taureau
Ce contenu est protégé par un copyright et vous ne pouvez pas le réutiliser sans permission. Si vous souhaitez collaborer avec nous et réutiliser notre contenu, merci de contacter notre équipe éditoriale à l’adresse suivante: editors@pv-magazine.com.
Bonjour,
je suis en contrat avec EDP jusqu’à la fin de l’année,
je dispose de 5 panneaux solaires qui deviennent ma propriété à la fin du contrat.
J’envisage de changer de prestataire de service, EDP Solar étant inexistant et non communicant/