Computational and spatial analyses of rooftops for urban solar energy planning

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: onr:"swepub:oai:DiVA.org:hig-39741" >

1 av
Föregående post
Till träfflistan

Aslani, MohammadHögskolan i Gävle,Datavetenskap (författare)

Computational and spatial analyses of rooftops for urban solar energy planning

BokEngelska2022

Förlag, utgivningsår, omfång ...

Gävle :Gävle University Press,2022
103 s.
electronicrdacarrier

Nummerbeteckningar

LIBRIS-ID:oai:DiVA.org:hig-39741
ISBN:9789188145932
ISBN:9789188145949
https://urn.kb.se/resolve?urn=urn:nbn:se:hig:diva-39741URI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska, svenska &language:-1_t

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:vet swepub-contenttype
Ämneskategori:dok swepub-publicationtype

Serie

Doctoral thesis ;31

Anmärkningar

In cities where land availability is limited, rooftop photovoltaic panels (RPVs) offer high potential for satisfying concentrated urban energy demand by using only rooftop areas. However, accurate estimation of RPVs potential in relation to their spatial distribution is indispensable for successful energy planning. Classification, plane segmentation, and spatial analysis are three important aspects in this context. Classification enables extracting rooftops and allows for estimating solar energy potential based on existing training samples. Plane segmentation helps to characterize rooftops by extracting their planar patches. Additionally, spatial analyses enable the identification of rooftop utilizable areas for placing RPVs. This dissertation aims to address some issues associated with these three aspects, particularly (a) training support vector machines (SVMs) in large datasets, (b) plane segmentation of rooftops, and (c) identification of utilizable areas for RPVs. SVMs are among the most potent classifiers and have a solid theoretical foundation. However, they have high time complexity in their training phase, making them inapplicable in large datasets. Two new instance selection methods were proposed to accelerate the training phase of SVMs. The methods are based on locality-sensitive hashing and are capable of handling large datasets. As an application, they were incorporated into a rooftop extraction procedure, followed by plane segmentation. Plane segmentation of rooftops for the purpose of solar energy potential estimation should have a low risk of overlooking superstructures, which play an essential role in the placement of RPVs. Two new methods for plane segmentation in high-resolution digital surface models were thus developed. They have an acceptable level of accuracy and can successfully extract planar segments by considering superstructures. Not all areas of planar segments are utilizable for mounting RPVs, and some factors may further limit their useability. Two spatial methods for identifying RPV-utilizable areas were developed in this realm. They scrutinize extracted planar segments by considering panel installation regulations, solar irradiation, roof geometry, and occlusion, which are necessary for a realistic assessment of RPVs potential. All six proposed methods in this thesis were thoroughly evaluated, and the experimental results show that they can successfully achieve the objectives for which they were designed.
I städer där marktillgången är begränsad erbjuder takmonterade solpaneler (eng. rooftop photovoltaic panels) ett attraktivt alternativ för att tillfredsställa höga energibehov. Noggrann värdering av deras potantial f förhållande till spatial utbredning och variation är dock oumbärlig för framgångsrik energi planering. För detta krävs klassificering och segmentering av plana ytor samt spatial analys. Klassificering möjliggör extrahering av hustak och uppskattning av solenergipotentialen baserat på befintliga träningsprov. Segmentering i plan hjälper till att karakterisera hustaken genom extrahering av deras plana segment och spatial analys möjliggör identifiering av användbara takytor för placering av takmonterade solpaneler. Denna avhandlings syfte ät att adressera olika problem associerade med dessa; särskilt: (a) träning av stödvektormaskiner (eng. support vector machines) för stora datamängder, (b) segmentering i plan av hustakspunkter och (c) identifiering av lämpliga ytor för placering av takmonterade solpaneler. Stödvektormaskiner tillhör de mest kraftfulla klassificeringsmetoderna och vilar på en solid teoretisk grund. Men på grund av högkomplexitet under träningsfasen är de tidskrävande, vilket gör dem olämpliga för stora datamängder. Två nya initiala urvalsmetoder (eng. instance selection methods) för data föresås för att påskynda träningsfasen i stödvektormaskiner. Metoderna är baserade på lokalitetskänslig hashning och kan hantera stora datamängder. De inkorpooreras i en applikation i form av extrahering av takyta föjlt av segmentering i plan. Segmentering av hustak för uppskattning av solenergipotential bör inkludera låg risk att förbise överbyggnader, som spelar en viktig roll vid placering av takmonterade solpaneler. Två nya metoder för segmentering i plan för högupplösta digitala ytmodeller har därför utvecklats. De har en acceptabel nivå av noggrannhet och kan framgångsrikt extrahera plana segment genom att ta hänsyn till överbyggnader. Alla ytor med extraherade plana segment är dock inte användbara för montering av takmonterade solpaneler, samtidigt som andra faktorer ytterligare kan begränsa ytornas användbarhet. Två spatiala metoder för att identifiera användbara takmonterade solpanelytor har utvecklats för detta ändamål. De granskar extraherade plana segment genom att ta hänsyn till regler för panelinstallationer, solinstrålning, takgeometri och ocklusion, vilket är nödvändigt för en realistisk bedömning av potentialen av takmonterade solpaneler. Samtliga sex föreslagna metoder i denna studie har utvärderats noggrant och de experimentella resultaten visar att de framgångsrikt kan uppnå de mål som de utformades för.

Ämnesord och genrebeteckningar

NATURVETENSKAP Geovetenskap och miljövetenskap Annan geovetenskap och miljövetenskap hsv//swe
NATURAL SCIENCES Earth and Related Environmental Sciences Other Earth and Related Environmental Sciences hsv//eng
NATURVETENSKAP Geovetenskap och miljövetenskap Multidisciplinär geovetenskap hsv//swe
NATURAL SCIENCES Earth and Related Environmental Sciences Geosciences, Multidisciplinary hsv//eng
NATURVETENSKAP Data- och informationsvetenskap Annan data- och informationsvetenskap hsv//swe
NATURAL SCIENCES Computer and Information Sciences Other Computer and Information Science hsv//eng
Machine learning
Classification
Segmentation
Support vector machines
Instance selection
Rooftop plane segmentation
Photovoltaic panels
Utiliz-able rooftop areas
Geoinformatics
maskininlärning
klassificering
segmentering
stödvektormaskiner
urval av träningsdata
segmentering av takytor
solcellspaneler
utnyttjande av takytor
geoinformatik
Hållbar stadsutveckling
Sustainable Urban Development

Biuppslag (personer, institutioner, konferenser, titlar ...)

Seipel, Stefan,Professor,1968-Högskolan i Gävle,Datavetenskap(Swepub:hig)ssl (preses)
Brandt, S. Anders,1970-Högskolan i Gävle,Samhällsbyggnad(Swepub:hig)sab (preses)
Åhlén, JuliaHögskolan i Gävle,Datavetenskap,Samhällsbyggnad(Swepub:hig)jae (preses)
Heppenstall, Alison Jane (opponent)
Högskolan i GävleDatavetenskap (creator_code:org_t)

Internetlänk

Till lärosätets databas

1 av
Föregående post
Till träfflistan

Hitta mer i SwePub

Av författaren/redakt...: Aslani, Mohammad; Seipel, Stefan, ...; Brandt, S. Ander ...; Åhlén, Julia; Heppenstall, Ali ...

Om ämnet

NATURVETENSKAP: NATURVETENSKAP; och Geovetenskap och ...; och Annan geovetensk ...

NATURVETENSKAP: NATURVETENSKAP; och Geovetenskap och ...; och Multidisciplinär ...

NATURVETENSKAP: NATURVETENSKAP; och Data och informa ...; och Annan data och i ...

Delar i serien: Doctoral thesis ...

Av lärosätet: Högskolan i Gävle

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se