Mohammad Aslani, forskare inom Geospatial Informationsvetenskap på Högskolan i Gävle, har utvecklat en AI-metodik som i flera steg gör placeringen av solpaneler på hustak mer träffsäker.
Att avgöra hur mycket el man kan få ut av att placera solceller på tak är svårt. För privatpersoner kan solpaneler vara en bra investering till villan – men utmaningen är att avgöra hur många paneler som behövs och hur de ska placeras för att optimera mängden el man får ut.
– Att montera för många solpaneler på villataket ger ett elöverskott som inte genererar särskilt mycket pengar när elen säljs på marknaden, och för få solceller ger för lite el i förhållande till investeringskostnaden. Solceller är dyra, och det gäller att hitta en balans som konsument för att investeringen ska löna sig så mycket som möjligt, säger Mohammad Aslani.
Inom ramen för Mohammad Aslanis doktorsavhandling har han och Stefan Seipel, professor i datavetenskap, utvecklat en AI-metodik som i flera nivåer bedömer potentialen för solpaneler på hustak. Metodiken kan vara av nytta på mikronivå för enskilda husägare, såväl som på makronivå för kommunala stadsplanerare eller fastighetsbolag.
– Forskningen har betydelse som bidrag till beslutsunderlag. Om man som stadsplanerare vill se över potentialen för solenergi för en hel stadsdel är det viktigt att bedömningen blir så träffsäker som möjligt, både av ekonomiska och miljömässiga skäl, säger Mohammad Aslani.
Med hjälp av offentligt tillgängliga Lantmäterikartor, flygfoton och så kallad punktmåldata, så kan AI-motorn i ett första steg sålla ut alla tak på ett foto av en stadsdel. I nästa steg bedöms takens lutning och väderstreck, och i ett tredje steg tar AI:n hänsyn till varje enskilt taks struktur med skorstenar, vinklar, och ger sedan ett förslag på hur många solpaneler som bör monteras på varje tak, och hur de bör placeras för att bli så träffsäkra och effektiva som möjligt. Totalt består metodiken av sex olika AI-motorer – två för varje steg i processen ovan.
I två fallstudier, en i Göteborg och en i Uppsala, har den nya AI-metodiken visat sig öka träffsäkerheten jämfört med tidigare metoder.
– De befintliga metoderna är många gånger för optimistiska och överskattar det förväntade energiutbytet eftersom de inte är lika detaljerade som vår metod, och inte tar hänsyn till rumsliga detaljer som påverkar eller hindrar placeringen av solcellerna, säger Stefan Seipel.
Nästa steg i Mohammad Aslanis forskning blir att bygga vidare på AI:n så att den även tar hänsyn till energibehovet i en byggnad vid bedömning av antalet solpaneler.
– Jag skulle också vilja vända på tankesättet och forska kring hur hus och hustak skulle kunna byggas för att få ut så mycket så möjligt av solpaneler, säger Mohammad Aslani.
Länkar till vetenskapliga artiklar
Computational and spatial analyses of rooftops for urban solar energy planning
A fast instance selection method for support vector machines in building extraction
Efficient and decision boundary aware instance selection for support vector machines