Enabling positive energy district development. Use of machine learning techniques for the extraction of photovoltaic data within the urban morphology

Photovoltaic (PV) installations are the most common source of renewable energy in dense urban settings due to availability of suitable surfaces. However, when aiming at the development of a Positive Energy District (PED), a dense and fragmented urban tissue represents a challenge to the effectiveness of these systems due to the high population density and subsequent high energy consumption. To study the possibility of creating a PED within an already developed environment, data about existing PV installations are of primary importance. Locating and quantifying PV installations to monitor their distribution in urban areas can be a time-consuming and labor-intensive process in the absence of existing data. Use of aerial imagery and automated detection algorithms can greatly improve the efficiency and accuracy of data collection. This research project explores the use of machine learning technology as a solution to data scarcity. The work has been conducted in collaboration with the independent research center Eurac Research as part of project MODERATE (Marketable Open Data Solutions for Optimized Building-Related Energy Services), whose scope is to develop an open platform that will enable users to access and analyze real-time building data from various building database systems, and will provide insights into the many aspects of a building's performance. A model that can automatically detect PV installations from aerial imagery and that requires a relatively low level of training compared to more sophisticated algorithms has been developed as part of this project. The model is used to estimate the PV capacity installed in the town of Crevillent, Spain. This study also compares the distribution of PV installations between residential and industrial urban areas in Crevillent. Data acquired with machine learning technology and existing bottom-up data are compared and employed to analyze land use and typology of the buildings for PV installations and to identify patterns and trends in PV deployment across different parts of town. The findings demonstrate that machine learning technology provides a reliable and cost-effective option to obtaining data for decision-making in the fields of energy and urban planning. Combining this technology with bottom-up data results in even more comprehensive insights and better outcomes for urban areas seeking to optimize their energy supply while minimizing economic resources. Through data analysis, this research project also emphasizes the role of PV energy planning in different urban morphologies to foster the development of PEDs. The combination of machine learning technology and urban morphology analysis allows for the identification of strategies to harmoniously integrate PV installations into the urban fabric, ultimately contributing to the creation of sustainable and self-sufficient urban areas. The data of PV energy production and consumption in Crevillent show that the use of roof surfaces of industrial buildings is required to reach a positive energy balance there; this could be achieved through the creation of a cooperative to mediate the interests of the different stakeholders. The same solution may be applicable to other towns of similar characteristics across Europe.

Le installazioni fotovoltaiche (PV) sono la fonte di energia rinnovabile più comune in contesti urbani densi, grazie alla disponibilità di superfici idonee. Tuttavia, quando si mira allo sviluppo di un Distretto a Energia Positiva (PED), un tessuto urbano denso e frammentato rappresenta una sfida per l'efficacia di questi sistemi a causa dell'alta densità di popolazione e del conseguente elevato consumo di energia. Per studiare la possibilità di creare un PED all'interno di un ambiente già sviluppato, i dati sulle installazioni PV esistenti sono di primaria importanza. Individuare e quantificare le installazioni PV per monitorarne la distribuzione nelle aree urbane può richiedere molto tempo e lavoro in assenza di dati esistenti. L'uso di immagini aeree e algoritmi di rilevamento automatico può migliorare notevolmente l'efficienza e l'accuratezza della raccolta dati. Questo progetto di ricerca esplora l'uso della tecnologia di apprendimento automatico come soluzione alla scarsità di dati. Il lavoro è stato condotto in collaborazione con il centro di ricerca indipendente Eurac Research nel quadro del progetto MODERATE (Marketable Open Data Solutions for Optimized Building-Related Energy Services), il cui obiettivo è sviluppare una piattaforma aperta che consenta agli utenti di accedere e analizzare i dati in tempo reale relativi agli edifici provenienti da vari sistemi di database, fornendo così informazioni sui molti aspetti delle prestazioni di un edificio. Come parte di questo progetto è stato sviluppato un modello in grado di rilevare automaticamente le installazioni PV da immagini aeree e che richiede un livello di addestramento relativamente basso rispetto ad algoritmi più sofisticati. Il modello viene utilizzato per stimare la capacità di PV installata nella città di Crevillent, in Spagna. Lo studio confronta anche la distribuzione delle installazioni PV tra le aree urbane residenziali e industriali a Crevillent. I dati acquisiti con la tecnologia di apprendimento automatico e i dati esistenti bottom-up vengono confrontati e utilizzati per analizzare l'uso del suolo e la tipologia degli edifici per le installazioni PV e per identificare modelli e tendenze nella distribuzione di PV in diverse parti della città. I risultati dimostrano che la tecnologia di apprendimento automatico fornisce un'opzione affidabile ed economica per ottenere dati per la presa di decisioni nei settori dell'energia e della pianificazione urbana. La combinazione di questa tecnologia con i dati bottom-up porta a una comprensione ancora più completa e a risultati migliori per le aree urbane che cercano di ottimizzare il loro approvvigionamento energetico riducendo al minimo le risorse economiche. Attraverso l'analisi dei dati, questo progetto di ricerca sottolinea anche il ruolo della pianificazione energetica fotovoltaica nelle diverse morfologie urbane per favorire lo sviluppo dei PED. La combinazione della tecnologia di apprendimento automatico e dell'analisi della morfologia urbana consente di identificare strategie per integrare armoniosamente le installazioni PV nel tessuto urbano, contribuendo in definitiva alla creazione di aree urbane sostenibili e autosufficienti. I dati sulla produzione e il consumo di energia PV a Crevillent mostrano che è necessario utilizzare le superfici dei tetti degli edifici industriali per raggiungere un bilancio energetico positivo; ciò potrebbe essere realizzato attraverso la creazione di una cooperativa che medi gli interessi dei diversi attori. La stessa soluzione potrebbe essere applicabile ad altre città con caratteristiche simili in Europa.