Forschungsprojekt OASES

Die Modellierung von Energiesystemen ist die Grundlage für die Entwicklung und Integration von erneuerbaren Energien (EE) auf lokaler, nationaler, regionaler, kontinentaler und globaler Ebene. Die daraus resultierenden Energieszenarien sind entscheidend für das Verständnis der Zusammenhänge, in denen Technologien und Energielösungen entwickelt werden müssen, und tragen dazu bei, zukünftige Energiesystem optimieren zu können.

Im Bereich der Energiesystemmodellierung fehlt es an ganzheitlichen Ansätzen, die sämtliche Schritte von der Generierung von EE-Eingangsdaten, Potenzialanalyse, EE Verteilung, Zeitreihen Generierung bis hin zu Systemmodellen verbinden. Die erforderlichen Eingangsdaten sind in Bezug auf die räumliche Verteilung der erneuerbaren Energien, unter Berücksichtigung von Bestandsanlagen, Potenzialflächen und der Ressourcenbewertung sowie den darauf basierenden Zeitreihenbildung, die Schnittstellen zum Energiesystemmodell.

Das übergeordnete Ziel des Projektes ist die Entwicklung und Demonstration eines nachhaltigen AU-EU-Ökosystems für die Modellierung von Energiesystemen auf der Grundlage von Open-Source-Software und frei zugänglichen Daten.

Das Fraunhofer IEE übernimmt die Gesamtkoordination des Vorhabens und erforscht überdies die Verteilung von Erneuerbaren Energien unter Berücksichtigung verschiedener Randbedingungen.

Maschinelle Lernverfahren, insbesondere aus dem Bereich des Deep Learning, können genutzt werden, um automatisiert Informationen auf Bildern wie Luft- und Satellitenbildern abzuleiten. Dazu werden Modelle speziell für diese Aufgaben angelernt. Zur Erkennung von PV Anlagen in verschiedenen Drohnen, Luft- und Satellitenbildern wurde eigens für das Projekt ein umfangreiches Modell trainiert. Die Beschreibung der Methode und das finale Modell sind zur freien Nutzung veröffentlicht.

Wie kann ein Nutzer ohne
Programmierkenntnisse solche Modelle nutzen?

Dazu wird das von der PUT Vision Lab (Computer Vision der Poznan Universität of Technology) entwickelte OpenSource QGis Plugin „Deepness: Deep Neural Remote Sensing“ genutzt. Es bietet eine intuitiv zu bedienende Oberfläche zur Anwendung von Bilderkennung, Objektregression sowie Semantischer Segmentierung in der Domäne der Fernerkundung. Das Plugin wurde um ein im Projekt entwickeltes Modell zur Erkennung von PV-Anlagen ergänzt. Ein gemeinsam vom Fachgebiet Energiemanagement und Betrieb elektrischer Netze, dem Fraunhofer IEE sowie dem Council for Scientific and Industrial Research (CSIR) aus Südafrika entwickeltes, auf Tiefen Lernen basierende Modell zur Segmentierung von PV-Anlagen in verschiedenen aufgelösten Luft- und Satellitenbildern wurde so integriert, sodass Nutzer es ohne weitere Programmierkenntnisse direkt auf jeden Ort des Globus anwenden können.