利用GIS支持的计算机视觉技术，通过卫星图像来提升电力分配监测的效率

《Electric Power Systems Research》：GIS-driven computer vision to improve power distribution monitoring using satellite images

　　N. Rodrigues | P.C.M. Meira | R. Torquato | W. Freitas | F.C.L. Trindade
坎皮纳斯大学（UNICAMP），巴西坎皮纳斯 13.083-970

摘要
近期技术进步以及免费地理空间图像和开源工具的日益普及，为各种任务的改进提供了可能；然而，电力配送方面的探索仍然不足。本文提出了一项概念验证研究，探讨了卫星图像与地理信息系统（GIS）数据的新型集成方法，以支持全球配电公司的三项关键任务：识别非法连接（电力盗窃）、绘制对网络构成风险的植被入侵地图，以及检测和估算屋顶光伏系统的安装容量，从而自动更新公用事业数据库。这些解决方案依赖于开源工具，包括人工智能、图像处理和颜色分割技术，并通过巴西一家公用事业公司的真实数据进行了验证。结果表明，基于GIS和图像的遥感技术集成提供了可扩展且成本效益高的替代方案，可替代传统的检查方法。

1. 引言
电力分配系统已从数据有限的状态发展到更高的监控水平，这得益于馈线电表、智能电表以及最近的地理空间图像的接入。虽然馈线电表和智能电表可以提供宝贵的电气量信息，使网络数据更加准确[1]，但地理空间图像也能提供补充信息。地理空间图像可通过多种方式获取，包括卫星、无人机（UAV）和机载激光雷达（LiDAR）系统。尽管这些方法在信息类型和丰富程度上存在差异，但卫星图像仍然是最易于获得的来源，因为基于UAV的调查可能受到运营成本、隐私问题和获取难度的限制，而LiDAR系统通常仅限于特定飞行路线。卫星图像通常是免费提供的、带有地理参考信息的，并且能够覆盖广阔区域，这有利于其与地理信息系统（GIS）的集成[2]。基于图像的分析使机器能够自动处理视觉数据并提取相关信息，从而减少了对现场检查和其他劳动密集型任务的需求。成像传感器、数据处理和计算资源的最新技术进步进一步扩展了这些技术的应用可能性，在电力系统领域，这类方法因其在监控和维护活动中的潜力而受到越来越多的关注。其中最突出的应用包括检测植被入侵和评估输电及配电线路上的资产状况[3,4]。

基于此观点，本文提出了一种新的方法组合概念验证，结合免费卫星图像、GIS数据集、人工智能和计算机视觉工具，以改进配电公司和社会面临的三项关键任务：（a）检测非法连接（电力盗窃）；（b）绘制植被入侵地图；（c）检测和估算屋顶光伏（PV）系统的安装容量，以便更新公用事业数据集。由于成像技术和计算资源的进步，这些大规模应用才最近变得技术上可行，尽管在获取最新和高质量图像方面仍存在挑战。据作者所知，目前文献中尚无针对这些任务的综合方法或成熟的解决方案。因此，本研究旨在展示这些方法的实际潜力，并激励电力公司在这一新兴领域进行更多投资。本文选择的主题因其对配电公司的重要性及其社会意义而选，特别是那些需要大量现场检查、耗时且成本高昂的任务。

本文结构如下：第2节讨论了能源分配网络中非法连接的检测；第3节重点讨论了对电力供应构成中断风险的林地区域的分割、绘图和排名；第4节研究了屋顶光伏系统安装功率的分割和估算；第5节总结了全文。

2. 分配网络中非法连接的识别
非技术性损失（NTL）源于读取错误、计量错误、电力盗窃（ET）或电表欺诈，定义为总能量损失与技术能量损失之间的差异[5]。除了导致网络损失增加外，NTL还可能引发其他问题，包括服务质量下降、产品品质降低、基础设施损坏、公共安全风险以及收入损失。此外，NTL还会导致普通客户支付更高的电费，并增加政府补贴[6,7]。减少NTL的难度源于多种因素，包括进行现场检查的挑战以及官僚主义、社会和预算方面的限制。本节展示了如何利用基于图像和GIS辅助的方法帮助检测和定位非法连接到网络的客户单元（即没有有效合同的情况）[5]。

本研究提出通过将建筑物的地理坐标与GIS中注册的电能表地理坐标进行关联来识别非法连接[8]。Google Open Buildings（GOB）数据集提供了通过人工智能检测到的建筑物边界的多边形。有关建筑物检测过程的详细信息，请参阅[9]。配电公司的GIS数据库通常包含电能表、设备和各种资产的大致坐标。本研究中使用了来自一家实际配电公司的以下GIS数据集：（i）CONJ：某一地区的客户群体，以多边形形式表示；（ii）LVCU、MVCU、HVCU：分别连接低压（LV）、中压（MV）和高压（HV）的客户单元的电气和地理信息；（iii）LVGU、MVGU、HVGU：分别连接LV、MV和HV的发电机单元的电气和地理信息。

基于每个对应于客户单元（CU）或发电机单元（GU）的建筑物都应在与配电网络的连接点安装电表的前提，当存在一个或多个无法分配给任何电表的建筑物区域时，该方法会标记出潜在的电力盗窃行为。具体过程如下：

2.1. 确定感兴趣区域并过滤
用户选择感兴趣区域（CONJ），然后排除该区域外的所有建筑物和客户单元。过滤过程使用了GeoPandas包（版本1.0.1）中的空间连接方法。

2.2. 确定子区域
方法的第二步是将关注区域划分为更小的子区域，然后分别进行分析。图1a展示了正方形网格的形成，每个方格根据其中包含的电表数量和建筑物数量进行评分，如公式（1）所示（图1b）。随着评分的增加，红色阴影的强度也会增加。

(1) score = Qtbuildings ? Qtmeters
下载：高分辨率图像（410KB）
下载：全尺寸图像

图1. 子区域的创建和选择过程
评分低于平均值的区域将被丢弃，从而显著缩小搜索范围。接下来的步骤将仅考虑红色标记的子区域的地理数据。

2.3. 处理GOB数据
在GOB数据集中，建筑物是通过卫星图像中的模式识别由人工智能检测到的。每个检测到的元素都会获得一个介于0到1之间的置信度分数，表示根据实际情况正确匹配的类别的概率。人工智能也可能误识别某些元素（如车辆、小型结构或车库），将其错误地标记为建筑物，从而导致检测到的对象数量过多。为了解决这个问题，对GOB提供的数据进行了过滤和处理：置信度分数低于0.75或面积小于50平方米的元素（根据[10]报告的巴西住房可负担性指标得出）被丢弃；相距20米以内或重叠的结构被合并以减少检测不准确性。使用Shapely Python包（版本2.0.6）创建一个多点对象，利用检测到的元素的中心点来合并多边形，然后应用convex_hull方法[11]生成包含所有客户单元中心点的多边形。接下来，移除距离任何电表30米以内的所有客户组（形成的多边形）。剩余的组被归类为潜在的非法连接（ET）。这些阈值20米和30米是通过大量测试确定的，并符合当地地块的平均尺寸实际情况。

图2展示了一个合并阶段的假设示例——标识出具有潜在非法连接的合并组。在这一阶段，相邻的组（在百米范围内）被合并以形成更大的区域，减少了同一区域的重复结果。

图2. 多边形合并过程——旧多边形用绿色显示，新创建的多边形用红色显示。地图数据：Google，?2024 Airbus

2.4. 将识别出的区域分类为非法连接
形成的区域在颜色不透明度上存在轻微差异（图1d），这对应于每个区域中电表的分类。黄色不透明度的强度与周围地区的低收入客户数量成正比。如果所有电表都被分类为低收入客户或该区域内没有电表，则不透明度达到最大，因为非法连接通常与社会经济因素有关。最终，结果以Keyhole Markup Language（KML）格式导出。图3展示了整个过程的流程图。

2.5. 结果与讨论
图4展示了在巴西不同地区进行的测试结果，最大的和最小的非法区域分别用红色和蓝色突出显示。颜色的强度表示没有注册电能表的区域或低收入客户单位密集的区域。尽管该方法无法识别具体的客户，但它与配电公司的实际利益高度一致，因为较大区域往往能带来更高的经济效益。为了验证结果，使用该方法识别的一个关键馈线的能量损失百分比为55%，相当于每年1.57 GWh。另一个优点是该方法的计算成本较低，因为它避免了解决关联问题的需要[12]。扫描图1中23平方公里范围内的22,000个电表大约需要10分钟。分析覆盖该公司服务区域（490万客户）的178个多边形的时间从几秒到约30分钟不等，平均为5.32分钟。此外，输入数据对电力公司来说易于获取：GOB数据集在Creative Commons Attribution（CC BY-4.0）和Open Data Commons Open Database License（ODbL）v1.0下公开可用，客户单元的地理坐标也可以从标准运营记录中轻松获取。

3. 绘制和排名植被入侵区域
由于基础设施复杂、暴露程度高以及配电系统范围广，工作人员在监控影响网络可靠性和弹性的物理方面面临挑战。架空电线容易受到植被入侵、破坏和动物接触的影响。参考文献[13]研究了保护导体和改进修剪在减少停电方面的效果，指出1995年马萨诸塞州40%的停电是由树木造成的。此外，Eversource Energy 2005年至2017年的数据显示，超过80%的风暴相关停电是由树木引起的。树木树枝接触带电导体可能导致短路、系统故障和基础设施损坏，对人类安全构成严重威胁。无论是由于风暴还是自然树枝生长，这些事件每年都会造成重大经济损失。当这种情况发生在馈线头部附近时，可能会触发上游保护机制，可能导致大范围或整个馈线网络的停电。例如，根据[14]的数据，美国每年因风暴导致的停电损失高达1500亿美元。

在此背景下，本节重点应用先进的图像处理和分割技术，并结合GIS辅助方法，来检测、绘制和优先处理对中压和低压配电网络构成潜在风险的森林区域。树轮廓是从通过Mapbox Raster Tiles API（MRTA）访问的卫星图像中提取的256 × 256像素的栅格瓦片中识别出来的，选择MRTA是因为其可访问性和覆盖范围，但也有其他公司提供类似的服务，通过API提供栅格瓦片。这些瓦片已经进行了地理配准，并与配电网络的空间坐标进行了交叉引用。那些轮廓与网络电缆相交的树木会根据关键因素进行排名，包括树木大小、受影响的客户数量、电压等级以及相应配电线路段中的线路几何形状。最终目标是支持预测性植被管理。

3.1. 构建表示感兴趣区域的图像
该过程从输入GIS中的馈线标识代码（代码ID）开始，定义研究区域。然后加载与该馈线相关的卫星图像，由于每个瓦片覆盖的范围大约为0.02平方公里，因此需要使用多个瓦片来创建包含整个网络的最小图像。基本上，API会使用所需位置的瓦片坐标和缩放级别作为参数。所开发的算法使用EPSG:4326地理坐标参考系统进行操作，该系统使用十进制度数坐标来描述地球表面的位置。因此，必须将地理坐标转换为瓦片坐标。当将坐标从十进制度数转换为瓦片坐标时，返回的瓦片包含输入坐标，但瓦片本身并不直接与该坐标相关联——它可以位于瓦片内的任何位置。关键点是，当将瓦片坐标转换回十进制度数时，它们总是指向瓦片的原点（0, 0），该原点位于瓦片的左上角，需要进行校正。在这个应用中，使用的缩放级别为18，表示每像素的地理距离为0.56米。

该方法首先获取瓦片并创建感兴趣区域的地理参考卫星图像。利用馈线的地理信息，算法计算出包含整个馈线的最小矩形（轴对齐边界框（AABB）（图5a中用白色标出）。下载：下载高分辨率图像（1MB）下载：下载全尺寸图像

图5. a) 包含整个馈线的最小矩形。中压电路用黄色表示，低压电路用蓝色表示。地图数据：Google，?2024 Airbus。b) 形成包含整个馈线的最小正方形所需的瓦片数量（63个）。地图数据：Google，?2024 Airbus。图5a中用红点标出的正方形的左上角坐标被用作定位组成最终图像的第一个瓦片的参考。然后，参考点变为瓦片的（0, 0）点（图5b中用红色标出），并使用这个初始瓦片的坐标来计算其他瓦片的位置。形成的图像大小与绘制的矩形相同或更大。给定纬度下每个瓦片表示的水平距离可以通过公式（2）近似计算。（2）Stile=2π×6,378,137×cos(latitude)×(2zoom)?1 以256 × 256像素的瓦片作为参考，每个像素表示的水平距离由公式（3）给出。（3）Spixel=Stile/256=2π×6,378,137×cos(latitude)/2zoom+8（2），假设地球是一个完美的球体；因此，结果会有较小的误差（在中纬度地区最大为0.3% [15]）。利用每个像素的水平距离值，可以根据每个瓦片参考点将图像中的每个像素坐标（x, y）转换为（latitude, longitude），如公式（4）所示。（4）latitude≈latref+(ypixel_ref?ypixel)×Spixel longitude≈longref?(xpixel_ref?xpixel)×Spixel，其中（latref, longref）是最接近的瓦片参考点的坐标（例如，图5a中的红点），（ypixel_ref,xpixel_ref）是指最近瓦片参考点的像素，（ypixel,xpixel）是要转换的像素坐标。

3.2. 色彩空间转换
算法的第二步涉及转换色彩空间，通过操控颜色范围来增强树轮廓的分割。采用了HSV色彩空间（图6a），因为它将色调、饱和度和明度分离成独立可控的组件，部分解耦了色彩信息和强度信息。这使得基于阈值的颜色分割比RGB更容易调整，因为RGB的通道容易受到照明的影响。特别是，植被通常占据狭窄的色调范围，而饱和度和明度的限制可以用来减少误报，并在饱和度低的情况下（例如阴影或雾）稳定色调。此外，HSV的几何表示（圆柱形/六角锥模型）为定义颜色阈值提供了直观的框架。下载：下载高分辨率图像（1MB）下载：下载全尺寸图像图6. 检测和地理配准轮廓的过程。底图：? Mapbox, ?OpenStreetMap, ?Maxar。

3.3. 使用双边模糊增强颜色分割
在将图像转换为HSV（在图6a中以RGB格式显示）后，应用双边模糊来增强颜色分割，同时保留边缘细节[16]。非线性高斯滤波器用于在保留清晰边缘的同时减少噪声，结合了空间滤波和强度滤波两种滤波方法。

3.4. 颜色量化
下一步是在预定义的色域内识别主导颜色，分析仅限于树冠。采用的绿色范围并不是根据特定数据集经验性拟合的，而是有意定义的，以包含卫星图像中观察到的典型树冠光谱变化。这种变化来源于物种差异、树冠密度、阳光-树冠几何形状、阴影和季节条件。因此，该范围从（H: 75°, S: 35 %, V: 15 %）延伸到（H: 175°, S: 100 %, V: 100 %），在不同光照条件下捕捉与树木相关的色调，同时排除非植被表面。落在这一区间内的像素被分类为潜在的树冠区域，并将与该范围相关的主导颜色分配给这些像素，产生一个中间表示，其中所有与树木相关的区域都映射为单一的均匀颜色（图6b）。

3.5. 检测轮廓和过滤
在识别出主导绿色色调后，对图像进行过滤以创建一个分割绿色区域的掩膜（图6c）。最后，使用OpenCV（版本4.10.0.84）库中的findContours函数检测这些绿色区域周围的轮廓。这种方法有效地突出了图像中的颜色变化，当一个轮廓嵌套在另一个轮廓内时，可以建立轮廓之间的层次关系。可以在图6d中观察到，即使掩膜（图6c）中存在某些轮廓，它们也可能缺失。这是因为非常小的树木被移除了，因为它们对配电网络来说很少构成风险。之后，将轮廓的位置从像素坐标转换为地理坐标。确定了树木的地理坐标后（图6d），创建了三个地理数据帧：第一个包含检测到的树木的数据，第二个表示低压线路的地理坐标，第三个表示中压线路的地理坐标。使用GeoPandas的Intersects方法，消除了不与任何电路相交的树木。

3.6. 树木排名
接下来，根据电路中最大的树木尺寸对树木进行排名（范围从0到1），电压等级对应于被切割的电路是低压（LV）还是中压（MV）。最严重的情况是当一棵大树同时穿过两个电路时。如果网络段受到保护（例如采用紧凑配置），相应的树木会被赋予0分[17]。在视觉表示中，轮廓填充颜色的强度根据排名而变化，分数越高，颜色越浓烈。最后，为了向公用事业公司提供高质量的信息，构建了网络的定向图。目的是分析如果树木上的保护装置（熔断器和重合器）发生故障，会影响多少客户（图7）。图中的每个节点的权重等于连接到它的客户数量。算法确定每棵树的上游保护，并汇总下游权重。这些信息在算法导出的KML文件的每棵树的标题中提供，如图8所示。下载：下载高分辨率图像（632KB）下载：下载全尺寸图像图7. 径向网络的定向图。下载：下载高分辨率图像（441KB）下载：下载全尺寸图像图8. 排名结果的示意图。为了简化结果的解释，这个因素在树木排名中被排除了。包括影响树木阴影的多个因素会使得区分它们和识别最重要的因素变得越来越困难。除了代码ID和分数外，每个标题还显示了如果相应的树木发生故障导致上游保护装置动作，将断开的低压和高压客户单元以及发电单元的数量。此外，图8还显示，随着树木接近变电站，受故障影响的客户数量会增加，因为单个保护装置会中断所有下游部分的电力。排名较高的树木通常较大，并且同时穿过两个电路。馈线的最终排名（≈0.54）是在文件标题中显示的，是各个树木分数的平均值。图9中的流程图概述了所有步骤。

3.7. 结果和讨论
结果显示，尽管树木被其他绿色元素或阴影包围，算法仍成功检测到了它们。虽然最初会错误地检测到其他元素（如草、绿色防水布等），如图6c所示，但在将检测到的轮廓与公用事业公司的GIS数据进行地理交叉引用后，这些元素被移除了。考虑到可用的卫星数据，该方法在七个大型数据集上进行了测试，在市中心表现良好，平均检测率为95%。该方法仅使用开源图像和工具就自动识别和排名了对配电网络构成风险的树木，有效地实现了其目标。虽然基于人工智能和形状识别的先进方法在文献中已被广泛研究[18]，但基于颜色的分割具有实际优势，因为它不需要训练或预先模型校准，且计算量最小。这表明，当设计得当时，简单的基于图像的技术可以提供可靠的结果。当应用于树木树冠绿色且定义明确的季节期间捕获的图像时，这种方法特别有效。结果在几秒钟内产生，所需的输入数据也易于获取。进一步的处理步骤或更高质量的图像可以提高精度。总体而言，结果突显了GIS辅助图像分析在应对复杂运营挑战方面的潜力，使电力公司能够优先处理最容易受到植被相关故障影响的区域，并更有效地规划修剪活动。

4. 估算屋顶光伏发电机的安装容量
屋顶太阳能光伏发电机（或仅屋顶光伏）已成为全球关键的可再生能源来源[19]。随着屋顶光伏单元数量的增加，相关数据对于规划和运营配电系统变得至关重要。由于信息不准确或当前对一些配电网络中安装容量的限制，客户在未与配电公司沟通的情况下不断增加其安装的发电容量。另一个常见问题是数据错误，包括关于屋顶光伏安装容量的数据。为了自动向配电数据库提供关于屋顶光伏安装容量的合理准确的信息，本部分介绍了一种使用来自Google Earth（开放图像）的卫星图像检测光伏板的方法，结合了图像预处理技术、对象分割模型和GIS辅助解决方案。除了检测之外，还估算了安装容量并将其与公用事业数据进行了比较。流程首先使用双边滤波器减少噪声并增强边缘特征，然后使用Sobel边缘分割突出光伏轮廓。提出了预处理步骤以减少噪声并提高图像分割的精度和效率。使用U-Net模型对光伏板进行分割，然后进行地理配准，并与GIS数据库中注册的相应屋顶光伏进行交叉引用。这一步骤是过程中的关键步骤，因为解决方案不仅依赖于AI结果，大大减少了错误检测。所提出的方法为检测未知的屋顶光伏安装或容量扩展提供了强大的机制，最终有助于网络管理。下面介绍了方法步骤。训练和验证数据集
构建的数据集包含400张训练图像和100张验证图像；所有图像均统一调整为256 × 256像素的大小，以符合计算限制和基于ResNet的编码器的输入尺寸。对原始数据集应用数据增强技术，以增加其规模和多样性（更多细节见下一小节）。所有图像均来自Google Earth，捕捉了巴西特定地区的房屋屋顶。主要目标是检测光伏（PV）面板，并特别关注将其与游泳池区分开来。收集图像后，使用免费的CVAT工具进行注释，这是一种用于计算机视觉的交互式视频和图像注释工具。注释完成后，数据集以Segmentation Mask 1.1格式导出，该格式为每个类别提供像素级标签，这使其特别适合训练分割模型，如U-Net。

4.2. 预处理（图10）
第一步是应用双边滤波器来减少噪声，同时保持边缘细节（如第3节所述），确保关键特征在进一步分析中保持完整。接下来，应用Sobel方法进行边缘检测，该方法通过使用Sobel核卷积来计算图像中的梯度幅度[20]。这突出了显著的轮廓，例如光伏结构的轮廓，通过强调强度变化较大的区域来实现。为了使用预训练的ResNet50权重（IMAGENET1K_V2），需要使用双线性插值将图像大小调整为232 × 232，然后居中裁剪为224 × 224，并使用均值=[0.485, 0.456, 0.406]和标准差=[0.229, 0.224, 0.225]进行归一化。

4.3. 分割
U-Net模型专门配置用于分割中等大小的物体和细节，特别关注光伏系统。模型配置如下：
• 编码器：在ImageNet上预训练的ResNet50 [21]。
• 解码器：集成先进的注意力机制，包括卷积块注意力模块（CBAM）和多尺度空间注意力（MSSA）[22]。
• 损失函数：采用混合损失公式，结合加权交叉熵损失和Dice损失。通过为每个组成部分分配0.5的相等权重，模型在像素级分类和空间精度之间取得平衡。
• 优化器：采用Adam优化器，因其自适应学习能力，结合了动量和均方根传播（RMSProp）的优势，根据梯度矩调整各个参数的学习率[23]。此外，当模型性能停滞时，ReduceLROnPlateau调度器会动态降低全局学习率[24]。
• 后处理：实施形态学操作，如侵蚀和膨胀，以完善分割输出并减少预测噪声。
• 轮廓查找：然后模型生成一个分割掩模，突出显示光伏太阳能电池板（图10）。使用这些掩模，代码通过OpenCV的findContours函数识别分割区域的轮廓，并将其叠加在原始图像上，直观地强调对应于光伏太阳能电池板的区域（图10）。值得一提的是，最终的轮廓经过平滑处理（多边形化），以更好地近似光伏电池板的矩形形状。

下载：下载高分辨率图像（847KB）
下载：下载全尺寸图像
图10. 光伏分割方法的步骤（检测和后处理部分隐藏）。地图数据：Google，?2024 Vexcel Imaging US, Inc.
根据数据源的不同，图像可能没有地理参考信息，需要手动进行地理参考。在本工作中，使用Python执行此任务，如第3节所述。

4.4. 估计每个光伏系统的安装容量
通过地理参考，将轮廓转换为多边形，并使用Shapely库计算它们的面积（图10）。如[25]所述，单晶太阳能电池的效率范围为18%至26%。一个标准的太阳能模块尺寸为1700毫米×1000毫米（1.7平方米），可产生约350瓦（Wp），即0.2千瓦/平方米（kWp/m2）。这些值用于估计产生的能量和每个系统的安装容量，从而了解它们的性能及其对整体能源供应的潜在贡献。完整方法的流程图如图11所示。
下载：下载高分辨率图像（691KB）
下载：下载全尺寸图像
图11. 光伏分割方法的所有阶段的流程图。

4.5. 结果和讨论
仿真在运行Microsoft Windows 10 Pro的桌面系统上进行，配置有AMD Ryzen 5 5600X处理器（6核，12线程，3.7 GHz）、NVIDIA GeForce RTX 3060 Ti显卡和16 GB RAM。U-Net模型训练了大约4小时，采用基于混合损失函数性能的早期停止标准，该函数结合了Dice损失和加权交叉熵损失。结果的精确度为92.5%，召回率为91.8%，F1分数为92.1%，反映了其在像素级别准确分类和分割对象的能力。
图12a顶部显示的光伏系统在公用事业数据库中的注册容量为5千瓦（kWp）。通过使用估计的面积和假设的千瓦/平方米（kW/m2），可以估算出容量为（14.6 × 2）× 0.2 = 5.8千瓦（kWp）。这样的小差异很难归因于公用事业数据的实际问题，因为每个模块的功率只是估算的，面积计算本身也存在误差。
下载：下载高分辨率图像（455KB）
下载：下载全尺寸图像
图12. 为屋顶光伏计算的面积——地理参考轮廓叠加在基础地图上。地图数据：Google，?2024 Vexcel Imaging US, Inc.
图13展示了一个低压（LV）电路的实际情况，其中每个插针代表一个柱子。黄色框中的数字表示识别的光伏系统的数量。在这种情况下，只有5.8千瓦的屋顶光伏系统在公用事业GIS数据库中注册；其余连接未注册，该方法可以自动识别相应的客户并更新公用事业数据库。
下载：下载高分辨率图像（1MB）
下载：下载全尺寸图像
图13. 光伏分割方法在低压电路中的结果——地理参考轮廓叠加在基础地图上。地图数据：Google，?2024 Vexcel Imaging US, Inc.
另一个关键案例是在一个农村地区发现的，估计的光伏安装容量为86千瓦，连接到额定功率为45千伏安（kVA）的配电变压器，但注册为34千瓦的光伏系统。总体而言，该方法有效地实现了其目标，能够在城市或农村地区准确分割光伏面板。尽管主要费用是获取和注释高质量图像，但鉴于数据的价值，这项投资是合理的，因为它使各种研究成为可能，并使技术团队能够评估太阳能电池板的安装情况，优化规划，并改进维护和监控策略。

5. 结论
本研究表明，可以使用带有GIS数据的卫星图像和开源工具来支持配电公司的关键任务，因为它允许远程进行视觉检查，节省了金钱和人力资源。应该考虑到，在某些情况下，例如在处理秘密非法连接时，当地检查可能不可行，或者当地检查可能很困难，比如估算屋顶光伏面板的大小，这需要空中检查。除了视觉检查之外，它还允许自动化重要流程，例如更新光伏系统数据库。
虽然大多数结果可以使用公开可访问的图像数据库来实现，但在商业应用中，栅格瓦片的访问可能会产生额外的成本，而投资于提供更高分辨率图像的私有数据库可以实现更高的准确性。通过依赖现成的卫星数据和适度的计算资源，所提出的解决方案提供了高效且直接的方法，替代了依赖现场检查、高级计量基础设施（AMI）、无人机调查或LiDAR采集的方法，其实施成本相对于配电公司面临的挑战来说是可以忽略的。
建议的程序并不代表解决这些挑战的唯一可能方法，但它们已经证明了其有效性，并可以作为电力公司的参考。通过利用地理空间数据可用性和计算机视觉技术的最新进展，这项工作有望激发未来的研究并鼓励进一步的验证。

CRediT作者贡献声明
N. Rodrigues：撰写——原始草稿、方法论、调查、概念化。
P.C.M. Meira：撰写——审阅和编辑、验证、方法论、调查。
R. Torquato：撰写——审阅和编辑、方法论、调查。
W. Freitas：资源、项目管理、资金获取。
F.C.L. Trindade：撰写——审阅和编辑、监督、资源、项目管理、概念化。