Ga door naar hoofdcontent
ArtikelenGeodata is onmisbaar in een succesvolle energietransitie

Geodata is onmisbaar in een succesvolle energietransitie

Donderdag 1 oktober 2020Afbeelding Geodata is onmisbaar in een succesvolle energietransitie

In de energietransitie is een belangrijke rol weggelegd voor zonne-energie. Maar wat is de potentie van zon in Nederland? En hoeveel zonne-installaties zijn er al gerealiseerd? Voor het beantwoorden van dit soort vragen is geodata onmisbaar. Readar gebruikt Machine Learning technieken om data uit luchtfoto’s te destilleren. Deze data worden op verschillende niveaus gebruikt om de energietransitie te stimuleren.

We staan zonder twijfel voor een grote uitdaging als het aankomt op het verduurzamen van de energiemix. In het klimaatakkoord is vastgelegd dat de totale energievoorziening van Nederland in 2050 nagenoeg CO₂-neutraal moet zijn. Op kortere termijn betekent het dat in 2030 al 70% van alle elektriciteit uit hernieuwbare bronnen moet komen. Terwijl in 2019 slechts 18% van onze stroom duurzaam opgewekt was. Kortom: er staat ons een enorme energietransitie te wachten. In 2030 moet Nederland 84 miljard kilowattuur duurzame energie per jaar produceren. Een groot deel hiervan zal van wind op zee komen. Maar we moeten ook sterk inzetten op de opwek op land. Van de 84 TWh per jaar moet namelijk 35 TWh uit zon en wind op land komen. In steden is weinig ruimte voor windmolens. De focus voor stedelijk gebied ligt dan ook op de zon.

Monitoring zonpotentie en realisatie

Om zon succesvol in te zetten in de energiemix, is geodata op verschillende niveaus onontbeerlijk. We moeten immers weten waar we zonnepanelen het best kunnen installeren en hoeveel ze per locatie kunnen opwekken. Maar ook waar er al installaties liggen en hoeveel van de opwekpotentie er dus al gerealiseerd is.

In grote lijnen onderscheiden we drie niveaus waarop data over zon(potentie) nodig is:

  • Gebouwniveau: op niveau van een gebouw moet een gedetailleerd legplan voor zonnepanelen worden gemaakt;
  • Regionaal: op niveau van de Regionale Energiestrategie (RES) en op gemeenteniveau is informatie nodig over hoeveel zonne-energie in de regio kan worden opgewekt en hoeveel daarvan al is gerealiseerd;
  • Nationaal: op landelijk niveau is er behoefte aan informatie over doelgroepen voor stimuleringsmaatregelen om de effectiviteit ervan te evalueren.

Op elk van deze drie niveaus levert Readar data aan verschillende samenwerkingspartijen.

Convolution Neural Network als alternatief voor Semi-Global Matching

 

Luchtfoto’s worden opgenomen met een overlap tussen opeenvolgende foto’s. Twee van deze overlappende foto’s vormen een stereopaar. Als we weten waar een punt in de linkerfoto in de rechterfoto ligt, kunnen we door middel van insnijding de diepte en daarmee de hoogte bepalen. Deze methode wordt al decennia toegepast in stereo-karteerstations zodat handmatig, punt voor punt hoogtes bepaald kunnen worden. In 2015 introduceerde Hirschmüller Semi-Global-Matching (SGM): een methode waarmee we geautomatiseerd heel veel pixels aan elkaar matchen. Hiermee kunnen we grootschalig hoogtedata met luchtfoto’s maken.

 

Het nadeel van deze methode is dat bij de gebruikelijke overlap van luchtfoto’s (60% voorwaartse overlap en 30% zijwaartse overlap) gebieden met weinig contrast (schaduw!) niet betrouwbaar verwerkt kunnen worden. Dit zorgt er bijvoorbeeld voor dat bij puntdaken vaak de helft van het dak ontbreekt. Om dit probleem te ondervangen heeft Readar een Convolution Neural Network (CNN) getraind om deze taak uit te voeren. Het CNN kan een veel groter gebied in ogenschouw nemen dan SGM bij het zoeken naar de overeenkomstige pixels. Hierdoor kan nu met normale stereoluchtfoto’s (60/30 overlap) wel een volledig dekkend hoogtemodel worden gemaakt.

Informatie op gebouwniveau

Wie wel eens een offerte voor zonnepanelen heeft aangevraagd, heeft het ongetwijfeld meegemaakt: nog voor er iemand bij je thuis is geweest, heeft de installateur het dak van je woning bekeken, ingemeten en een eerste legplan gemaakt. Het op afstand maken van een dergelijk legplan lijkt wellicht simpel, maar is technisch nog behoorlijk uitdagend. Vooral omdat het precisieniveau hierbij van groot belang is. Een installateur die ter plekke constateert dat er toch minder panelen op het dak passen dan vooraf ingeschat, is zeer waarschijnlijk de klant – en daarmee de acquisitieen saleskosten – kwijt.

Er zijn verschillende partijen die software hebben ontwikkeld, waarmee installateurs op afstand een nauwkeurig legplan kunnen maken. Solar Monkey is hier één van, hun software wordt door veel installateurs in Nederland gebruikt. Readar levert hen de geodata waar hun software mee werkt. Het gaat hierbij om:

  • Luchtfoto’s gekoppeld aan het Actueel Hoogtebestand Nederland (AHN). Omdat een luchtfoto (orthofoto) omvalling bevat, liggen daken in de foto niet op dezelfde plek als in het AHN. Hiervoor corrigeren we. Daarmee kunnen panelen ingetekend worden op de orthofoto, terwijl het AHN gebruikt wordt om uit te rekenen hoeveel zonlicht er op elk paneel valt.
  • 3D-dakmodellen. Een gedetailleerd legplan maken is handwerk, omdat er rekening gehouden moet worden met zeer kleine objecten zoals schoorsteentjes, en met een esthetische ligging van de panelen. Een eerste orde benadering kan echter wel geautomatiseerd worden: Readar maakt een 3D-model waarmee Solar Monkey een zogeheten quickscan uitvoert.

Soms is het AHN niet beschikbaar, bijvoorbeeld wanneer het gaat om nieuwbouwprojecten of projecten buiten Nederland. In dat geval leveren we hoogtedata uit luchtfoto’s. Deze hoogtedata worden gegenereerd met behulp van een Convolution Neural Network (CNN) als alternatief voor Semi-Global Matching.

Input voor Regionale en Gemeentelijke Energiestrategie

Nederland is opgedeeld in dertig energieregio’s. Volgens het Nationaal Programma Regionale Energiestrategie moet elke energieregio zijn eigen keuzes maken die aan de nationale doelstellingen uit het Klimaatakkoord bijdragen. Daarnaast hebben veel gemeenten eigen doelstellingen en beleid op het gebied van energie. Er is een belangrijk verschil tussen de RES en de gemeentelijke doelstellingen. Kleinschalige zon-op-dak installaties met een vermogen van 15 kWp en minder worden in het Klimaatakkoord niet meegeteld voor het 35TWh doel. Voor de RES is het daarmee optioneel om inzicht te hebben in kleinschalig zon-op-dak. Veel gemeenten tellen kleinschalig zon-op-dak expliciet wel mee en willen hier ook beleid op voeren. Om een effectief energiebeleid op te stellen, is het belangrijk om verschillende dingen in kaart te hebben. Bijvoorbeeld: waar is plek om energie op te wekken, hoeveel potentie is er en hoeveel is al gerealiseerd? De antwoorden op deze vragen in relatie tot zonne-energie brengt Readar in kaart voor gemeenten en andere overheden.

Meer weten over de RES? Lees ook het interview met Kristel Lammers op pagina 4.

Gerealiseerde zonnestroom

We starten met het in kaart brengen van het aantal geïnstalleerde zonnepanelen. Readar heeft een algoritme ontwikkeld om zonnepanelen automatisch uit luchtfoto’s te detecteren. We passen dit detectiealgoritme toe op luchtfoto’s van de regio. Vervolgens voeren we met behulp van hoogtedata een detailanalyse uit waarin we het oppervlak en de hoeveelheid zonlicht op elke installatie bepalen. Aan de hand van het oppervlak, het bouwjaar en de hoeveelheid zonlicht op het dak schatten we in wat het geplaatste én opgewekte vermogen is.

Zon op dak

Nu weten we dus waar zonnepanelen liggen en hoeveel energie deze opwekken. Volgende stap: wat is de potentie van daken waar nog geen zonnepanelen op geplaatst zijn? Deze potentie wordt bepaald door de hoeveelheid zonlicht die op een dak valt. We berekenen dit door de zon virtueel gedurende een jaar over een hoogtemodel van de regio te laten schijnen. Hoe meer zonlicht, hoe hoger de potentiële opbrengst.

Zon op gevels en in openbare ruimte

Voor de plaatsing van zonnepanelen kijken we verder dan alleen daken. Denk bijvoorbeeld aan zonnepanelen op gevels. De opbrengst van een ideaal geplaatst gevelpaneel is vergelijkbaar met die van een paneel met oost-westoriëntatie op een plat dak. Vooralsnog lijken woningen echter nog niet op grote schaal toe aan gevelpanelen. De kansen hiervoor liggen vooral op bedrijventerreinen.

Ook andere plekken met potentie nemen we onder de loep. Hiervoor baseren wij ons op de functies van de openbare ruimte zoals de BGT deze hanteert. We selecteren daaruit de functies die eventueel geschikt zijn om zonnepanelen op te installeren. Denk hierbij aan parkeerterreinen, geluidswallen of oppervlaktewater. Vervolgens gebruiken we weer een 3D model om de potentiële opbrengst te bepalen.

Figuur 1 – In luchtfoto’s verwerkt tot hoogtemodel met behulp van SGM (links) verschijnen gebieden met weinig contrast als zwarte gaten. Dezelfde foto verwerkt met een CNN (rechts) levert wel een betrouwbare reconstructie.

Strategie bepalen

Bovenstaande data leveren waardevolle inzichten. Het maakt duidelijk wat de bijdrage is van zonneenergie in de huidige energiemix. En waar de potentie voor zon al dan niet ligt. Gecombineerd met data over bijvoorbeeld wind en geothermie kan vervolgens de afweging worden gemaakt hoe de ruimtes het best benut kunnen worden.

Landelijke data over doelgroepen

De Rijksoverheid stimuleert de productie van zonne-energie via subsidies en belastingvoordelen. Denk hierbij aan de salderingsregeling voor huishoudens en MKB, of de Stimuleringsregeling Duurzame Energieproductie (SDE+). Om de juiste stimuleringsmaatregelen aan te kunnen bieden, is het belangrijk inzicht te hebben in het gedrag van verschillende doelgroepen. Welke doelgroepen ondernemen zelf al actie en welke blijven achter? Gedurende de looptijd moeten stimuleringsmaatregelen bovendien geëvalueerd worden. Bij een subsidie kan dit simpelweg door het aantal binnengekomen aanvragen bij te houden. Maar voor andersoortige maatregelen is dat lastiger te meten. Verrijkte data uit luchtfoto’s kunnen dan uitkomst bieden.

Verrijking data uit luchtfoto’s

Ook op landelijk niveau brengen we daarom het aantal geïnstalleerde zonnepanelen en de zonpotentie in kaart. We kunnen dit uitsplitsen naar gebouwfunctie op basis van de BAG. Doordat we data op adresniveau hebben, kunnen we deze bovendien verrijken met de landelijke segmentatiedata van GeoMarktprofiel. We hebben dan niet alleen informatie over gebouwtype en locatie, maar weten bijvoorbeeld ook of het een koop- of huurwoning betreft. En we hebben informatie over het huishoudprofiel. Zo zien we dat particuliere eigenaren van zonnepanelen relatief vaak ZZP’er zijn, een bovengemiddeld inkomen hebben en vaak oudere paren of gezinnen met oudere kinderen zijn. Door een nulmeting in een bepaald jaar te doen en de opvolgende jaren de mutaties in kaart te brengen, kunnen we vaststellen of de beoogde doelgroepen van bepaalde stimuleringsmaatregelen daadwerkelijk meer zonnepanelen zijn gaan installeren. Zo wordt de effectiviteit van de maatregelen inzichtelijk. Bovendien kan er gericht beleid worden gemaakt op de doelgroepen die achterblijven.

Ranglijst gemeenten

Met de landelijke data is het bovendien mogelijk om een rangschikking van gemeenten te maken: welke gemeente wekt de meeste zonne-energie op? Hierbij is de opwek van het totale vermogen per gemeente interessant, maar het kan ook erg vertekenen: één zonnepark kan een positieve, maar buitensporige bijdrage leveren. Liever zetten we daarom de potentie af tegen de daadwerkelijke benutting. Zo blijkt het aantal particulieren met zonnepanelen op hun dak aanzienlijk te verschillen tussen gemeenten. Gericht beleid kan hier vervolgens op inspelen.

Luchtfoto’s erin, informatie eruit

Al met al mag duidelijk zijn dat we geodata op heel diverse manieren in kunnen zetten in de benodigde energietransitie. Dat maakt ons werk zo boeiend: met onze informatie uit luchtfoto’s kunnen we de wereld verder helpen.

Afbeelding voor Matthijs van Til

Matthijs van Til

Volledige biografie