Identificación y priorización inteligente de hogares para energía solar

Abstract

El presente Trabajo Fin de Máster aborda el desarrollo de un sistema automático para la detección de instalaciones fotovoltaicas en imágenes aéreas, mediante técnicas de segmentación semántica basadas en redes neuronales convolucionales.

El objetivo principal es identificar la ubicación de paneles solares en entornos urbanos, con un enfoque aplicado a la planificación energética y al análisis del potencial de autoconsumo. Se ha empleado como arquitectura base la red U-Net, ampliamente utilizada en tareas de segmentación, considerando tanto su versión completa como una variante ligera (Mini U-Net).

Además, se ha explorado el uso de técnicas de transfer learning mediante la incorporación de un codificador ResNet34 preentrenado, con el fin de mejorar la capacidad de generalización del modelo y reducir el tiempo de entrenamiento.

El modelo ha sido entrenado sobre un conjunto de datos público con imágenes de regiones francesas, y validado posteriormente en un escenario real mediante imágenes de la localidad española de Molina de Segura. A pesar de que los resultados cuantitativos muestran métricas prometedoras en algunos casos (con un coeficiente Dice superior al 0.66), el análisis cualitativo revela importantes desafíos de generalización al cambiar el dominio geográfico.

El trabajo concluye con una reflexión crítica sobre las limitaciones encontradas —como la escasez de datos locales anotados o los problemas de precisión en las segmentaciones—, y propone varias líneas de mejora, incluyendo la automatización del etiquetado, el uso de datos multitemporales y la integración del sistema con bases de datos comerciales, siempre considerando los aspectos éticos relacionados con la privacidad.

Este proyecto combina un enfoque técnico riguroso con una clara aplicabilidad práctica, y sienta las bases para futuros desarrollos en el campo de la energía renovable y la inteligencia artificial aplicada al análisis urbano.

This Final Master Project presents the development of an automated system for the detection of photovoltaic installations in aerial imagery, using semantic segmentation techniques based on convolutional neural networks.

The main goal is to identify the location of solar panels in urban environments, with potential applications in energy planning and self-consumption analysis. The system is built around the U-Net architecture, a well-established model for segmentation tasks, including both its standard and lightweight variants (Mini U-Net). Additionally, transfer learning techniques were explored by integrating a pre-trained ResNet34 encoder, aiming to enhance generalization capabilities and reduce training time.

The model was trained on a public dataset of aerial images from various French regions, and subsequently validated in a real-world setting using images of the Spanish municipality of Molina de Segura. Although some configurations yielded promising quantitative metrics (with a Dice coefficient above 0.66), qualitative analysis revealed significant challenges in generalizing across different geographic domains.

This work concludes with a critical discussion of the encountered limitations—such as the lack of locally annotated data and the segmentation imprecision— and outlines several future directions, including semi-automated annotation, use of multi-temporal imagery, and integration with commercial databases, while acknowledging privacy-related concerns.

The project combines a rigorous technical approach with clear practical applicability, laying the groundwork for future developments in renewable energy assessment and AI-driven urban analysis.