Calculations of capacity potential
In the analysis, the publicly available Microsoft Building Footprints database, which contains more than 1 billion roof coordinates armazenado como polígonos, foi usado para identificar telhados em Türkiye. Para este estudo, foi usada a atualização de maio de 2022, armazenado como uma "coleção de recursos" no mecanismo do Google Earth, foi usado. O conjunto de dados contém 18.058.257 polígonos dentro das fronteiras de Türkiye, incluindo todos os tipos de estruturas com telhados.
Mais de uma fonte foi examinado em relação à área de superfície, uma usina solar de 1 kW instalada no telhado ocupará. De acordo com uma empresa do Reino Unido que lista as opções de painel solar mais adequadas para os proprietários e permite que eles obtenham cotações de preços, a área do telhado necessária é calculada como 6,4 m 2 por kW, assumindo painéis com menos de 20% de eficiência e com capacidade de 260 watts. De acordo com a Site baseado nos EUA estabelecido para ajudar os consumidores no setor de energia solar e um provedor de serviços australiano que lista os fornecedores de 3.30 para facilitar a obtenção de preços e uma área de teto exigida por 1 kW com painéis de 330 de 330-40-4. M2. Quando Dez projetos aleatórios na cobertura SPP Concluído em Türkiye em 2021-2022 foram examinados usando imagens de satélite, observou-se que a área média necessária para 1 kW de capacidade de Rooftop SPP era de 6,3 m2. Portanto, adotando uma abordagem conservadora para os cálculos, assumiu -se que um painel de 1 kW cobriria uma área de 6,4 m2. Ao criar o conjunto de treinamento, um número suficiente de imagens de telhado selecionado aleatoriamente foi rotulado manualmente de acordo com os três tipos de teto (vazio/vazio vazio/cheio). A decisão de criar um número suficiente de conjuntos de treinamento foi tomada usando um conjunto de validação criado completamente independentemente do conjunto de treinamento. O conjunto de validação, selecionado em oito regiões diferentes de Türkiye, exigia a rotulagem manual de milhares de pontos em cada região, de acordo com se eram planos/inclinados/cheios. Em seguida, foi executado um algoritmo de classificação visual projetado no Google Earth Engine (GEE) para calcular as taxas de precisão no conjunto de validação e o conjunto de treinamento foi expandido e melhorado para maximizar a precisão. O conjunto de treinamento foi criado em Ancara, e as províncias cobertas pelo conjunto de validação incluíam Istambul, Ancara, Izmir, Antalya, Konya, Erzurum, Trabzon e şırnak. Durante a validação, o modelo final alcançou pontuações de precisão de 97% para telhados inclinados vazios, 83% para telhados planos vazios e 89% para telhados completos. A primeira correção foi reclassificar áreas com espaço insuficiente para um painel como telhados inadequados. Outro ajuste foi feito para regiões como Antalya e Mersin, onde o cultivo de estufa é comum. Para essas regiões, as coordenadas dos telhados de estufa foram identificadas manualmente e também classificadas como inadequadas. Isso ocorre porque a maioria dos telhados inclinados é encontrada entre os telhados desse tamanho. Supondo que a linha que divide um teto em dois lados inclinados funcione paralela ao lado longo do teto, o ângulo entre o lado longo de cada retângulo obtido após a filtragem e o eixo norte-sul foi calculado e aceito como o ângulo de azimute do telhado. Os ângulos calculados do azimute foram então classificados em categorias com base em direções, divididas em oito partes iguais de 45 graus. Para conseguir isso, o mapa potencial solargis foi carregado no PEE e os valores de pixel foram
The process of classifying roofs into three separate categories started with a training set including all three types identified in a satellite image containing only roofs for a selected province. In creating the training set, a sufficient number of randomly selected roof images were manually labeled according to the three roof types (flat empty/pitched empty/full). The decision to create a sufficient number of training sets was made using a validation set created completely independently of the training set. The validation set, selected from eight different regions of Türkiye, required the manual labelling of thousands of points in each region according to whether they were flat/pitched/full. Then, a visual classification algorithm designed on Google Earth Engine (GEE) was run to calculate accuracy rates in the validation set, and the training set was expanded and improved to maximize accuracy. The training set was created in Ankara, and the provinces covered by the validation set included Istanbul, Ankara, Izmir, Antalya, Konya, Erzurum, Trabzon and Şırnak. During validation, the final model achieved accuracy scores of 97% for empty pitched roofs, 83% for empty flat roofs, and 89% for full roofs.
Some corrections were applied to the roof areas following classification into three separate categories. The first correction was to reclassify areas with insufficient space for a panel as unsuitable roofs. Another adjustment was made for regions such as Antalya and Mersin, where greenhouse cultivation is common. For these regions, the coordinates of greenhouse roofs were manually identified and likewise classified as unsuitable.
Calculation of production forecasts
To determine the azimuth angles of pitched roofs in each province, roofs with an area between 150 and 500 m² in the Microsoft Building Footprints database were first filtered. This is because the majority of pitched roofs are found among roofs of this size. Assuming that the line dividing a roof into two sloping sides will run parallel to the long side of the roof, the angle between the long side of each rectangle obtained after filtering and the north-south axis was calculated and accepted as the azimuth angle of the roof. The calculated azimuth angles were then classified into categories based on directions, divided into eight equal parts of 45 degrees.
The maximum electricity production for the capacity potential of each district was calculated using the solar potential map published by Solargis (kWh/kWp). To achieve this, the Solargis potential map was uploaded to GEE and the pixel values were Média para cada distrito. O cálculo potencial fornecido pelo Solargis neste mapa foi feito com base no pressuposto do Potencial de produção de uma planta independente com ângulos ideais. Foi assim usado como uma estimativa máxima de produção. Nas premissas solargis, a eficiência do inversor é de 98%, a perda devido ao pó é de 3,5%, a perda relacionada à DC é de 2,3%e a perda relacionada à AC é de 0,9%. Os fatores de correção aplicados aos potenciais médios de KWH/KWP obtidos a partir de solargis foram calculados usando o modelo de estimativa de produção de energia solar do PVGIS. Para esse fim, os ângulos de inclinação e azimute para nove tipos de telhado em diferentes partes de Türkiye foram selecionados em PVGIS para calcular o grau em que a estimativa de produção diminuiu em comparação com uma usina solar independente. Essas proporções foram então usadas como fatores de correção na análise. Como uma etapa final, o potencial de capacidade calculado para cada distrito em Gee foi multiplicado por fatores de correção com base no potencial de produção máxima média para o distrito e a categoria de telhado. Tabelas
Subsidy calculations
In subsidy calculations for electricity tariffs, the active energy fee applied for low voltage – single rate second tier (above 8 kWh/day) in the Invoice-Based Tariff Tables Publicado pela Autoridade Reguladora do Mercado de Energia (EPDK) foi usada. As taxas mensais de câmbio do Banco Central da República de Türkiye foram usadas para converter os preços das tarifas em dólares americanos. Para o preço do mercado de eletricidade por atacado, os preços relatados em US $/MWh no mercado seguinte no Plataforma de transparência Epiaş foram utilizados. O valor mensal do subsídio foi calculado multiplicando o consumo mensal de consumidores residenciais publicados em Relatórios mensais da EPDK pela diferença de preço entre os dois. Mundo