KI-Tools, bewertet für deinen Beruf
Bezahlte KI-Jobs
🤝 Du bist in der Frei-&-Open-Source-Bibliothek — von der Community entwickelte Tools, die du kostenlos nutzen kannst. Ein anderes Konzept als unser bewertetes KI-Verzeichnis.
Start › Frei & Open Source › Energie › solar-ai-gis-platform
✦ Frei & Open SourceEnergie

solar-ai-gis-platform

KI-gestützte Photovoltaik-GIS-Akquise- und Ertragsprognoseplattform.

Solar AI GIS & Prognoseplattform

Vertriebssystem für dezentrale Photovoltaik mit GIS-Kartierung, Dacherkennung und Ertragsprognose.

Für immer kostenlos · quelloffen einsehbar · Licence not stated in the repository
✓ Needs IT✓ Im Browser✓ Echtzeit-Zusammenarbeit
5.8
ZEKAI
Open-Source-Solar-GIS & KI
Frei & Open Source · Energie
Einfache Einrichtung3
Nützlichkeit8
Wartung7
Community5
★ 164
GITHUB
May 2026
AKTUALISIERT
Licence not stated in the repository
LIZENZ
🛠 Keine Lust auf Self-Hosting? Wir richten es ein →
⚡ Schnelle Antwort

Dies ist ein umfassendes Open-Source-System für dezentrale Photovoltaikunternehmen. Es kombiniert GIS-Kartenarbeitsbereiche mit KI-Vision- und Prognosemodellen, um alles von der ersten Dachakquise bis zum Betrieb nach der Installation abzudecken.

Läuft auf
Web
Hosting
Self-host
Sprachen
Python
Lizenz
Licence not stated in the repository

Was es ist

Die Plattform integriert Leaflet und AMap mit YOLO11 und OpenCV, um Dachflächen und Solarpotenzial automatisch aus Satellitenbildern zu erkennen. Sie verknüpft diese räumlichen Daten mit LightGBM-, XGBoost- und Transformer-Modellen, um kurz- und langfristige Energieerträge sowie finanzielle Renditen zu projizieren.

Für wen

Es eignet sich für dezentrale Solarunternehmen, Projektentwickler und technische Teams, die eine self-host Plattform zur Automatisierung der Lead-Generierung und Standortbewertung suchen. Es ist nicht geeignet für Teams, die nicht über die Infrastrukturkapazität verfügen, um einen Multi-Service-Stack mit Datenbanken und AI Inference-Engines zu betreiben.

Wichtige Funktionen

Karten-Akquise-Arbeitsbereich

Integriert Satelliten- und Straßenkartenebenen mit POI-Erkennung und manueller Punktverwaltung.

KI-Dacherkennung

Verwendet YOLO11 und OpenCV bei Fernerkundungsbildern, um infrage kommende Dächer und Solaranlagen zu erkennen.

Flächen- und Kapazitätsmessung

Berechnet Polygonflächen auf Karten, um Systemkapazität und Komponentenanzahl für Erstangebote zu schätzen.

Ertragsprognose

Wendet LightGBM-, XGBoost- und Transformer-Modelle an, um die Leistung basierend auf Wetter und Kapazität vorherzusagen.

Vollständiger Geschäftslebenszyklus

Verwaltet Leads, Termine für Standortbegehungen, Projektbau-Meilensteine und Kundendienst-Tickets.

Erste Schritte

Startklar in 3 Schritten

1
Klonen Sie das Repository und lesen Sie die Architektur-Dokumentation in docs/ARCHITECTURE.md.
2
Konfigurieren Sie die erforderlichen Infrastrukturdienste einschließlich PostgreSQL mit PostGIS, Redis, Elasticsearch, MinIO und RabbitMQ über Docker Compose.
3
Bereitstellen des Node.js-Geschäftsdienstes, der Python FastAPI Inference-Engine und des Nginx-Gateways.
Klartext

Unser ehrliches Fazit

Stärken

  • Deckt den vollständigen Arbeitsablauf von der Kartenakquise und KI-Dacherkennung bis hin zu Tickets nach der Installation ab.
  • Kombiniert räumliche GIS-Werkzeuge mit Machine-Learning-Ertragsprognosen in einer einzigen Architektur.
  • Bietet vollständigen modularen Code einschließlich Python-AI-Inference-Skripten und JavaScript-Kartenklick-Modulen.
  • Enthält Enterprise-ready Funktionen wie PostGIS-Raumabfragen, Redis-Caching und MinIO-Speicher.

Schwächen

  • Komplexe Multi-Service-Bereitstellung, die Docker Compose, PostgreSQL mit PostGIS, Redis, Elasticsearch und RabbitMQ erfordert.
  • Erfordert externe API-Schlüssel und Einrichtung für AMap-Webdienste und Satelliten-Kachel-Anbieter.
  • Die Repository-Metadaten geben keine Softwarelizenz an, was vor der kommerziellen Nutzung eine Klärung erfordert.
Kosten

Preise & Lizenz

Der Quellcode ist im Repository verfügbar, aber in den Repository-Metadaten ist keine Softwarelizenz angegeben. Die einzigen Kosten sind der Betrieb und das Hosting der Multi-Service-Infrastruktur in Eigenregie.

Bezahlte Arbeit

Stellen für Deutschsprachige

879 offene Remote-Stellen im KI-Training, aktualisiert am 16. November 2026; die meisten zahlen $20–$175 pro Stunde. 12 davon suchen Deutschsprachige. Zekai listet sie kostenlos; die Bewerbung läuft über die Plattform des Arbeitgebers.

Alle offenen Stellen ansehen →
Vergleich

Alternativen

🎁 Freie & Open-Source-Alternativen

Diese bewerteten KI-Tools erledigen die Aufgabe sofort — aus unserem bewerteten Verzeichnis.

Mehr

Nutze es, oder lass es uns einrichten

📄 Kostenloses PDF: solar-ai-gis-platform für Energie
Ein verständlicher Leitfaden für dein erstes Ergebnis. Direkt in dein Postfach.
🔔 64 Personen wünschen sich ein komplettes Video-Tutorial — stimme ab
🛠 Keine Lust auf eigene Einrichtung?
Wir installieren, hosten & konfigurieren solar-ai-gis-platform für dich — und schulen dein Team.
Erledigen lassen ↗
Fragen

FAQ

Welche KI-Modelle verwendet die Plattform zur Dacherkennung?

Sie verwendet YOLO11 zusammen mit OpenCV für Computer-Vision-Aufgaben bei Fernerkundungsbildern.

Wie handhabt sie Stromerzeugungsprognosen?

Sie setzt auf LightGBM und XGBoost für kurzfristige Tabellenmodellierung sowie eine optionale Transformer-Architektur für langfristige Sequenzprognosen.

Welche Datenbanken und Middleware werden benötigt?

Die Systemarchitektur erfordert PostgreSQL mit PostGIS, Redis, Elasticsearch, MinIO und RabbitMQ.

Radar

Neueste KI-News

✉️ Das wöchentliche kostenlose Toolkit
Die besten neuen freien & Open-Source-Tools für Energie — eine kurze E-Mail pro Woche, in deiner Sprache.
Kostenlos · 1 E-Mail/Woche · jederzeit abbestellbar
Mit KI-Training Geld verdienen →

Zekai zuerst in Google sehen