Team lokaliserer næsten alle amerikanske solpaneler i en milliard billeder med maskinlæring

At vide, hvilke amerikanere der har installeret solpaneler på deres tage, og hvorfor de gjorde det, ville være enormt nyttigt til at styre det skiftende amerikanske elsystem og til at forstå barriererne for større brug af vedvarende ressourcer. Men indtil nu, alt, hvad der har været tilgængeligt, er i det væsentlige skøn.

For at få nøjagtige tal, Forskere ved Stanford University analyserede mere end en milliard højopløselige satellitbilleder med en maskinlæringsalgoritme og identificerede næsten alle solenergianlæg i de sammenhængende 48 stater. Resultaterne er beskrevet i et papir offentliggjort i 19. december-udgaven af Joule . Dataene er offentligt tilgængelige på projektets hjemmeside.

Analysen fandt 1,47 millioner installationer, hvilket er et meget højere tal end nogen af ​​de to almindeligt anerkendte estimater. Forskerne integrerede også amerikansk folketælling og andre data med deres solcellekatalog for at identificere faktorer, der fører til adoption af solenergi.

"Vi kan bruge de seneste fremskridt inden for maskinlæring til at vide, hvor alle disse aktiver er, hvilket har været et stort spørgsmål, og generere indsigt om, hvor nettet er på vej hen, og hvordan vi kan hjælpe med at få det til et mere gavnligt sted, "sagde Ram Rajagopal, lektor i civil- og miljøteknik, der overvågede projektet med Arun Majumdar, professor i maskinteknik.

Hvem går solenergi

Gruppens data kan være nyttige for forsyningsselskaber, regulatorer, solpanelmarkedsførere og andre. At vide, hvor mange solpaneler der er i et kvarter, kan hjælpe et lokalt elværk med at balancere udbud og efterspørgsel, nøglen til pålidelighed. Opgørelsen fremhæver aktivatorer og hindringer for udbredelse af solenergi. For eksempel, forskerne fandt ud af, at husstandens indkomst er meget vigtig, men kun til et punkt. Over $ 150, 000 om året, indkomst ophører hurtigt med at spille en stor rolle i folks beslutninger.

På den anden side, lav- og mellemindkomsthusholdninger installerer ikke ofte solcelleanlæg, selv når de bor i områder, hvor det ville være rentabelt på lang sigt. For eksempel, i områder med meget solskin og relativt høje elpriser, besparelser på elregningen ville overstige de månedlige omkostninger til udstyret. Hindringen for lav- og mellemindkomsthusholdninger er forudgående omkostninger, mistænker forfatterne. Denne konstatering viser, at solcelleinstallatører kunne udvikle nye økonomiske modeller for at tilfredsstille udækket efterspørgsel.

At overlejre socioøkonomiske faktorer, teammedlemmerne brugte offentligt tilgængelige data til amerikanske folketællingstraktater. Disse områder dækker i gennemsnit omkring 1, 700 husstande hver, omkring halvdelen af ​​størrelsen af ​​et postnummer og omkring 4 procent af et typisk amerikansk amt. De afslørede andre guldkorn. For eksempel, når solindtrængning når et vist niveau i et kvarter, tager det fart, hvilket ikke er overraskende. Men hvis et givet kvarter har stor indkomstulighed, at aktivatoren ofte ikke tænder. Ved hjælp af geografiske data, holdet opdagede også en betydelig tærskel for, hvor meget sollys et givet område skal bruge for at udløse adoption.

"Vi fandt nogle indsigter, men det er kun toppen af ​​isbjerget af, hvad vi tror, ​​andre forskere, forsyningsvirksomheder, soludviklere og politiske beslutningstagere kan yderligere afdække, " sagde Majumdar. "Vi gør dette offentligt, så andre kan finde soludnyttelsesmønstre, og opbygge økonomiske og adfærdsmæssige modeller."

At finde panelerne

Holdet trænede maskinlæringsprogrammet, ved navn DeepSolar, at identificere solpaneler ved at give det omkring 370, 000 billeder, hver dækker omkring 100 fod gange 100 fod. Hvert billede blev mærket som enten at have eller ikke have et solpanel til stede. Fra det, DeepSolar lærte at identificere funktioner forbundet med solpaneler - f.eks. farve, tekstur og størrelse.

"Vi fortæller faktisk ikke maskinen, hvilken visuel funktion der er vigtig, " sagde Jiafan Yu, en doktorgradskandidat i elektroteknik, der byggede systemet sammen med Zhecheng Wang, en ph.d.-kandidat i civil- og miljøteknik. "Alt dette skal læres af maskinen."

Til sidst, DeepSolar kunne korrekt identificere et billede som indeholdende solpaneler 93 procent af tiden og gik glip af omkring 10 procent af billeder, der havde solcelleanlæg. På begge partier, DeepSolar er mere præcis end tidligere modeller, siger forfatterne i rapporten.

Gruppen fik derefter DeepSolar til at analysere milliarden af ​​satellitbilleder for at finde solcelleanlæg - arbejde, der ville have taget eksisterende teknologi år at fuldføre. Med nogle nye effektivitetsgevinster, DeepSolar fik arbejdet udført på en måned.

Den resulterende database indeholder ikke kun boliginstallationer, men dem på taget af virksomheder, samt mange store, forsyningsejede solenergianlæg. Forskerne, imidlertid, havde DeepSolar springet over de tyndest befolkede områder, fordi det er meget sandsynligt, at bygninger i disse landdistrikter enten ikke har solpaneler, eller de gør det, men er ikke knyttet til nettet. Forskerne vurderede baseret på deres data, at 5 procent af bolig- og kommercielle solcelleanlæg findes i de områder, der ikke er omfattet.

"Fremskridt inden for maskinlæringsteknologi har været fantastisk, " sagde Wang. "Men hyldesystemer skal ofte tilpasses det specifikke projekt, og det kræver ekspertise inden for projektets emne. Jiafan og jeg fokuserer begge på at bruge teknologien til at muliggøre vedvarende energi."

Bevæger sig fremad, forskerne planlægger at udvide DeepSolar-databasen til at omfatte solcelleanlæg i landdistrikter og i andre lande med højopløselige satellitbilleder. De har også til hensigt at tilføje funktioner til at beregne en solcelleinstallations vinkel og orientering, som nøjagtigt kunne estimere sin elproduktion. DeepSolars målestørrelse er foreløbig kun en proxy for potentielt output.

Gruppen forventer at opdatere den amerikanske database årligt med nye satellitbilleder. Oplysningerne kan i sidste ende indgå i bestræbelserne på at optimere regionale amerikanske elsystemer, herunder Rajagopal og Yus projekt for at hjælpe forsyningsselskaber med at visualisere og analysere distribuerede energiressourcer.