Forskere udvikler en metode til automatisk at estimere solenergipotentialet på taget

Industrital viser, at den globale hastighed for solenergiinstallationer er vokset med 30 procent på et seneste år, og de gennemsnitlige omkostninger ved installation af solenergi er faldet fra $7 pr. watt til $2,8 pr. watt, gør solenergi på taget attraktiv for mange flere boligejere. Men fremskridtet med taginstallationer bremses ofte af mangel på uddannede fagfolk, som skal bruge dyre værktøjer til at udføre arbejdskrævende strukturvurderinger én efter én, siger videnskabsmænd ved University of Massachusetts Amherst.

For at automatisere processen pt. siger UMass Amherst College of Information and Computer Sciences (CICS) forskere ledet af Prashant Shenoy og Subhransu Maji, kræver dyre tredimensionelle luftkort ved hjælp af LIDAR-teknologi, der ikke er tilgængelig for mange områder. Nu foreslår deres team en ny, datadrevet tilgang, der bruger maskinlæringsteknikker og bredt tilgængelige satellitbilleder til at identificere tage, der har størst potentiale til at producere omkostningseffektiv solenergi.

Shenoy, Maji og kolleger præsenterer deres nye "DeepRoof"-værktøj i denne uge på den 25. Association for Computing Machinery's Special Interest Group on Knowledge Discovery and Data Mining (ACM SIGKDD) konference i Anchorage, Alaska.

Som Stephen Lee, en ph.d. studerende på CICS og hovedforfatter, påpeger, "Estimering af solenergipotentiale af et tag kan i væsentlig grad gavne husejere, der beslutter sig for at anvende solenergi, " men "nuværende automatiserede værktøjer virker kun for byer og byer, hvor LIDAR-data er tilgængelige, derved begrænser deres rækkevidde til nogle få steder i verden."

Den nye datadrevne DeepRoof-tilgang udnytter de seneste fremskridt inden for computersynsteknikker og bruger satellitbilleder til nøjagtigt at bestemme taggeometri, nærliggende konstruktioner og træer, der påvirker tagets solpotentiale. "DeepRoof estimater kan bruges til at identificere ideelle placeringer på taget til installation af solpaneler, " tilføjer Lee.

Holdet trænede DeepRoof ved at bruge forskellige tagformer og -størrelser fra seks forskellige byer til at genkende og udvinde plane tagsegmenter, siger Lee. Resultater viser, at DeepRoof kan identificere tagenes solenergipotentiale med 91 procents nøjagtighed. Yderligere, værktøjet kan skaleres til automatisk at analysere satellitbilleder af en hel by for at identificere alle bygningstage med det største solpotentiale.