研究人员已经从十亿张图像中确定了几乎所有美国太阳能装置GPS位置和大小

2019-10-13 17:45:15

了解哪些美国人在屋顶上安装了太阳能电池板以及为什么这么做,这对于管理不断变化的美国电力系统以及了解更多使用可再生资源的障碍非常有用。但是直到现在,所有可用的方法基本上都是估计值。

为了获得准确的数字,斯坦福大学的科学家使用机器学习算法分析了超过十亿个高分辨率卫星图像,并确定了连续48个州中几乎所有的太阳能装置。结果在发表于12月19日的Joule上的一篇论文中进行了描述。数据可在项目网站上公开获得。

分析发现147万安装,比两个公认的估计高得多。科学家还将美国人口普查和其他数据与他们的太阳能目录整合在一起,以确定导致采用太阳能的因素。

Ram Rajagopal表示:“我们可以利用机器学习的最新进展来了解所有这些资产的位置,这是一个巨大的问题,并且可以洞悉网格的去向以及如何帮助将网格带到更有利的地方。” ,土木与环境工程副教授,他与机械工程教授Arun Majumdar共同监督了该项目。

谁去太阳能

该集团的数据可能对公用事业,监管机构,太阳能电池板营销商等有用。了解附近有多少块太阳能电池板可以帮助当地的电力公司平衡供求关系,这是可靠性的关键。该清单突出了激活因素和太阳能部署的障碍。例如,研究人员发现,家庭收入非常重要,但仅限于这一点。每年超过15万美元,收入很快就不再在人们的决策中扮演重要角色。

另一方面,低收入和中等收入家庭即使居住在长期可以盈利的地区,也不会经常安装太阳能系统。例如,在阳光充沛,电费较高的地区,节省的水电费将超过设备的每月成本。作者怀疑,对中低收入家庭的障碍是前期成本。这一发现表明,太阳能安装商可以开发新的财务模型来满足未满足的需求。

为了覆盖社会经济因素,团队成员使用了美国人口普查区域的公开数据。这些区域平均每个覆盖约1,700户家庭,大约是邮政编码的一半,约占美国典型县的4%。他们发掘了其他掘金。例如,一旦太阳辐射在附近达到一定水平,它就会起飞,这并不奇怪。但是,如果给定的社区存在很多收入不平等,那么该激活程序通常不会启动。利用地理数据,团队还发现了给定区域需要多少阳光才能触发采用的重要阈值。

“我们发现了一些见解,但这只是我们认为其他研究人员,公用事业,太阳能开发商和政策制定者可以进一步发现的冰山一角,”马朱达尔说。“我们正在公开这一活动,以便其他人找到太阳能的部署方式,并建立经济和行为模型。”

查找面板

该团队训练了名为DeepSolar的机器学习程序,通过提供约370,000张图像来识别太阳能电池板,每个图像覆盖约100英尺乘100英尺。每个图像都被标记为存在或不存在太阳能电池板。由此,DeepSolar学会了识别与太阳能电池板相关的功能,例如颜色,纹理和尺寸。

“实际上,我们并没有告诉机器哪个视觉功能很重要。”电气工程专业的博士生于佳凡说,他与土木与环境工程专业的博士生王哲成一起构建了该系统。“所有这些都需要机器学习。”

最终,DeepSolar可以在93%的时间内正确地识别出包含太阳能电池板的图像,而错过了有太阳能装置的图像的约10%。作者在报告中说,在这两个方面,DeepSolar都比以前的模型更准确。

然后,该小组让DeepSolar分析了数十亿颗卫星图像,以找到太阳能装置。这项工作本来需要现有技术多年才能完成。凭借一些新颖的效率,DeepSolar在一个月内完成了工作。

生成的数据库不仅包含住宅太阳能装置,还包括企业屋顶的装置,以及许多大型公用事业拥有的太阳能发电厂。但是,科学家让DeepSolar跳过了人口最稀少的地区,因为这些农村地区的建筑物很可能没有太阳能电池板,或者有但没有连接到电网。科学家根据他们的数据估计,住宅和商业太阳能装置的5%位于未覆盖的区域。

Wang说:“机器学习技术的进步是惊人的。” “但是现成的系统通常需要适应特定项目,并且需要该项目主题方面的专业知识。我和贾凡都致力于使用该技术来实现可再生能源。”

展望未来,研究人员计划扩展DeepSolar数据库,使其包括农村地区和其他具有高分辨率卫星图像的国家的太阳能装置。他们还打算增加一些功能来计算太阳能装置的角度和方向,从而可以准确地估算其发电量。目前,DeepSolar的尺寸度量只是潜在输出的代理。

该小组希望每年用新的卫星图像更新美国数据库。这些信息最终将有助于优化美国区域电力系统,包括Rajagopal和Yu的项目,以帮助公用事业可视化和分析分布式能源。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。