Weten welke Amerikanen zonnepanelen op hun daken hebben geïnstalleerd en waarom ze dat deden, zou enorm nuttig zijn voor het beheer van het veranderende Amerikaanse elektriciteitssysteem en voor het begrijpen van de belemmeringen voor een groter gebruik van hernieuwbare bronnen. Maar tot nu toe, alles wat beschikbaar is, zijn in wezen schattingen.

Om nauwkeurige cijfers te krijgen, Wetenschappers van Stanford University analyseerden meer dan een miljard satellietbeelden met hoge resolutie met een machine learning-algoritme en identificeerden bijna elke zonne-energie-installatie in de aaneengesloten 48 staten. De resultaten worden beschreven in een paper gepubliceerd in het 19 december nummer van Joule . De gegevens zijn openbaar beschikbaar op de website van het project.

De analyse vond 1,47 miljoen installaties, wat een veel hoger cijfer is dan een van de twee algemeen erkende schattingen. De wetenschappers integreerden ook US Census en andere gegevens met hun zonnecatalogus om factoren te identificeren die leiden tot de acceptatie van zonne-energie.

"We kunnen recente ontwikkelingen op het gebied van machine learning gebruiken om te weten waar al deze middelen zich bevinden, wat een grote vraag was, en inzichten te genereren over waar het netwerk naartoe gaat en hoe we kunnen helpen het op een meer voordelige plaats te krijgen, " zei Ram Rajagopal, universitair hoofddocent civiele techniek en milieutechniek, die het project begeleidde met Arun Majumdar, hoogleraar werktuigbouwkunde.

Wie gaat er op zonne-energie?

De gegevens van de groep kunnen nuttig zijn voor nutsbedrijven, regelgevers, verkopers van zonnepanelen en anderen. Weten hoeveel zonnepanelen er in een buurt zijn, kan een lokaal elektriciteitsbedrijf helpen om vraag en aanbod in evenwicht te brengen. de sleutel tot betrouwbaarheid. De inventaris belicht activatoren en belemmeringen voor de inzet van zonne-energie. Bijvoorbeeld, vonden de onderzoekers dat het gezinsinkomen erg belangrijk is, maar slechts tot op zekere hoogte. Boven $150, 000 per jaar, inkomen speelt al snel geen grote rol meer bij de beslissingen van mensen.

Anderzijds, Huishoudens met een laag en gemiddeld inkomen installeren niet vaak zonne-energiesystemen, zelfs niet als ze in gebieden wonen waar dat op lange termijn winstgevend zou zijn. Bijvoorbeeld, in gebieden met veel zon en relatief hoge elektriciteitstarieven, besparingen op de energierekening zouden de maandelijkse kosten van de apparatuur overschrijden. De belemmering voor huishoudens met een laag en gemiddeld inkomen zijn de kosten vooraf, vermoeden de auteurs. Deze bevinding toont aan dat installateurs van zonne-energie nieuwe financiële modellen kunnen ontwikkelen om aan de onvervulde vraag te voldoen.

Om sociaaleconomische factoren te overlappen, de teamleden gebruikten openbaar beschikbare gegevens voor U.S. Census-traktaten. Deze traktaten beslaan gemiddeld ongeveer 1, 700 huishoudens elk, ongeveer half zo groot als een postcode en ongeveer 4 procent van een typisch Amerikaans graafschap. Ze hebben andere goudklompjes gevonden. Bijvoorbeeld, zodra de zonne-penetratie een bepaald niveau bereikt in een buurt, neemt het een vlucht, wat niet verwonderlijk is. Maar als een bepaalde buurt veel inkomensongelijkheid heeft, die activator gaat vaak niet aan. Met behulp van geografische gegevens, het team ontdekte ook een significante drempel van hoeveel zonlicht een bepaald gebied nodig heeft om adoptie te activeren.

"We hebben enkele inzichten gevonden, maar het is slechts het topje van de ijsberg van wat we denken dat andere onderzoekers, Gereedschap, zonne-ontwikkelaars en beleidsmakers kunnen verder ontdekken, "Zei Majumdar. "We maken dit openbaar zodat anderen patronen voor zonne-inzet kunnen vinden, en economische en gedragsmodellen te bouwen."

De panelen vinden

Het team heeft het machine learning-programma getraind, genaamd DeepSolar, om zonnepanelen te identificeren door er ongeveer 370 te verstrekken, 000 afbeeldingen, elk beslaat ongeveer 100 voet bij 100 voet. Elk beeld werd gelabeld als het hebben of niet hebben van een zonnepaneel. Van dat, DeepSolar leerde functies identificeren die verband houden met zonnepanelen, bijvoorbeeld kleur, textuur en grootte.

"We vertellen de machine niet echt welk visueel kenmerk belangrijk is, " zei Jiafan Yu, een promovendus in elektrotechniek die het systeem bouwde met Zhecheng Wang, een promovendus in civiele en milieutechniek. "Al deze moeten door de machine worden geleerd."

Eventueel, DeepSolar kon in 93 procent van de gevallen een afbeelding correct identificeren met zonnepanelen en miste ongeveer 10 procent van de afbeeldingen met zonne-installaties. Op beide scores DeepSolar is nauwkeuriger dan eerdere modellen, zeggen de auteurs in het rapport.

De groep liet DeepSolar vervolgens de miljarden satellietbeelden analyseren om zonne-installaties te vinden - werk dat bestaande technologische jaren zou hebben gekost. Met enkele nieuwe efficiënties, DeepSolar heeft de klus binnen een maand geklaard.

De resulterende database bevat niet alleen residentiële zonne-installaties, maar die op de daken van bedrijven, evenals vele grote, zonne-energiecentrales die eigendom zijn van nutsbedrijven. De wetenschappers, echter, had DeepSolar de dunst bevolkte gebieden overgeslagen, omdat het zeer waarschijnlijk is dat gebouwen in deze landelijke gebieden ofwel geen zonnepanelen hebben, of ze doen het, maar zijn niet aan het raster bevestigd. De wetenschappers schatten op basis van hun gegevens dat 5 procent van de residentiële en commerciële zonne-installaties bestaat in de niet-bestreken gebieden.

"De vooruitgang in machine learning-technologie was geweldig, Wang zei. "Maar kant-en-klare systemen moeten vaak worden aangepast aan het specifieke project en dat vereist expertise in het onderwerp van het project. Jiafan en ik richten ons allebei op het gebruik van de technologie om duurzame energie mogelijk te maken."

Vooruit gaan, de onderzoekers zijn van plan de DeepSolar-database uit te breiden met zonne-installaties in landelijke gebieden en in andere landen met satellietbeelden met hoge resolutie. Ze zijn ook van plan om functies toe te voegen om de hoek en oriëntatie van een zonne-installatie te berekenen, die de stroomopwekking nauwkeurig zou kunnen schatten. De maatstaf van DeepSolar is voorlopig slechts een proxy voor potentiële output.

De groep verwacht de Amerikaanse database jaarlijks te updaten met nieuwe satellietbeelden. De informatie zou uiteindelijk kunnen bijdragen aan inspanningen om regionale Amerikaanse elektriciteitssystemen te optimaliseren, waaronder het project van Rajagopal en Yu om nutsbedrijven te helpen bij het visualiseren en analyseren van gedistribueerde energiebronnen.