DeepSolar kort, der viser solar panel distribution af amtet i området omkring Chicago. Billede: Dybt Sol/Stanford University
Fra tagterrassen konfigurationer til utility-skala faciliteter, solpaneler, der skyder op som popcorn i hele Usa. At sætte et nøjagtigt tal på nationens samlede solenergi-produktion, men viser sig at være notorisk vanskeligt. Heldigvis, det er et problem, der er velegnet til kunstig intelligens, som ny forskning fra Stanford University viser.
I nogle stater, sol energi tegner sig for op mod 10 procent af den samlede elproduktion. Det er helt sikkert en kilde af kraft, som er på fremmarch, uanset om det er til at mindske vores afhængighed af fossile brændsler, atomkraft, eller den energi nettet, eller blot for at drage fordel af de lave omkostninger. Denne form for energi, men er meget decentral, så det er svært at vide, hvor meget sol-energi udvindes, hvor, og af hvem.
“I øjeblikket er der ingen skalerbar måde at opbygge en landsdækkende kort over vedtagelsen af solvarmeanlæg, især tagterrasse PV [solceller], herunder præcise steder og pladestørrelser,” sagde Ram Rajagopal, en civilingeniør, professor på Stanford og medforfatter af en ny undersøgelse offentliggjort i dag i det videnskabelige tidsskrift Joule. “Sådanne kort kan hjælpe værktøjer, system, aktører, politikere og tech leverandører forstå vedtagelsen mønstre af solvarmeanlæg. Vi ønskede at udvikle en metode, der kan anvendes i de fleste lande i verden, og der kræves begrænset menneskelig indgriben.”
Systemet er udviklet af Rajagopal, sammen med sine kolleger Jiafan Yu og Zhecheng Wang, kaldes DeepSolar, og det er en automatiseret proces, hvorved hi-res satellit-fotos, der er analyseret af en algoritme, der er drevet af machine learning. DeepSolar kan identificere solpaneler, registrere deres positioner, og beregn deres størrelse. Systemet er identificeret 1,47 millioner individuelle solvarmeanlæg på tværs af de Forenede Stater, uanset om de er små tagterrasse konfigurationer, solar farms, eller utility-skala systemer. Denne overstiger det tidligere estimat på 1.02 millioner installationer. Forskerne har lavet denne data til rådighed på en open source hjemmeside.
Ved hjælp af denne nye metode, var forskerne i stand til præcist at scanne milliarder af fliser af satellitbilleder i høj opløsning, der dækker det kontinentale USA, der giver dem mulighed for at klassificere og måle størrelsen af solvarmeanlæg i et par uger snarere end år, som per tidligere metoder. Vigtigere, DeepSolar kræver minimal menneskelig overvågning.
“Den algoritme, der bryder satellit-billeder i fliser. Hver flise er behandlet af en dyb neurale net til at producere en klassifikation for hver pixel i en flise. Disse klassifikationer er kombineret sammen til at opdage, hvis et system eller en del af—er til stede i flisen,” Rajagopal fortalte Gizmodo.
Det neurale net kan derefter afgøre, hvilken flise, er en solfanger, og som ikke er. Netværket arkitektur er sådan, at efter uddannelse, de lag af netværket producere en aktivering kort, også kendt som en “heat map”, der skitserer de paneler. Dette kan bruges til at få størrelsen af hver solar panel system.
“En tagterrasse PV-system, der typisk svarer til flere pixels. Således, selv hvis hver pixel klassificering er ikke perfekt, når det kombineres du får en dramatisk forbedret klassifikation,” sagde Rajagopal. “Vi giver større vægt til falske negativer for at forhindre dem.”
Udstyret med denne information, forskere, politiske beslutningstagere og aktører planlæggere vil være i stand til at korrelere disse data med andre faktorer, såsom indkomst, befolkningstæthed, og uddannelsesniveau. Den deraf følgende analyser kunne styre infrastruktur opgraderinger, hvor det AMERIKANSKE elnet kunne gøres mere kompatibel med sol kilder, der er tilbøjelige til sæsonmæssige udsving i indkommende sollys, eller ulige solformørkelse. Data kan også vise, hvilke områder der er behov for solar-installation, hvilket regioner, der er modtagelige for kulturelle og etniske forskelle, og til at forudsige, hvilke geografiske områder, der er mest tilbøjelige til at vedtage solenergi på grund af socioøkonomiske faktorer.
“Vi håber, at de data, der produceres af DeepSolar kan støtte forskere, beslutningstagere og erhvervslivet i at få en bedre forståelse af sol vedtagelse og dens konsekvenser,” skriver forfatterne i undersøgelsen.
For Rajagopal, er det mest overraskende aspekt af denne forskning var, at systemet kan præcist afsløre solpaneler i sådan en kort tid computing tid. Han var også imponeret over, hvordan han og hans kolleger i stand til at se betydelige tendenser i data. For eksempel, peak udbredelsen af solpaneler blev vist til at ske i områder med en befolkningstæthed på over 1.000 mennesker per kvadratkilometer, og 4,5 kWh/m2/dag, viste sig at være grænsen for indkommende sollys (solstråling), ovenfor, men som sol indsættelse var næsten en selvfølge. Og som forfatterne skriver i undersøgelsen:
Årlige husstandsindkomst er en væsentlig driver for solar implementering. Lav – og medium-husstande har en lav indsættelse tætheder på trods af solvarmeanlæg er rentabelt for høj stråling priser [områder med god sollys], som angiver, at manglende økonomisk mulighed for at dække de umiddelbare udgifter er sandsynligvis en større byrde af sol-implementering.
I form af begrænsninger, solenergi kort er kun så god som de seneste data, der behandles af DeepSolar system. I betragtning af den hastighed, hvormed Amerikanerne er ved at installere solpaneler, dette kort er allerede ude af dato. Hvad mere er, kan kortet ikke rigtig fortælle os effektiviteten af hver enkelt solfanger, og den mængde energi, der udvindes og udnyttes. Også oprettelsen af disse kort krævede en betydelig brug af cloud computing ressourcer—omkostninger, der Rajagopal beskrevet som værende “ikke-triviel.” DeepSolar betragtes som et skalerbart system, men der skal ske forbedringer i form af sin real-time nøjagtighed og omkostninger.
Vendes blikket fremad, forskerne ville gerne bruge teknologi til at producere solenergi kort for mange lande rundt om i verden. Desuden er der en lignende metode, der kunne tænkes at blive brugt til at placere vindmøller og andre energi-infrastruktur komponenter. Endelig, forskerne arbejder også på et tweak, der vil gøre det muligt at beregne den vinkel af solceller, som vil forbedre opgørelsen af power-generation.
Den metode, der er udtænkt af disse Stanford forskere er en god start, og klart vigtigt i betragtning af den retning, at solenergi synes at være på vej. Jo flere oplysninger vi har om disse ting, jo bedre.
[Joule]
Dele Denne Historie