DeepSolar kaart met zonnepaneel verdeling per provincie in de regio rond Chicago. Afbeelding: Diep Solar/Stanford University
Vanaf het dak configuraties te utility-scale faciliteiten, zonnepanelen komen als popcorn in de Verenigde Staten. Om een exact cijfer op de natie van de totale zonne-energie output, echter, blijkt een moeilijke oefening. Gelukkig is het een probleem goed geschikt voor kunstmatige intelligentie, als nieuw onderzoek van de Stanford University blijkt.
In sommige staten, zonne-energie is verantwoordelijk voor ruim 10 procent van de totale elektriciteitsproductie. Het is zeker een bron van kracht, dat is op de stijging, of het nu gaat om het verminderen van onze afhankelijkheid van fossiele brandstoffen, kernenergie, of het energienetwerk, of gewoon om te profiteren van de lage kosten. Deze vorm van energie is echter sterk gedecentraliseerde, dus het is moeilijk om te weten hoeveel zonne-energie wordt gewonnen, waar, en door wie.
“Momenteel is er geen schaalbare manier om het bouwen van een nationale kaart van de toepassing van zonne-energie systemen, in het bijzonder op het dak PV [fotovoltaïsche], met inbegrip van de exacte locaties en paneel maten,” aldus Ram Rajagopal, civiele techniek professor aan de universiteit van Stanford en de co-auteur van een nieuw onderzoek dat vandaag wordt gepubliceerd in de science journal Joule. “Deze kaarten helpen nutsbedrijven, systeem beheerders, beleidsmakers en tech-leveranciers begrijpen de vaststelling patronen van zonne-energie systemen. We wilden een methode te ontwikkelen die kan worden toegepast in de meeste landen in de wereld en de vereiste beperkte menselijke tussenkomst.”
Het systeem is ontwikkeld door Rajagopal, samen met zijn collega ‘s Jiafan Yu en Zhecheng Wang, heet DeepSolar, en het is een geautomatiseerd proces, waarbij hi-res satelliet foto’ s worden geanalyseerd door een algoritme gedreven door de machine learning. DeepSolar kunnen identificeren zonnepanelen, registreren hun locaties en bereken hun grootte. Het systeem geïdentificeerd 1.47 miljoen individuele zonne-installaties in de Verenigde Staten, ongeacht of zij worden klein dak configuraties, solar farms, of utility-schaal systemen. Dit overtreft de vorige schatting van 1,02 miljoen installaties. De onderzoekers hebben deze gegevens beschikbaar aan een open-source website.
Door het gebruik van deze nieuwe aanpak, de onderzoekers waren in staat om nauwkeurig te scannen miljarden tegels van hoge-resolutie satellietbeelden dekking van de continentale VS, waardoor ze te classificeren en meten de grootte van zonne-energie systemen in een paar weken eerder dan een jaar, volgens de voorgaande methoden. Nog belangrijker is, DeepSolar vereist een minimale menselijk toezicht.
“Het algoritme breekt satelliet beelden in tegels. Elke tegel wordt verwerkt door een diepe neurale net voor het produceren van een classificatie voor elke pixel in een tegel. Deze classificaties worden gecombineerd samen om te detecteren of van een systeem—of deel van—is aanwezig in de tegel,” Rajagopal vertelde Gizmodo.
Het neurale net kan vervolgens bepalen welke tegel is een zonnepaneel, en welke niet. De architectuur van het netwerk is zodanig dat na de training de lagen van het netwerk produceren een activatie-kaart, ook wel bekend als een warmte-kaart, dat een overzicht geeft van de panelen. Dit kan worden gebruikt voor het verkrijgen van de grootte van elk zonnepaneel systeem.
“Een dak PV-systeem meestal komt overeen met meerdere pixels. Dus zelfs als elke pixel-classificatie is niet perfect, wanneer gecombineerd, je krijgt een sterk verbeterde classificatie,” zei Rajagopal. “We geven een hogere gewichten aan valse negatieven om ze te voorkomen.”
Uitgerust met deze informatie, onderzoekers, beleidsmakers en maatschappelijke planners in staat zal zijn te correleren deze gegevens met andere factoren, zoals het inkomen van het huishouden, de bevolkingsdichtheid, en het opleidingsniveau. De daaruit voortvloeiende analyses kunnen sturen upgrades van de infrastructuur, waarbij het AMERIKAANSE elektriciteitsnet kan worden gemaakt compatibel met zonne-bronnen, die onderhevig zijn aan seizoenschommelingen in de inkomende zonlicht, of de oneven zonsverduistering. Ook kunnen de gegevens laten zien welke gebieden in de behoefte van zonne-implementatie, die regio ‘s zijn gevoelig voor culturele en etnische verschillen, en om te voorspellen in welke geografische regio’ s zijn het meest waarschijnlijk aan te nemen zonne-energie op grond van sociaal-economische factoren.
“We hopen dat de gegevens die worden geproduceerd door DeepSolar kan helpen onderzoekers, beleidsmakers en de industrie in het verkrijgen van een beter begrip van zonne-adoptie en de gevolgen daarvan,” schrijven de auteurs in het onderzoek.
Voor Rajagopal, de meest verrassende aspect van dit onderzoek was dat het systeem zou kunnen nauwkeurig te detecteren zonnepanelen in zo een korte hoeveelheid rekentijd. Hij was ook onder de indruk van hoe hij en zijn collega ‘ s waren in staat om significante trends in de gegevens. Bijvoorbeeld, piek implementatie van zonne-panelen is aangetoond dat gebeuren in gebieden met een bevolkingsdichtheid van 1000 mensen per vierkante kilometer, en 4,5 kWh/m2/dag bleek de drempel voor het inkomende zonlicht (zonne-straling), boven die zonne-implementatie was praktisch een gegeven. En als de auteurs schrijven in de studie:
Jaarlijkse inkomen van het huishouden is een aanzienlijke driver voor zonne-implementatie. Laag – en midden-inkomen van huishoudens met een laag implementatie dichtheden ondanks zonne-energie systemen zijn winstgevend voor high-straling tarieven [gebieden met een goede zonlicht], die aangeeft dat het ontbreken van financiële mogelijkheden van de dekking van de kosten vooraf is waarschijnlijk een grote last van zonne-implementatie.
In termen van beperkingen, de zonne-energie-kaart is slechts zo goed als de meest recente gegevens die worden verwerkt door de DeepSolar systeem. Gezien de snelheid waarmee de Amerikanen zijn het installeren van zonnepanelen, deze kaart is nu al verouderd. Wat meer is, de kaart kan niet echt vertellen ons dat de efficiëntie van elk zonnepaneel, en de hoeveelheid energie die wordt gewonnen en gebruikt. Ook de creatie van deze kaarten een significante gebruik van cloud computing resources—kosten die Rajagopal beschreven als zijnde “niet-triviaal.” DeepSolar wordt beschouwd als een schaalbaar systeem, maar de verbeteringen moeten worden aangebracht in de voorwaarden van de real-time nauwkeurigheid en kosten.
Vooruitblikkend, de onderzoekers zouden graag gebruik maken van de technologie voor het produceren van zonne-kaarten voor vele landen over de hele wereld. Bovendien, een soortgelijke methode denkbaar kan worden gebruikt voor het opsporen van windturbines en andere energie-infrastructuur componenten. Tot slot, de onderzoekers werken ook aan een tweak die het mogelijk het systeem voor het berekenen van de hoek van de zonnepanelen, die zou verbeteren schattingen van de energie-opwekking.
De methode is bedacht door deze Stanford-onderzoekers is een goede start, en duidelijk van belang voor de richting die zonne-energie lijkt te worden geleid. Hoe meer informatie we hebben over zulke dingen, hoe beter.
[Joule]
Deel Dit Verhaal