DeepSolar Karte mit solar-panel Verteilung von Landkreis, in der region um Chicago. Bild: Deep Solar/Stanford University
Von der Dachterrasse Konfigurationen zu utility-scale-Anlagen, solar-panels sind sprießen wie popcorn in den Vereinigten Staaten. Putting eine genaue Abbildung der nation, total solar power output, jedoch erweist sich als notorisch schwierig. Zum Glück, es ist ein problem, gut geeignet für künstliche Intelligenz, neue Forschung von der Stanford University zeigt.
In einigen Staaten, solar-Energie-Konten für nach oben von 10 Prozent der gesamten Stromerzeugung. Es ist definitiv eine Quelle der Kraft, die sich auf dem Vormarsch, ob es zu verringern unsere Abhängigkeit von fossilen Brennstoffen, nuklearer Energie oder die Energie-Gitter, oder einfach nur, um die Vorteile der niedrigen Kosten. Diese form der Energie, aber ist sehr dezentralisiert, so dass es schwer zu wissen, wie viel solar-Energie extrahiert wird, wo und von wem.
“Derzeit gibt es keine skalierbare Methode für den Aufbau einer vollständigen nationalen Karte der Verabschiedung von solar-Systemen, insbesondere Dach-PV [Photovoltaik], einschließlich der genauen Standorte und Größen”, sagte Ram Rajagopal, civil engineering professor an der Stanford und der co-Autor einer neuen Studie, die heute veröffentlicht in der Wissenschafts-Zeitschrift ” Joule. “Solche Karten helfen Versorgungsunternehmen, Netzbetreibern, politischen Entscheidungsträgern und tech-Anbieter zu verstehen, die Annahme Muster von Solaranlagen. Wir wollten eine Methodik entwickeln, die angewandt werden könnten, in den meisten Ländern der Welt und benötigt wenig menschliche intervention.”
Das system, entwickelt von Rajagopal, der, zusammen mit seinen Kollegen Jiafan Yu und Zhecheng Wang, heißt DeepSolar, und es ist ein automatisierter Prozess, bei hi-res-Satelliten-Fotos analysiert werden, indem ein Algorithmus angetrieben durch maschinelles lernen. DeepSolar identifizieren können Sonnenkollektoren, registrieren, Ihre Standorte, und berechnen Sie deren Größe. Das system identifiziert bei 1,47 Millionen individuelle solar-Anlagen in den Vereinigten Staaten, ob Sie kleine Dach-Konfigurationen, Solaranlagen oder utility-scale-Systeme. Dies übertrifft die bisherigen Schätzung von 1,02 Millionen Installationen. Die Forscher haben diese Daten auf einem open-source-website.
Mit diesem neuen Ansatz, den die Forscher waren in der Lage, genau zu Scannen Milliarden von Fliesen von hochauflösenden Satellitenbildern Abdeckung der kontinentalen USA, der Ihnen ermöglicht, zu klassifizieren und Messen Sie die Größe der Solaranlagen in ein paar von Wochen statt Jahren, wie durch bisherige Methoden. Wichtig ist, DeepSolar erfordert nur ein Minimum an menschlicher Aufsicht.
“Der Algorithmus bricht Satelliten-Bilder in Kacheln. Jede Kachel wird verarbeitet durch ein tiefes neuronales Netz zu erzeugen, eine Klassifizierung für jedes pixel in einer Kachel. Diese Klassifikationen werden zusammen kombiniert, um festzustellen, ob ein system—oder Teil—ist in der Fliese,” Rajagopal sagte Gizmodo.
Das neuronale Netz kann dann bestimmen, welche Kachel ist ein solar-panel, und was nicht. Die Netzwerk-Architektur ist so, dass nach der Ausbildung der Schichten des Netzwerks, produzieren eine Aktivierung Karte, auch bekannt als heat-map, die Umrisse der Platten. Dies kann verwendet werden, um die Größe der einzelnen solar-panel-system.
“A rooftop PV system in der Regel entspricht mehreren Pixeln. Selbst wenn also jeder pixel-Einteilung ist nicht perfekt, wenn Sie kombiniert, erhalten Sie eine deutlich verbesserte Klassifikation,” sagte Rajagopal. “Wir geben höhere GEWICHTE, um falsche negative zu vermeiden.”
Ausgestattet mit diesen Informationen, Forscher, politische Entscheidungsträger und die zivile Planer werden in der Lage sein zu korrelieren diese Daten mit anderen Faktoren, wie z.B. Haushaltseinkommen, Bevölkerungsdichte und Bildungsstand. Die daraus resultierenden Analysen lenken könnte Infrastruktur-upgrades, wobei das US-Stromnetz gemacht werden könnte mehr kompatibel mit solar-Quellen, die anfällig für saisonale Schwankungen in der ankommenden Sonneneinstrahlung oder die ungeraden solar eclipse. Die Daten konnten auch zeigen, welche Bereiche sind in der Notwendigkeit von solar-Einsatz, die Regionen sind anfällig für kulturelle und ethnische Unterschiede, und voraussagen, welche Regionen am wahrscheinlichsten anzunehmen, solar-Energie, die auf das Konto von sozioökonomischen Faktoren.
“Wir hoffen, dass die produzierten Daten DeepSolar, kann helfen, Forscher, politische Entscheidungsträger und die Industrie, zu gewinnen ein besseres Verständnis von solar-Erlass und seine Folgen”, schreiben die Autoren in der Studie.
Für Rajagopal, der überraschendste Aspekt dieser Forschung war, dass das system konnte genau erkennen, solar-panels in kürzester Rechenzeit. Er war auch beeindruckt, wie er und seine Kollegen waren in der Lage, um zu sehen, signifikante trends in den Daten. Zum Beispiel, peak Bereitstellung von solar-panels gezeigt wurde, was in Gebieten mit einer Bevölkerungsdichte von 1000 Menschen pro Quadratkilometer, und 4,5 kWh/m2/Tag zu sein schien, den Schwellenwert für die eingehende Sonneneinstrahlung (solare Strahlung), über die solar-Einsatz war praktisch eine gegebene. Und wie schreiben die Autoren in der Studie:
Jährliches Haushaltseinkommen ist ein wesentlicher Treiber für den solar-Einsatz. Niedrige und mittlere Einkommen niedrige Bereitstellung dichten trotz solar-Anlagen gewinnbringend für high-Strahlung Preisen [Bereiche mit guter Sonneneinstrahlung], was darauf hinweist, dass die mangelnde Finanzkraft der Deckung der Kosten im Voraus wird wahrscheinlich eine große Last von solar-Einsatz.
In Bezug auf die Einschränkungen, die solar power map ist nur so gut, wie die jüngsten Daten, die von der DeepSolar system. Angesichts der rate, mit der die Amerikaner die Installation von Sonnenkollektoren, diese Karte ist schon veraltet. Was mehr ist, die Karte kann uns nicht wirklich sagen, die Effizienz der einzelnen solar-panel, und die Menge der Energie, die entzogen und genutzt werden kann. Auch die Erstellung dieser Karten erforderte einen erheblichen Einsatz von cloud-computing-Ressourcen—Kosten, Rajagopal beschrieben als “nicht-trivial.” DeepSolar ist als ein skalierbares system, aber die Verbesserungen die gemacht werden müssen in Bezug auf Ihre real-time-Genauigkeit und Kosten.
Blick in die Zukunft, die Forscher wollen die Technologie nutzen, zu produzieren solar-Karten für viele Länder auf der ganzen Welt. Zusätzlich, eine ähnliche Methode könnte unter Umständen verwendet werden, zu suchen, Windräder und andere Energie-Infrastruktur-Komponenten. Schließlich sind auch die Forscher arbeiten an einer Optimierung, die es erlauben würde, das system zur Berechnung des Winkels der solar-panels, die verbessern würde, Schätzungen von power-generation.
Die Methode wurde von dieser Stanford-Forscher ist es, einen guten start, und deutlich wichtiger, da die Richtung, in die Solarenergie zu sein scheint, geleitet. Je mehr Informationen wir haben über solche Dinge, desto besser.
[Joule]
Teilen Sie Diese Geschichte