Saber qué estadounidenses han instalado paneles solares en sus techos y por qué lo hicieron sería de enorme utilidad para gestionar el cambiante sistema eléctrico de EE. UU. Y comprender las barreras para un mayor uso de los recursos renovables. Pero hasta ahora todo lo que ha estado disponible son esencialmente estimaciones.

Para obtener números precisos, Los científicos de la Universidad de Stanford analizaron más de mil millones de imágenes satelitales de alta resolución con un algoritmo de aprendizaje automático e identificaron casi todas las instalaciones de energía solar en los 48 estados contiguos. Los resultados se describen en un artículo publicado en la edición del 19 de diciembre de Joule . Los datos están disponibles públicamente en el sitio web del proyecto.

El análisis encontró 1,47 millones de instalaciones, que es una cifra mucho más alta que cualquiera de las dos estimaciones ampliamente reconocidas. Los científicos también integraron el censo de EE. UU. Y otros datos con su catálogo solar para identificar los factores que conducen a la adopción de la energía solar.

"Podemos utilizar los avances recientes en el aprendizaje automático para saber dónde están todos estos activos, que ha sido una gran pregunta, y generar información sobre hacia dónde se dirige la red y cómo podemos ayudar a llevarla a un lugar más beneficioso, "dijo Ram Rajagopal, profesor asociado de ingeniería civil y ambiental, quien supervisó el proyecto con Arun Majumdar, profesor de ingeniería mecánica.

¿Quién se vuelve solar?

Los datos del grupo podrían ser útiles para las empresas de servicios públicos, reguladores, comercializadores de paneles solares y otros. Saber cuántos paneles solares hay en un vecindario puede ayudar a una compañía eléctrica local a equilibrar la oferta y la demanda. la clave de la fiabilidad. El inventario destaca los activadores e impedimentos para el despliegue solar. Por ejemplo, los investigadores encontraron que el ingreso familiar es muy importante, pero solo hasta cierto punto. Por encima de $ 150, 000 al año, los ingresos rápidamente dejan de desempeñar un papel importante en las decisiones de las personas.

Por otra parte, Los hogares de ingresos bajos y medianos no suelen instalar sistemas solares, incluso cuando viven en áreas donde hacerlo sería rentable a largo plazo. Por ejemplo, en áreas con mucho sol y tarifas de electricidad relativamente altas, Los ahorros en las facturas de servicios públicos superarían el costo mensual del equipo. El impedimento para los hogares de ingresos bajos y medios es el costo inicial, los autores sospechan. Este hallazgo muestra que los instaladores solares podrían desarrollar nuevos modelos financieros para satisfacer la demanda insatisfecha.

Para superponer factores socioeconómicos, los miembros del equipo utilizaron datos disponibles públicamente para las secciones del censo de EE. UU. Estos tratados cubren en promedio alrededor de 1, 700 hogares cada uno, aproximadamente la mitad del tamaño de un código postal y aproximadamente el 4 por ciento de un condado típico de EE. UU. Desenterraron otras pepitas. Por ejemplo, una vez que la penetración solar alcanza un cierto nivel en un vecindario, despega, lo cual no es sorprendente. Pero si un vecindario determinado tiene mucha desigualdad de ingresos, ese activador a menudo no se enciende. Usando datos geográficos, el equipo también descubrió un umbral significativo de cuánta luz solar necesita un área determinada para desencadenar la adopción.

"Encontramos algunas ideas pero es solo la punta del iceberg de lo que pensamos que otros investigadores, utilidades los desarrolladores de energía solar y los responsables de la formulación de políticas pueden descubrir aún más, ", Dijo Majumdar." Estamos haciendo esto público para que otros encuentren patrones de despliegue solar, y construir modelos económicos y de comportamiento ".

Encontrar los paneles

El equipo capacitó al programa de aprendizaje automático, llamado DeepSolar, para identificar paneles solares proporcionándoles alrededor de 370, 000 imágenes, cada uno cubre aproximadamente 100 pies por 100 pies. Cada imagen fue etiquetada con o sin un panel solar presente. A partir de ese, DeepSolar aprendió a identificar las características asociadas con los paneles solares, por ejemplo, color, textura y tamaño.

"En realidad, no le decimos a la máquina qué función visual es importante, "dijo Jiafan Yu, un candidato a doctorado en ingeniería eléctrica que construyó el sistema con Zhecheng Wang, candidato a doctorado en ingeniería civil y ambiental. "Todos estos deben ser aprendidos por la máquina".

Finalmente, DeepSolar pudo identificar correctamente una imagen que contenía paneles solares el 93 por ciento de las veces y perdió alrededor del 10 por ciento de las imágenes que tenían instalaciones solares. En ambos puntajes, DeepSolar es más preciso que los modelos anteriores, dicen los autores en el informe.

Luego, el grupo hizo que DeepSolar analizara los mil millones de imágenes de satélite para encontrar instalaciones solares, un trabajo que habría tardado años en completarse con la tecnología existente. Con algunas eficiencias novedosas, DeepSolar hizo el trabajo en un mes.

La base de datos resultante contiene no solo instalaciones solares residenciales, pero los que están en los techos de los negocios, así como muchos grandes, plantas de energía solar de propiedad de servicios públicos. Los científicos, sin embargo, si DeepSolar omitió las áreas más escasamente pobladas, porque es muy probable que los edificios de estas zonas rurales no tengan paneles solares, o lo hacen pero no están adjuntos a la cuadrícula. Los científicos estimaron en base a sus datos que el 5 por ciento de las instalaciones solares residenciales y comerciales existen en las áreas no cubiertas.

"Los avances en la tecnología de aprendizaje automático han sido asombrosos, ", Dijo Wang." Pero los sistemas estándar a menudo necesitan adaptarse al proyecto específico y eso requiere experiencia en el tema del proyecto. Jiafan y yo nos enfocamos en usar la tecnología para permitir la energía renovable ".

Avanzando los investigadores planean expandir la base de datos DeepSolar para incluir instalaciones solares en áreas rurales y en otros países con imágenes de satélite de alta resolución. También tienen la intención de agregar funciones para calcular el ángulo y la orientación de una instalación solar, que podría estimar con precisión su generación de energía. La medida de tamaño de DeepSolar es por ahora solo un proxy de la producción potencial.

El grupo espera actualizar la base de datos de EE. UU. Anualmente con nuevas imágenes de satélite. En última instancia, la información podría contribuir a los esfuerzos por optimizar los sistemas eléctricos regionales de EE. UU., incluido el proyecto de Rajagopal y Yu para ayudar a las empresas de servicios públicos a visualizar y analizar los recursos energéticos distribuidos.