Saber qué estadounidenses han instalado paneles solares en sus techos y por qué lo hicieron sería de gran 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 esesencialmente estimaciones.
Para obtener cifras precisas, los científicos de la Universidad de Stanford analizaron más de mil millones de imágenes de satélite 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 diciembre.19 edición de julio . 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 energía solar.
"Podemos utilizar los avances recientes en el aprendizaje automático para saber dónde están todos estos activos, lo que ha sido una gran pregunta, y generar información sobre hacia dónde va la red y cómo podemos ayudar a llevarla a un lugar más beneficioso", dijoRam Rajagopal, profesor asociado de ingeniería civil y ambiental, que supervisó el proyecto con Arun Majumdar, profesor de ingeniería mecánica.
¿Quién se vuelve solar?
Los datos del grupo podrían ser útiles para empresas de servicios públicos, reguladores, comercializadores de paneles solares y otros. Saber cuántos paneles solares hay en un vecindario puede ayudar a una empresa eléctrica local a equilibrar la oferta y la demanda, la clave de la confiabilidad. El inventario destaca los activadores e impedimentospara el despliegue solar. Por ejemplo, los investigadores descubrieron que el ingreso familiar es muy importante, pero solo hasta cierto punto. Por encima de los $ 150,000 al año, el ingreso deja de desempeñar un papel importante en las decisiones de las personas.
Por otro lado, los hogares de ingresos bajos y medianos a menudo no instalan sistemas solares incluso cuando viven en áreas donde hacerlo sería rentable a largo plazo. Por ejemplo, en áreas con mucho sol y relativamente altolas tarifas de electricidad, el ahorro en las facturas de servicios públicos excedería el costo mensual del equipo. El obstáculo para los hogares de ingresos bajos y medianos es el costo inicial, sospechan los autores. 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 los EE. UU. Estas extensiones cubren en promedio aproximadamente 1.700 hogares cada una, aproximadamente la mitad del tamaño de un código postal y aproximadamente el 4 por ciento de un condado típico de los EE. UU.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 tiene mucha desigualdad de ingresos, ese activador a menudo no se enciende. Usando datos geográficos, el equipotambién 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 creemos que otros investigadores, empresas de servicios públicos, desarrolladores solares y formuladores de políticas pueden descubrir aún más", dijo Majumdar. "Estamos haciendo público esto para que otros encuentren patrones de implementación 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 al proporcionarle alrededor de 370,000 imágenes, cada una cubriendo aproximadamente 100 pies por 100 pies. Cada imagen fue etiquetada como teniendo o no un panel solar presente., 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 característica visual es importante", dijo Jiafan Yu, un candidato a doctorado en ingeniería eléctrica que construyó el sistema con Zhecheng Wang, un candidato a doctorado en ingeniería civil y ambiental ". Todo esto necesitapara ser aprendido por la máquina "
Eventualmente, DeepSolar pudo identificar correctamente una imagen que contenía paneles solares el 93 por ciento del tiempo 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, trabajo que le habría llevado a la tecnología existente años completar. Con algunas eficiencias novedosas, DeepSolar hizo el trabajo en un mes.
La base de datos resultante contiene no solo las instalaciones solares residenciales, sino también las que se encuentran en los techos de las empresas, así como muchas plantas de energía solar grandes y de propiedad de servicios públicos. Sin embargo, los científicos hicieron que DeepSolar se saltara las áreas menos pobladas, porque esEs muy probable que los edificios en estas áreas rurales no tengan paneles solares o que no estén conectados a la red. Los científicos estimaron con base en 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 sorprendentes", dijo Wang. "Pero los sistemas listos para usar a menudo necesitan adaptarse al proyecto específico y eso requiere experiencia en el tema del proyecto. Jiafan y yo nos enfocamos en usar eltecnología para habilitar las energías renovables ".
En el futuro, los investigadores planean expandir la base de datos DeepSolar para incluir instalaciones solares en áreas rurales y en otros países con imágenes satelitales de alta resolución. También tienen la intención de agregar características para calcular el ángulo y la orientación de una instalación solar, que podrían estimar con precisiónsu generación de energía. La medida de tamaño de DeepSolar es por ahora solo un proxy de salida potencial.
El grupo espera actualizar anualmente la base de datos de los EE. UU. Con nuevas imágenes de satélite. La información podría finalmente contribuir a los esfuerzos para optimizar los sistemas eléctricos regionales de los EE. UU., Incluido el proyecto de Rajagopal y Yu para ayudar a las empresas de servicios públicos a visualizar y analizar los recursos de energía distribuida.
Fuente de la historia :
Materiales proporcionados por Universidad de Stanford . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :