p Saber quais americanos instalaram painéis solares em seus telhados e por que o fizeram seria extremamente útil para gerenciar o sistema elétrico em mudança dos EUA e compreender as barreiras para um maior uso de recursos renováveis. Mas até agora, tudo o que está disponível são essencialmente estimativas. p Para obter números precisos, Os cientistas da Universidade de Stanford analisaram mais de um bilhão de imagens de satélite de alta resolução com um algoritmo de aprendizado de máquina e identificaram quase todas as instalações de energia solar nos 48 estados contíguos. Os resultados são descritos em um artigo publicado na edição de 19 de dezembro da Joule . Os dados estão disponíveis publicamente no site do projeto.

p A análise encontrou 1,47 milhão de instalações, que é um valor muito mais alto do que qualquer uma das duas estimativas amplamente reconhecidas. Os cientistas também integraram o Censo dos EUA e outros dados com seu catálogo solar para identificar os fatores que levam à adoção da energia solar.

p "Podemos usar avanços recentes no aprendizado de máquina para saber onde estão todos esses ativos, que tem sido uma grande questão, e gerar insights sobre para onde a rede está indo e como podemos ajudar a levá-la a um lugar mais benéfico, "disse Ram Rajagopal, professor associado de engenharia civil e ambiental, que supervisionou o projeto com Arun Majumdar, professor de engenharia mecânica.

p Quem vai solar

p Os dados do grupo podem ser úteis para concessionárias, reguladores, comerciantes de painéis solares e outros. Saber quantos painéis solares existem em uma vizinhança pode ajudar uma concessionária de energia elétrica local a equilibrar a oferta e a demanda, a chave para a confiabilidade. O inventário destaca ativadores e impedimentos à implantação solar. Por exemplo, os pesquisadores descobriram que a renda familiar é muito importante, mas apenas até certo ponto. Acima de $ 150, 000 por ano, a renda rapidamente deixa de ter um papel importante nas decisões das pessoas.

p Por outro lado, famílias de baixa e média renda não costumam instalar sistemas solares, mesmo quando vivem em áreas onde isso seria lucrativo a longo prazo. Por exemplo, em áreas com muito sol e taxas de eletricidade relativamente altas, a economia nas contas de serviços públicos excederia o custo mensal do equipamento. O impedimento para famílias de baixa e média renda é o custo inicial, os autores suspeitam. Esta descoberta mostra que os instaladores de energia solar podem desenvolver novos modelos financeiros para satisfazer a demanda não atendida.

p Para sobrepor fatores socioeconômicos, os membros da equipe usaram dados disponíveis publicamente para os setores do censo dos EUA. Esses folhetos cobrem em média cerca de 1, 700 famílias cada, cerca de metade do tamanho de um código postal e cerca de 4 por cento de um condado americano típico. Eles desenterraram outras pepitas. Por exemplo, uma vez que a penetração solar atinge um certo nível em uma vizinhança, ela decola, o que não é surpreendente. Mas se um determinado bairro tem muita desigualdade de renda, esse ativador frequentemente não liga. Usando dados geográficos, a equipe também descobriu um limite significativo de quanta luz solar uma determinada área precisa para desencadear a adoção.

p "Encontramos alguns insights, mas é apenas a ponta do iceberg do que pensamos outros pesquisadores, Serviços de utilidade pública, desenvolvedores e legisladores solares podem descobrir ainda mais, "Majumdar disse." Estamos tornando isso público para que outros encontrem padrões de implantação solar, e construir modelos econômicos e comportamentais. "

p Encontrando os painéis

p A equipe treinou o programa de aprendizado de máquina, chamado DeepSolar, para identificar painéis solares, fornecendo cerca de 370, 000 imagens, cada um cobrindo cerca de 30 por 30 metros. Cada imagem foi identificada como tendo ou não um painel solar presente. A partir desse, DeepSolar aprendeu a identificar recursos associados a painéis solares, por exemplo, cor, textura e tamanho.

p "Na verdade, não informamos à máquina qual recurso visual é importante, "disse Jiafan Yu, um candidato ao doutorado em engenharia elétrica que construiu o sistema com Zhecheng Wang, doutorando em engenharia civil e ambiental. "Tudo isso precisa ser aprendido pela máquina."

p Eventualmente, O DeepSolar pode identificar corretamente uma imagem como contendo painéis solares 93 por cento do tempo e perdeu cerca de 10 por cento das imagens que tinham instalações solares. Em ambas as pontuações, DeepSolar é mais preciso do que os modelos anteriores, os autores dizem no relatório.

p O grupo então fez com que o DeepSolar analisasse o bilhão de imagens de satélite para encontrar instalações solares - trabalho que a tecnologia existente levaria anos para ser concluído. Com algumas novas eficiências, O DeepSolar concluiu o trabalho em um mês.

p O banco de dados resultante contém não apenas instalações solares residenciais, mas aqueles nos telhados das empresas, bem como muitos grandes, usinas de energia solar de propriedade. Os cientistas, Contudo, fez o DeepSolar pular as áreas mais escassamente povoadas, porque é muito provável que os edifícios nessas áreas rurais não tenham painéis solares, ou fazem, mas não estão presos à grade. Os cientistas estimaram com base em seus dados que 5% das instalações solares residenciais e comerciais existem nas áreas não cobertas.

p "Os avanços na tecnologia de aprendizado de máquina têm sido incríveis, "Disse Wang." Mas os sistemas de prateleira muitas vezes precisam ser adaptados ao projeto específico e isso requer experiência no tópico do projeto. Jiafan e eu nos concentramos em usar a tecnologia para habilitar a energia renovável. "

p Seguindo em frente, os pesquisadores planejam expandir o banco de dados DeepSolar para incluir instalações solares em áreas rurais e em outros países com imagens de satélite de alta resolução. Eles também pretendem adicionar recursos para calcular o ângulo e a orientação de uma instalação solar, que poderia estimar com precisão sua geração de energia. A medida de tamanho do DeepSolar é, por enquanto, apenas uma indicação do produto potencial.

p O grupo espera atualizar o banco de dados dos EUA anualmente com novas imagens de satélite. As informações podem, em última análise, contribuir para os esforços de otimizar os sistemas elétricos regionais dos EUA, incluindo o projeto de Rajagopal e Yu para ajudar as concessionárias a visualizar e analisar os recursos de energia distribuída.