Ícono del sitio La Neta Neta

Este proyecto está mapeando cada panel solar en el país usando aprendizaje automático.

Este proyecto está mapeando cada panel solar en el país usando aprendizaje automático.

La energía renovable es el futuro, pero en la actualidad nadie está rastreando solo quién tiene paneles solares en su techo, en su patio trasero o en una instalación compartida en el vecindario. Afortunadamente, los paneles solares generalmente funcionan mejor cuando se exponen a la luz. Eso los hace fáciles de detectar y contar desde la órbita, que es lo que está haciendo el proyecto DeepSolar.

Hay una serie de iniciativas para recopilar esta información: algunas reguladas, otras voluntarias y otras automatizadas. Pero ninguno de ellos es lo suficientemente completo o preciso como para basar decisiones políticas o comerciales a nivel nacional o estatal.

Los ingenieros de Stanford (mecánicos y civiles, respectivamente) Arun Majumdar y Ram Rajagopal decidieron remediar esto con lo que parece, en retrospectiva, una solución bastante obvia.

Los sistemas de aprendizaje automático son excelentes para mirar imágenes y encontrar objetos para los que han sido “entrenados” para reconocer, ya sean gatos, caras o coches … ¿por qué no paneles solares?

Su equipo, incluidos los estudiantes de posgrado Jiafan Yu y Zhecheng Wang, reunieron a un agente de aprendizaje automático de reconocimiento de imagen capacitado en cientos de miles de imágenes satelitales. El modelo aprende tanto para identificar la presencia de paneles solares en una imagen como para encontrar la forma y el área de esos paneles.

Habiendo evaluado el modelo en casi cien mil imágenes satelitales de EE. UU. Muestreadas al azar, encontraron que alcanzaron una precisión de alrededor del 90 por ciento (un poco más o menos dependiendo de cómo se mide), que está muy por delante de otros modelos, y tamaño de celda estimado con solo alrededor de un 3% de error. (Su principal debilidad son las instalaciones muy pequeñas, me dijo Rajagopal, pero esto se debe en parte a los límites de las imágenes).

Luego, el equipo puso a trabajar el modelo para masticar más de mil millones de cuadros de imágenes que cubren la mayor parte de los 48 estados más bajos en los que podrían encontrar imágenes adecuadas. Eso excluye bastante área, pero considera que gran parte de eso es, por ejemplo, montañas. No hay muchas instalaciones solares allí, y pocas personas están tratando de instalar celdas en parques nacionales.

En total, es aproximadamente el 6 por ciento del país real, pero Rajagopal señaló que las áreas urbanas comprenden solo el 3.5 por ciento, por lo que esto cubre a todos y más. Estimó que quizás el 5 por ciento de las instalaciones se encuentren en las áreas que el sistema aún no ha procesado (pero está trabajando).

El escaneo tomó un mes entero, pero al final el modelo había encontrado 1,47 millones de instalaciones solares individuales (que podrían ser unos paneles en un techo o una granja solar completa). Eso es mucho más de lo que se ha contado por otros esfuerzos, y el más exitoso de ellos no vino con la ubicación exacta, como lo hacen los datos de DeepSolar.

El trazado básico de estos datos produce todo tipo de información nueva interesante. Puede comparar la densidad de la instalación solar en el estado, condado, distrito censal o incluso a nivel de milla cuadrada y compararla con todos los tipos de otras métricas: días soleados promedio por año, ingreso familiar, preferencia de voto, etc.

Un par de hallazgos interesantes: solo el 4 por ciento de todas las áreas censales (aproximadamente 3,000 de 75,000) tenían más de 100 sistemas solares a escala residencial, lo que significa que las instalaciones están altamente concentradas. La energía solar residencial representó el 87 por ciento del total de la instalación, pero con un tamaño promedio de alrededor de 25 metros cuadrados, solo el 34 por ciento de la superficie total de células solares.

La densidad máxima de despliegue se puede encontrar donde hay alrededor de mil personas por milla cuadrada; piense en una pequeña ciudad o suburbio, no en una ciudad importante. Y hay una especie de punto de inflexión en el que las personas comienzan a instalar: cuando un área recibe más de 4.5 kWh por metro cuadrado por día de radiación solar. Cómo se corresponde con el clima, la ubicación, la exposición, etc., es una pregunta más complicada.

Esta y otras características demográficas son toda una buena información para saber si desea invertir en energía solar, ya que básicamente le indican dónde se justifica o necesita.

“Hemos creado y lanzado un sitio web en el que puede jugar con los datos a nivel agregado (lo estamos manteniendo a nivel de distrito censal) para respetar la privacidad de los consumidores”, dijo Rajagopal. “Estamos explorando cómo hacer públicas las detecciones individuales respetando la privacidad (tal vez fomentando la participación pública y el crowdsourcing)”.

“Decidimos compartir todo el trabajo en código abierto para alentar a otros en la industria y el mundo académico a utilizar tanto el método como los datos para generar más ideas. Creemos que los cambios deben suceder rápidamente, y esta es una de las formas de ayudar en eso. Quizás en el futuro, los servicios se puedan construir alrededor de este tipo de datos “, continuó.

Hay planes en marcha para ampliar el servicio al resto de los EE. UU. Y otros países también. Los datos están disponibles para leer aquí, o aquí como un mapa; El documento del equipo que describe el proyecto se publicó hoy en la revista Joule.


Source link
Salir de la versión móvil