Sapere quali americani hanno installato pannelli solari sui loro tetti e perché lo hanno fatto sarebbe estremamente utile per gestire il sistema elettrico statunitense in evoluzione e per comprendere gli ostacoli a un maggiore utilizzo delle risorse rinnovabili. Ma fino ad ora, tutto ciò che è stato disponibile sono essenzialmente delle stime.

Per ottenere numeri precisi, Gli scienziati della Stanford University hanno analizzato più di un miliardo di immagini satellitari ad alta risoluzione con un algoritmo di apprendimento automatico e hanno identificato quasi tutte le installazioni di energia solare nei 48 stati contigui. I risultati sono descritti in un articolo pubblicato nel numero del 19 dicembre di Joule . I dati sono disponibili pubblicamente sul sito web del progetto.

L'analisi ha rilevato 1,47 milioni di installazioni, che è una cifra molto più alta di una delle due stime ampiamente riconosciute. Gli scienziati hanno anche integrato il censimento degli Stati Uniti e altri dati con il loro catalogo solare per identificare i fattori che portano all'adozione dell'energia solare.

"Possiamo utilizzare i recenti progressi nell'apprendimento automatico per sapere dove si trovano tutte queste risorse, che è stata una grande domanda, e generare informazioni su dove sta andando la griglia e su come possiamo aiutarla a portarla in un luogo più vantaggioso, " disse Ram Rajagopal, professore associato di ingegneria civile e ambientale, che ha supervisionato il progetto con Arun Majumdar, professore di ingegneria meccanica.

Chi va solare?

I dati del gruppo potrebbero essere utili alle utilities, regolatori, venditori di pannelli solari e altri. Sapere quanti pannelli solari ci sono in un quartiere può aiutare un'azienda elettrica locale a bilanciare domanda e offerta, la chiave dell'affidabilità. L'inventario evidenzia gli attivatori e gli impedimenti allo spiegamento solare. Per esempio, i ricercatori hanno scoperto che il reddito familiare è molto importante, ma solo fino a un certo punto. Sopra $ 150, 000 all'anno, il reddito cessa rapidamente di svolgere un ruolo importante nelle decisioni delle persone.

D'altra parte, le famiglie a basso e medio reddito non installano spesso sistemi solari anche quando vivono in aree in cui farlo sarebbe redditizio a lungo termine. Per esempio, in zone molto soleggiate e con tariffe elettriche relativamente elevate, il risparmio sulla bolletta supererebbe il costo mensile dell'attrezzatura. L'ostacolo per le famiglie a basso e medio reddito è il costo iniziale, sospettano gli autori. Questa scoperta mostra che gli installatori solari potrebbero sviluppare nuovi modelli finanziari per soddisfare la domanda insoddisfatta.

Per sovrapporre fattori socioeconomici, i membri del team hanno utilizzato dati pubblicamente disponibili per i tratti del censimento degli Stati Uniti. Questi tratti coprono in media circa 1, 700 famiglie ciascuno, circa la metà delle dimensioni di un codice postale e circa il 4% di una tipica contea degli Stati Uniti. Hanno portato alla luce altre pepite. Per esempio, una volta che la penetrazione solare raggiunge un certo livello in un quartiere decolla, il che non sorprende. Ma se un dato quartiere ha molte disparità di reddito, quell'attivatore spesso non si accende. Utilizzando i dati geografici, il team ha anche scoperto una soglia significativa di quanta luce solare ha bisogno di una determinata area per innescare l'adozione.

"Abbiamo trovato alcuni spunti, ma è solo la punta dell'iceberg di ciò che pensano gli altri ricercatori, servizi di pubblica utilità, gli sviluppatori e i responsabili delle politiche solari possono scoprire ulteriormente, " Ha detto Majumdar. "Lo stiamo rendendo pubblico in modo che altri trovino modelli di distribuzione solare, e costruire modelli economici e comportamentali”.

Trovare i pannelli

Il team ha addestrato il programma di apprendimento automatico, chiamato DeepSolar, identificare i pannelli solari fornendone circa 370, 000 immagini, ciascuno copre circa 100 piedi per 100 piedi. Ogni immagine è stata etichettata come avente o meno un pannello solare presente. Da quello, DeepSolar ha imparato a identificare le caratteristiche associate ai pannelli solari, ad esempio, colore, consistenza e dimensione.

"In realtà non diciamo alla macchina quale caratteristica visiva è importante, " disse Jiafan Yu, un dottorando in ingegneria elettrica che ha costruito il sistema con Zhecheng Wang, dottorando in ingegneria civile e ambientale. "Tutto questo deve essere appreso dalla macchina."

Infine, DeepSolar ha potuto identificare correttamente un'immagine come contenente pannelli solari il 93% delle volte e ha perso circa il 10% delle immagini che avevano installazioni solari. Su entrambi i punteggi, DeepSolar è più preciso dei modelli precedenti, dicono gli autori nel rapporto.

Il gruppo ha quindi chiesto a DeepSolar di analizzare il miliardo di immagini satellitari per trovare installazioni solari, un lavoro che avrebbe richiesto anni per completare la tecnologia esistente. Con alcune nuove efficienze, DeepSolar ha portato a termine il lavoro in un mese.

Il database risultante contiene non solo installazioni solari residenziali, ma quelli sui tetti delle imprese, così come molti grandi, centrali solari di proprietà. Gli scienziati, però, aveva DeepSolar saltare le aree più scarsamente popolate, perché è molto probabile che gli edifici di queste zone rurali non dispongano di pannelli solari, oppure lo fanno ma non sono collegati alla griglia. Gli scienziati hanno stimato, sulla base dei loro dati, che il 5% degli impianti solari residenziali e commerciali esiste nelle aree non coperte.

"I progressi nella tecnologia di apprendimento automatico sono stati sorprendenti, "Ha detto Wang. "Ma i sistemi standard spesso devono essere adattati al progetto specifico e ciò richiede esperienza nell'argomento del progetto. Jiafan ed io ci concentriamo entrambi sull'utilizzo della tecnologia per abilitare l'energia rinnovabile".

Andando avanti, i ricercatori hanno in programma di espandere il database DeepSolar per includere installazioni solari nelle aree rurali e in altri paesi con immagini satellitari ad alta risoluzione. Hanno anche intenzione di aggiungere funzionalità per calcolare l'angolo e l'orientamento di un'installazione solare, che potrebbe stimare con precisione la sua produzione di energia. La misura delle dimensioni di DeepSolar è per ora solo un proxy per il potenziale output.

Il gruppo prevede di aggiornare il database degli Stati Uniti ogni anno con nuove immagini satellitari. Le informazioni potrebbero in definitiva alimentare gli sforzi per ottimizzare i sistemi elettrici regionali degli Stati Uniti, compreso il progetto di Rajagopal e Yu per aiutare i servizi pubblici a visualizzare e analizzare le risorse energetiche distribuite.