了解哪些美國人在他們的屋頂上安裝了太陽能電池板，以及他們?yōu)槭裁催@樣做，對于管理不斷變化的美國電力系統(tǒng)，以及了解更多使用可再生資源的障礙，將是非常有用的。但到目前為止，所有可用的數(shù)據(jù)基本上都是估計值。為了得到準確的數(shù)字，斯坦福大學(StanfordUniversity)的科學家們使用機器學習算法分析了10多億張高分辨率衛(wèi)星圖像，并確定了這48個州中幾乎所有的太陽能裝置。研究結果發(fā)表在12月19日出版的《焦耳》雜志上。

這些數(shù)據(jù)可以在項目網(wǎng)站上公開獲得。分析發(fā)現(xiàn)共有147萬個光伏發(fā)電裝置，這個數(shù)字遠遠高于之前兩個公認的估計數(shù)字。科學家們還將把美國人口普查及其他數(shù)據(jù)與他們的太陽能設施目錄結合起來，以確定導致采用太陽能發(fā)電的因素。

我們可以利用機器學習方面的最新進展來了解所有這些資產(chǎn)的位置，這是一個巨大的問題，并且可以深入了解電網(wǎng)的發(fā)展方向以及我們如何幫助將其帶到更有利的地方，RamRajagopal說。他是土木與環(huán)境工程教授，與機械工程教授ArunMajumdar一起監(jiān)督該項目。

分析發(fā)現(xiàn)共有147萬個光伏發(fā)電裝置，這個數(shù)字遠遠高于之前兩個公認的估計數(shù)字。

誰使用太陽能

這些團體的數(shù)據(jù)可能對電力公司、監(jiān)管機構、太陽能電池板營銷人員和其他人有用。

了解附近有多少太陽能電池板，可以幫助當?shù)仉娏酒胶夤┬?，這是電網(wǎng)可靠性的關鍵。

該清單突出了太陽能部署的催化劑和障礙。例如，研究人員發(fā)現(xiàn)家庭收入非常重要，但只是在一定程度上。年收入超過15萬美元，收入很快就不再在人們的決策中起很大作用。另一方面，中低收入家庭并不經(jīng)常安裝太陽能系統(tǒng)，即使他們居住的地區(qū)從長遠來看是有利可圖的。例如，在陽光充足、電費較高的地區(qū)，節(jié)省的電費將超過每月的設備成本。作者懷疑，中低收入家庭的障礙在于前期成本。這一發(fā)現(xiàn)表明，太陽能安裝商可以開發(fā)新的金融模式來滿足未滿足的需求。

為了覆蓋社會經(jīng)濟因素，研究小組成員使用了公開的美國人口普查數(shù)據(jù)。這些小冊子平均每個大約覆蓋約1700個家庭，約為郵政編碼的一半，約占典型美國縣的4％。他們發(fā)現(xiàn)了其他有價值的東西。例如，一旦太陽能滲透到某個社區(qū)的某個水平，它就會迅速起飛，這并不奇怪。但如果某個社區(qū)存在很多收入不等的家庭，那么這個激活器通常就不會啟動。利用地理數(shù)據(jù)，研究小組還發(fā)現(xiàn)了一個重要的閾值，即一個特定區(qū)域需要多少陽光才能越過采用的重要門檻。Majumdar說：我們發(fā)現(xiàn)了一些見解，但我們認為這只是其他研究人員、電力公司、太陽能開發(fā)商和決策者能夠進一步發(fā)現(xiàn)的東西的冰山一角。我們將此公布于眾，這樣其他人就可以發(fā)現(xiàn)太陽能部署模式，并建立經(jīng)濟和行為模型。

發(fā)現(xiàn)面板

該團隊訓練了名為DeepSolar的機器學習程序(AI)，通過提供約37萬張圖像識別太陽能電池板，每張圖像覆蓋約100英尺100英尺。每張照片都被貼上了是否有太陽能電池板的標簽。從那以后，DeepSolar學會了識別與太陽能電池板相關的特征例如，顏色、紋理和尺寸。

與土木與環(huán)境工程專業(yè)博士研究生王哲成(音)共同構建該系統(tǒng)的電氣工程專業(yè)博士生于家芬(音)說，我們實際上并沒有告訴機器哪種視覺特征是重要的。所有這些都需要通過機器學習來完成。最終，DeepSolar能夠在93%的情況下正確地識別出包含太陽能電池板的圖像，而在安裝了太陽能設備的圖像中，大約有10%被忽略。作者在報告中說，在這兩個方面，DeepSolar比之前的模型更精確。

研究小組隨后讓DeepSolar分析了數(shù)十億張衛(wèi)星圖像，以找到太陽能裝置這項工作如采用常規(guī)技術需要多年才能完成。通過一些新的提升效率的手段，DeepSolar在一個月內完成了這項工作。由此產(chǎn)生的數(shù)據(jù)庫不僅包括住宅太陽能裝置，還包括企業(yè)屋頂上的裝置，以及許多大型電力企業(yè)擁有的太陽能發(fā)電場。然而，科學家們讓DeepSolar跳過了人口最稀少的地區(qū)，因為這些農村地區(qū)的建筑很可能要么沒有太陽能電池板，要么沒有連接到電網(wǎng)。科學家根據(jù)他們的數(shù)據(jù)估計，大約有5%的住宅和商業(yè)太陽能裝置存在于未覆蓋的地區(qū)。

王說，機器學習技術的進步令人驚嘆。但是現(xiàn)成的系統(tǒng)通常需要適應特定的項目，這需要項目專題方面的專業(yè)知識。我和家芬(音)都專注于使用這種技術來為可再生能源服務。

接下來，研究人員計劃擴展DeepSolar數(shù)據(jù)庫，將在農村地區(qū)和其他擁有高分辨率衛(wèi)星圖像的地區(qū)識別太陽能設備。他們還打算增加一些特征來計算太陽能裝置的角度和方向，從而準確地估計其發(fā)電量。DeepSolars的尺寸測量目前只是潛在輸出的代表。該組織希望每年用新的衛(wèi)星圖像來更新美國數(shù)據(jù)庫。這些信息最終將用于優(yōu)化美國各地區(qū)的電力系統(tǒng)，包括Rajagopal和Yus項目，幫助電力公司實現(xiàn)可視化和進一步分析分布式能源資源。

論文原文：https://www.sciencedirect.com/science/article/pii/S2542435118305701

（原文來自：每日太陽能中國新能源網(wǎng)綜合）