導語：了解哪些美國人在他們的屋頂安裝了太陽能電池板以及他們為什麼這樣做將對管理不斷變化的美國電力系統和了解更多使用可再生資源的障礙非常有用。但到目前為止，所有可用的都是估計。為了獲得準確的數字，史丹福大學的科學家利用機器學習算法分析了超過10億個高解析度衛星圖像，並確定了幾乎所有48個州的太陽能裝置。
該分析發現了147萬個裝置，這比兩個廣泛認可的估計要高得多。科學家們還將美國人口普查和其他數據與太陽能目錄結合起來，以確定導致太陽能採用的因素。「我們可以利用機器學習的最新進展來了解所有這些資產的位置，這是一個巨大的問題，並產生關於電網走向以及我們如何幫助將其帶到更有利的地方的見解，」Ram Rajagopal說。 ，土木與環境工程副教授，與機械工程教授Arun Majumdar一起監督該項目。
該集團的數據可能對公用事業，監管機構，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地電力公用設施平衡供需，這是可靠性的關鍵。該清單突出了太陽能部署的激活因素和障礙。例如，研究人員發現家庭收入非常重要，但只有一點。每年超過150,000美元，收入很快就不再在人們的決策中發揮作用。
另一方面，低收入和中等收入家庭通常不安裝太陽能系統，即使他們居住的地區長期有利可圖。例如，在陽光充足且電費相對較高的地區，公用事業帳單節省將超過設備的每月費用。作者懷疑，低收入和中等收入家庭的障礙是前期成本。這一發現表明，太陽能安裝商可以開發新的財務模型以滿足未滿足的需求。
為了覆蓋社會經濟因素，團隊成員使用美國人口普查區的公開數據。這些小冊子平均每個大約覆蓋1,700個家庭，大約是郵政編碼的一半，大約是典型美國縣的4％。他們挖出了其他的掘金。例如，一旦太陽能滲透達到一個鄰近的某個水平就會起飛，這並不奇怪。但是，如果一個特定的社區有很多收入不平等，那麼該激活者通常不會開啟。利用地理數據，該團隊還發現了特定區域需要多少陽光才能引發採用的重要閾值。「我們發現了一些見解，但這只是我們認為其他研究人員，公用事業，太陽能開發商和政策制定者可以進一步發現的冰山一角，」Majumdar說。「我們正在公開這一點，以便其他人找到太陽能部署模式，並建立經濟和行為模型。」
該團隊培訓了名為DeepSolar的機器學習計劃，通過提供約370,000張圖像來識別太陽能電池板，每張圖像覆蓋約100英尺×100英尺。每個圖像被標記為具有或不具有太陽能電池板。從那時起，DeepSolar學會了識別與太陽能電池板相關的功能 - 例如，顏色，紋理和尺寸。「我們實際上並沒有告訴機器哪個視覺特徵很重要，」電氣工程博士候選人俞凡凡說，他與土木與環境工程博士候選人王哲成建立了這個系統。「所有這些都需要通過機器學習。」
最終，DeepSolar可以正確地將圖像識別為在93％的時間內包含太陽能電池板，並且錯過了大約10％的具有太陽能裝置的圖像。作者在報告中說，在這兩個分數上，DeepSolar比以前的模型更準確。然後，該小組讓DeepSolar分析了數十億個衛星圖像，以找到太陽能裝置，這項工作需要幾年時間才能完成。憑藉一些新穎的效率，DeepSolar在一個月內完成了工作。
由此產生的資料庫不僅包括住宅太陽能裝置，還包括企業屋頂上的裝置，以及許多大型公用事業所有的太陽能發電廠。然而，科學家們讓DeepSolar跳過人口最稀少的地區，因為這些農村地區的建築物很可能沒有太陽能電池板，或者它們沒有連接到電網。科學家根據他們的數據估計，5％的住宅和商業太陽能裝置存在於未覆蓋的區域。「機器學習技術的進步令人驚嘆，」王說。「但是，現成的系統通常需要適應具體的項目，並且需要項目主題的專業知識。賈凡和我都專注於使用該技術來實現可再生能源。」
總結：展望未來，研究人員計劃擴展DeepSolar資料庫，將農村地區和其他國家的太陽能裝置納入高解析度衛星圖像。他們還打算增加功能來計算太陽能裝置的角度和方向，這可以準確地估算其發電量。DeepSolar的尺寸衡量目前只是潛在產出的代表。該組織希望每年用新的衛星圖像更新美國資料庫。這些信息最終可以用於優化美國區域電力系統，包括Rajagopal和Yu的項目，以幫助公用事業可視化和分析分布式能源資源。