" 机器学习帮助科学家找到几乎所有的美国太阳能电池板|工程斯坦福学校

      <kbd id="bhtdnfih"></kbd><address id="nnn0gjy9"><style id="vfh4rscn"></style></address><button id="3h3cfr12"></button>

          跳到内容 跳到导航

          Research & Ideas

          站内搜索

          机器学习帮助科学家找到几乎所有的美国太阳能板

          通过使用可公开获得的数据,研究人员已经确定,推广使用太阳能的因素和那些阻止它。

          solar panels

          分析发现,在美国147万个太阳能屋顶安装,更高的数字比一般估计。 |盖蒂图片社

          会心的美国人都安装了太阳能电池板在他们的屋顶,为什么他们这样做将是管理不断变化的美国极为有用电力系统并理解障碍更多地使用可再生资源。

          但是到现在为止,所有已经可以基本估计。

          得到准确的数字,申博体育的科学家分析了超过十亿的高分辨率卫星图像,机器学习算法,并在本土48个州确定的几乎每一个太阳能发电装置。结果在所描述的  发表在(分解)。 19问题焦耳。数据是公开提供的 项目的网站.

          分析发现,147万周的安装,这是比任何两个广泛认可的估计高得多的人物。科学家们还集成了美国普查并与他们的太阳能目录中的其他数据,以确定导致太阳能发电采用的因素。

          “我们可以使用最新进展在机器学习知道所有这些资产,这一直是一个巨大的问题,并产生大约是格栅会的见解和我们如何能够帮助它得到一个更有益的地方,”说 RAM rajagopal土木与环境工程副教授,谁监督项目 阿伦·马宗达,机械工程教授。

          谁去太阳

          该组的数据可以是公用事业,调节器,太阳能电池板营销人员和其他人是有用的。我们知道许多太阳能电池板如何在一个社区可以帮助当地的电力供需平衡,关键的可靠性。库存凸显激活和阻碍太阳能部署。例如,研究人员发现,家庭收入是非常重要的,但只是一个点。一年以上$ 150,000,收入迅速停止起到多大在人们的决策作用。

          在另一方面,低收入和中等收入家庭不经常安装太阳能系统,即使他们生活在这样做将是有利可图的长期地区。例如,在有大量的阳光和相对较高的电费领域,公用事业账单节约将超过设备的每月费用。对低收入和中等收入家庭的障碍是前期成本,作者猜想。这一发现表明,太阳能安装可以开发新的金融模式,以满足需求没有得到满足。

          叠加社会经济因素,团队成员用于美国公开数据普查小区。这些束上平均每个盖约1700户,一个邮政编码约一半的大小和典型的美国的约4%县。他们出土的其他掘金。例如,一旦太阳能渗透到达它起飞一个附近,这并不奇怪,一定的水平。但如果给定的附近有很多的收入不平等,即激活往往无法开机。利用地理数据,该研究小组还发现给定面积多少阳光需要触发采纳显著阈值。

          “我们发现了一些见解,但它是什么,我们认为其他研究人员,水电,太阳能开发者和政策制定者能够进一步揭开冰山的一角,”马宗达说。 “我们正在这个公共让别人发现太阳能部署模式,并建立经济和行为模式。”

          找到面板

          球队训练的机器学习程序,deepsolar命名,向其提供约37万的图像,每个都由100英尺占地约100英尺,以确定太阳能电池板。每个图像被标记为任何具有或不具有一个太阳能电池板本。从,deepsolar学会了识别与太阳能电池板相关联的特征 - 例如,颜色,纹理和大小。

          “我们实际上并不告诉机器,视觉特征是很重要的,”说 jiafan宇,博士生在电气工程是谁建的系统 柘城县旺,一个博士生在民用和环境工程。 “所有这些都需要通过机器学习。”

          最终,deepsolar可以正确地识别的图像作为包含太阳能电池板的时间93%和错过了确实有太阳能装置的图像的大约10%。两个分数,deepsolar是比以前的型号更准确,作者说,在报告中。

          该小组随后已deepsolar分析十亿卫星图像找到太阳能装置 - 一个可能会采取现有的技术年时间才能完成的工作。有一些新颖的效率,deepsolar了一个月完成任务。

          生成的数据库不仅包含住宅太阳能安装,但那些对企业的屋顶,以及许多大型公用事业拥有的太阳能发电厂。科学家,然而,有deepsolar跳过人口最稀少的地区,因为它很可能在这些农村地区的建筑不具备太阳能电池板要么,或他们做,但没有连接到电网。根据他们的数据估计的科学家是住宅和商业太阳能安装的5%,在未覆盖的区域存在。

          “在机器学习技术的进步是惊人的,”王说。 “不过关的,现成的系统通常需要适应具体的项目和需要的项目主题的专业知识。 jiafan和我都注重使用技术,使可再生能源。”

          前进,研究人员计划扩大deepsolar数据库,包括在农村地区和其他国家的高清晰度卫星图片太阳能装置。他们还打算将特征添加到计算的太阳能安装的角度和方向,这可能准确地估计其发电。大小deepsolar的措施是,现在只对潜在产出的代理。

          本集团预期,以更新美国每年新的卫星图像数据库。该信息可能最终送入努力优化区域美国电力系统,包括rajagopal和瑜 项目以帮助公用事业 可视化和分析分布式能源。

          马宗达也是申博体育能源的普雷科特能源研究所共同主任。 rajagopal是该研究所的高级研究员,并指示申博体育可持续系统实验室。

          Funding came from a State Grid Fellowship from Stanford 能源’s Bits & Watts initiative and a 斯坦福 Interdisciplinary Graduate Fellowship.