Att veta vilka amerikaner som har installerat solpaneler på sina tak och varför de gjorde det skulle vara oerhört användbart för att hantera det föränderliga amerikanska elsystemet och för att förstå hindren för ökad användning av förnybara resurser. Men tills nu, allt som har varit tillgängligt är i huvudsak uppskattningar.

För att få korrekta siffror, Forskare vid Stanford University analyserade mer än en miljard högupplösta satellitbilder med en maskininlärningsalgoritm och identifierade nästan varje solenergianläggning i de sammanhängande 48 delstaterna. Resultaten beskrivs i en artikel publicerad i numret 19 december av Joule . Uppgifterna är allmänt tillgängliga på projektets hemsida.

Analysen fann 1,47 miljoner installationer, vilket är en mycket högre siffra än någon av de två allmänt erkända uppskattningarna. Forskarna integrerade också USA:s folkräkning och andra data med sin solcellskatalog för att identifiera faktorer som leder till användning av solenergi.

"Vi kan använda de senaste framstegen inom maskininlärning för att veta var alla dessa tillgångar finns, vilket har varit en stor fråga, och generera insikter om vart nätet är på väg och hur vi kan hjälpa till att få det till en mer fördelaktig plats, " sa Ram Rajagopal, docent i civil- och miljöteknik, som ledde projektet med Arun Majumdar, professor i maskinteknik.

Vem går sol

Gruppens data kan vara användbar för verktyg, regulatorer, marknadsförare av solpaneler och andra. Att veta hur många solpaneler som finns i ett grannskap kan hjälpa ett lokalt elföretag att balansera utbud och efterfrågan, nyckeln till tillförlitlighet. Inventeringen belyser aktivatorer och hinder för solenergiutbyggnad. Till exempel, forskarna fann att hushållsinkomsten är mycket viktig, men bara till en viss punkt. Över $150, 000 om året, inkomster upphör snabbt att spela stor roll för människors beslut.

Å andra sidan, Låg- och medelinkomsthushåll installerar inte ofta solsystem även när de bor i områden där det skulle vara lönsamt på lång sikt. Till exempel, i områden med mycket solsken och relativt höga elpriser, besparingar på elräkningen skulle överstiga den månatliga kostnaden för utrustningen. Hindret för låg- och medelinkomsthushåll är initialkostnad, misstänker författarna. Detta resultat visar att solcellsinstallatörer kan utveckla nya finansiella modeller för att tillfredsställa otillfredsställd efterfrågan.

För att lägga över socioekonomiska faktorer, teammedlemmarna använde allmänt tillgänglig data för amerikanska folkräkningstraktater. Dessa områden täcker i genomsnitt cirka 1, 700 hushåll vardera, ungefär hälften så stort som ett postnummer och ungefär 4 procent av ett typiskt amerikanskt län. De grävde fram andra klumpar. Till exempel, när solpenetrationen når en viss nivå i en stadsdel tar den fart, vilket inte är förvånande. Men om en viss stadsdel har stor inkomstskillnad, att aktivatorn ofta inte slår på. Med hjälp av geografiska data, teamet upptäckte också en betydande tröskel för hur mycket solljus ett givet område behöver för att utlösa adoption.

"Vi hittade några insikter, men det är bara toppen av isberget av vad vi tror att andra forskare, verktyg, solutvecklare och beslutsfattare kan ytterligare avslöja, ", sa Majumdar. "Vi gör detta offentligt så att andra kan hitta solenergiutbyggnadsmönster, och bygga ekonomiska och beteendemässiga modeller."

Att hitta panelerna

Teamet tränade maskininlärningsprogrammet, som heter DeepSolar, att identifiera solpaneler genom att tillhandahålla det cirka 370, 000 bilder, var och en täcker cirka 100 fot gånger 100 fot. Varje bild märktes med att ha eller inte ha en solpanel närvarande. Från det, DeepSolar lärde sig att identifiera funktioner som är associerade med solpaneler – till exempel, Färg, textur och storlek.

"Vi berättar faktiskt inte för maskinen vilken visuell funktion som är viktig, sa Jiafan Yu, en doktorand i elektroteknik som byggde systemet med Zhecheng Wang, en doktorand i civil- och miljöteknik. "Alla dessa måste läras av maskinen."

Så småningom, DeepSolar kunde korrekt identifiera en bild som innehöll solpaneler 93 procent av tiden och missade cirka 10 procent av bilderna som hade solcellsinstallationer. På båda poängen, DeepSolar är mer exakt än tidigare modeller, säger författarna i rapporten.

Gruppen lät sedan DeepSolar analysera miljarderna satellitbilder för att hitta solcellsinstallationer – arbete som skulle ha tagit existerande teknik år att slutföra. Med några nya effektivitetsvinster, DeepSolar fick jobbet gjort på en månad.

Den resulterande databasen innehåller inte bara solenergianläggningar för bostäder, men de på taket på företag, såväl som många stora, elägda solkraftverk. Forskarna, dock, hade DeepSolar hoppat över de mest glesbefolkade områdena, eftersom det är mycket troligt att byggnader i dessa landsbygdsområden antingen inte har solpaneler, eller så gör de det men är inte anslutna till nätet. Forskarna uppskattade baserat på deras data att 5 procent av bostads- och kommersiella solcellsinstallationer finns i de områden som inte omfattas.

"Framstegen inom maskininlärningsteknik har varit fantastiska, ", sa Wang. "Men hyllsystem måste ofta anpassas till det specifika projektet och det kräver expertis inom projektets ämne. Jiafan och jag fokuserar båda på att använda tekniken för att möjliggöra förnybar energi."

Går vidare, forskarna planerar att utöka databasen DeepSolar till att omfatta solenergianläggningar på landsbygden och i andra länder med högupplösta satellitbilder. De har också för avsikt att lägga till funktioner för att beräkna en solcellsanläggnings vinkel och orientering, som exakt kunde uppskatta dess kraftproduktion. DeepSolars storleksmått är för närvarande endast en proxy för potentiell produktion.

Gruppen räknar med att uppdatera den amerikanska databasen årligen med nya satellitbilder. Informationen kan i slutändan ingå i ansträngningar för att optimera regionala amerikanska elsystem, inklusive Rajagopal och Yus projekt för att hjälpa verktyg att visualisera och analysera distribuerade energiresurser.