Savoir quels Américains ont installé des panneaux solaires sur leurs toits et pourquoi ils l'ont fait serait extrêmement utile pour gérer l'évolution du système électrique américain et pour comprendre les obstacles à une plus grande utilisation des ressources renouvelables. Mais jusqu'à maintenant, tout ce qui a été disponible sont essentiellement des estimations.

Pour obtenir des chiffres précis, Les scientifiques de l'Université de Stanford ont analysé plus d'un milliard d'images satellites haute résolution avec un algorithme d'apprentissage automatique et ont identifié presque toutes les installations d'énergie solaire dans les 48 États contigus. Les résultats sont décrits dans un article publié dans le numéro du 19 décembre de Joule . Les données sont accessibles au public sur le site Web du projet.

L'analyse a trouvé 1,47 million d'installations, ce qui est un chiffre beaucoup plus élevé que l'une ou l'autre des deux estimations largement reconnues. Les scientifiques ont également intégré le recensement américain et d'autres données à leur catalogue solaire pour identifier les facteurs conduisant à l'adoption de l'énergie solaire.

« Nous pouvons utiliser les avancées récentes du machine learning pour savoir où se trouvent tous ces actifs, qui a été une énorme question, et générer des informations sur l'orientation du réseau et sur la manière dont nous pouvons l'aider à le rendre plus avantageux, " dit Ram Rajagopal, professeur agrégé de génie civil et environnemental, qui a supervisé le projet avec Arun Majumdar, professeur de génie mécanique.

Qui passe au solaire

Les données du groupe pourraient être utiles aux services publics, régulateurs, vendeurs de panneaux solaires et autres. Connaître le nombre de panneaux solaires dans un quartier peut aider un service public d'électricité local à équilibrer l'offre et la demande, la clé de la fiabilité. L'inventaire met en évidence les activateurs et les obstacles au déploiement solaire. Par exemple, les chercheurs ont découvert que le revenu du ménage est très important, mais seulement jusqu'à un certain point. Au-dessus de 150 $, 000 par an, le revenu cesse rapidement de jouer un grand rôle dans les décisions des gens.

D'autre part, Les ménages à faible et moyen revenu n'installent pas souvent des systèmes solaires même lorsqu'ils vivent dans des zones où cela serait rentable à long terme. Par exemple, dans les zones très ensoleillées et avec des tarifs d'électricité relativement élevés, les économies sur les factures des services publics dépasseraient le coût mensuel de l'équipement. L'obstacle pour les ménages à faible et moyen revenu est le coût initial, suspectent les auteurs. Ce résultat montre que les installateurs solaires pourraient développer de nouveaux modèles financiers pour satisfaire la demande non satisfaite.

Pour superposer les facteurs socio-économiques, les membres de l'équipe ont utilisé des données accessibles au public pour les secteurs de recensement des États-Unis. Ces étendues couvrent en moyenne environ 1, 700 ménages chacun, environ la moitié de la taille d'un code postal et environ 4 pour cent d'un comté américain typique. Ils ont déniché d'autres pépites. Par exemple, une fois que la pénétration solaire atteint un certain niveau dans un quartier, elle décolle, ce qui n'est pas surprenant. Mais si un quartier donné a beaucoup d'inégalités de revenus, cet activateur ne s'allume souvent pas. À l'aide de données géographiques, l'équipe a également découvert un seuil significatif de la quantité de lumière solaire dont une zone donnée a besoin pour déclencher l'adoption.

« Nous avons trouvé des idées, mais ce n'est que la pointe de l'iceberg de ce que nous pensons d'autres chercheurs, utilitaires, les développeurs solaires et les décideurs politiques peuvent découvrir davantage, " a déclaré Majumdar. " Nous rendons cela public afin que d'autres trouvent des modèles de déploiement solaire, et construire des modèles économiques et comportementaux.

Trouver les panneaux

L'équipe a formé le programme d'apprentissage automatique, nommé DeepSolar, d'identifier les panneaux solaires en lui fournissant environ 370, 000 images, chacun couvrant environ 100 pieds par 100 pieds. Chaque image a été étiquetée comme ayant ou non un panneau solaire présent. À partir de ce, DeepSolar a appris à identifier les caractéristiques associées aux panneaux solaires, par exemple, Couleur, texture et taille.

« Nous ne disons pas à la machine quelle caractéristique visuelle est importante, " dit Jiafan Yu, un doctorant en génie électrique qui a construit le système avec Zhecheng Wang, un doctorant en génie civil et environnemental. "Tout cela doit être appris par la machine."

Finalement, DeepSolar a pu identifier correctement une image contenant des panneaux solaires 93 % du temps et a raté environ 10 % des images comportant des installations solaires. Sur les deux scores, DeepSolar est plus précis que les modèles précédents, disent les auteurs dans le rapport.

Le groupe a ensuite demandé à DeepSolar d'analyser le milliard d'images satellites pour trouver des installations solaires, un travail qui aurait pris des années à la technologie existante. Avec quelques nouvelles efficacités, DeepSolar a fait le travail en un mois.

La base de données résultante contient non seulement des installations solaires résidentielles, mais ceux sur les toits des commerces, ainsi que de nombreux grands, centrales solaires appartenant au service public. Les scientifiques, cependant, DeepSolar a ignoré les zones les moins peuplées, car il est fort probable que les bâtiments de ces zones rurales soit ne disposent pas de panneaux solaires, ou ils le font mais ne sont pas attachés à la grille. Les scientifiques ont estimé sur la base de leurs données que 5% des installations solaires résidentielles et commerciales existent dans les zones non couvertes.

"Les progrès de la technologie d'apprentissage automatique ont été incroyables, ", a déclaré Wang. "Mais les systèmes standard doivent souvent être adaptés au projet spécifique et cela nécessite une expertise dans le sujet du projet. Jiafan et moi nous concentrons tous les deux sur l'utilisation de la technologie pour activer les énergies renouvelables. »

Avancer, les chercheurs prévoient d'étendre la base de données DeepSolar pour inclure les installations solaires dans les zones rurales et dans d'autres pays avec des images satellites à haute résolution. Ils ont également l'intention d'ajouter des fonctionnalités pour calculer l'angle et l'orientation d'une installation solaire, qui pourrait estimer avec précision sa production d'électricité. La mesure de la taille de DeepSolar n'est pour l'instant qu'une approximation de la production potentielle.

Le groupe prévoit de mettre à jour la base de données américaine chaque année avec de nouvelles images satellites. Les informations pourraient finalement alimenter les efforts visant à optimiser les systèmes électriques régionaux américains, y compris le projet de Rajagopal et Yu pour aider les services publics à visualiser et analyser les ressources énergétiques distribuées.