Aprendizado de máquina e dados de satélite para projetar energia solar em telhados

Os pesquisadores criaram uma ferramenta para usar imagens econômicas de satélite - como o Google Maps - para criar automaticamente projetos solares com uma taxa de precisão de 91%.

KIUC

Parece um romance com conteúdo solar e toques de punk: o autor envolve a equipe da Coalizão Limpa para que, usando mapas da rede elétrica, encontre as áreas com localização estratégica de energia solar e armazenamento das cidades, levando em conta os mais de 1.600 superalimentadores de Tesla e todos aqueles que têm energia solar e armazenamento em suas casas. Em alguma porcentagem, nessa rede super distribuída, ganharemos resiliência. Para chegar lá, você precisa de paciência e ferramentas inteligentes.

Pesquisadores da Universidade de Massachusetts, campus de Amherst, criaram uma ferramenta de software chamada DeepRoof, que eles afirmam ter atingido uma "taxa verdadeiramente positiva" de 91,1% na identificação do potencial de energia solar do telhado, enquanto usa dados de satélite amplamente disponíveis (e baratos) de ferramentas como o Google Earth. Seu objetivo no Deep Roof: uma abordagem orientada a dados para estimativa de potencial solar O uso de imagens no telhado é fazer uma lista de endereços (ou coordenadas GPS) para calcular o potencial de energia solar de diferentes locais.

Os pesquisadores usaram o aprendizado de máquina ou o aprendizado de máquina para identificar automaticamente estruturas como edifícios e árvores que poderiam sombrear, mas descobriram que a maioria dessas ferramentas usava o LIDAR - uma tecnologia de mapeamento aéreo baseada em laser para determinar a geometria do telhado, portanto Como a sombra de objetos próximos. Infelizmente, a compilação de dados do LIDAR é cara, pois são necessários aviões. O Google Solar Roof Project foi considerado uma ferramenta de alta qualidade baseada no LIDAR para esse tipo de trabalho - mas é limitado às grandes cidades dos Estados Unidos e às regiões mais populosas.

O primeiro passo do grupo é a Segmentação do terreno, na qual é determinado - no nível de pixel - se há uma estrutura, sombras ou telhados. Os pesquisadores observaram que a identificação de objetos em uma imagem em nível de pixel, o que é conhecido como segmentação semântica, e é um problema de visão computacional bem pesquisado, no qual abordagens recentes de "aprendizado profundo" superaram as técnicas anterior com base na visão.

O software examinará os formulários e endereços individuais, na parte Estimativa da topologia do processo. Os pesquisadores verificaram que os contornos de uma propriedade construída podem ser facilmente obtidos no OpenStreetMap, bem como em todos os edifícios em uma área específica, se o endereço for conhecido. Em seguida, combinam-no com conjuntos de dados imobiliários e com as diretrizes da Agência Federal de Emergência para fornecer uma estimativa razoável da altura e inclinação do telhado.

Em seguida, usando os dados de radiação solar disponíveis ao público, eles combinam as formas dos edifícios determinados acima, com o que chamam de algoritmo “ganancioso” (ganancioso, em inglês) e calculam o número total de painéis que cabem no telhado Isso facilita a determinação automática da capacidade de instalação multiplicando o número total de painéis pela potência nominal de saída por painel.

O grupo compara seus modelos com os resultados do Projeto Sunroof mencionados acima, bem como com outras ferramentas no mercado (UNet e MaskRCNNN, na imagem anterior) para determinar a confiabilidade das previsões de seu modelo. Eles descobriram que seus resultados eram pelo menos comparáveis ​​e geralmente um pouco melhores do que essas ferramentas.

Os pesquisadores também pediram a dois especialistas em energia solar que classificassem seus modelos individualmente e respondessem a duas perguntas: (i) Como a DeepRoof estimou o potencial solar de cada segmento de telhado plano? (ii) Há lugares no telhado que nossa abordagem não identificou como possíveis lugares onde especialistas considerariam instalar painéis solares?

No geral, os dois especialistas classificaram mais de 8 a 22 dos 30 domicílios. Para essas casas, o DeepRoof previu a orientação correta, bem como a sombra das árvores próximas para estimar o potencial solar. Para casas que receberam uma classificação abaixo de 8, na maioria dos casos, o DeepRoof não conseguiu identificar as árvores ao redor.

Postar um comentário

0 Comentários