點擊👉進入

機器學習算法loca老虎機規則幾乎覆蓋了所有美國太陽能電池板

斯坦福大學的研究人員通過將機器學習算法應用於一個老虎機玩法 十億個衛星圖像他們確定了太陽能電池板的GPS位置及其尺寸。通過使用公開可用的數據,他們確定了促進太陽能使用的因素。他們還確定了阻礙太陽能使用的因素。

研究人員在雜誌上寫了他們的工作 焦耳(以下引用)。

太陽能 涉及捕獲太陽的能量並將其轉化為電能。我們還使用“太陽能‘含義相同。

了解誰在美國人的屋頂和牆壁上安裝了太陽能電池板電子老虎機破解would將非常有用。具體來說,對管理該國不斷發展的電力系統很有用。這也將有助於了解更多使用可再生能源的障礙。

但是,到目前為止,我們只估計有多少人使用可再生能源。

可再生能源 是源於永恆之源的能量。換句話說,在人類的時間尺度上,該資源永遠不會耗盡。例如,風能,太陽能和地熱能是可再生能源。我們永遠不會用完風,太陽的能量或地球的內部熱量。

斯坦福大學科學家的機器學習算法在美國檢測到147萬個太陽能屋頂裝置。圖片:太陽能authority.com)

科學家使用機器學習算法

為了獲得更準確的數字,研究人員分析了超過十億個高分辨率衛星圖像。他們使用了機器學習算法電子老虎機玩法它可以檢測到連續四十八個州中幾乎所有的太陽能裝置。

根據他們的分析,有147萬裝置。這個數字大大高於兩個公認的估計。

該研究小組還將美國人口普查以及其他數據與他們的太陽能目錄整合在一起。這使他們能夠確定導致採用太陽能的因素。

研究作者Ram Rajagopal說:

“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,並可以得出有關網格走向何方以及如何幫助將網格推向更有利位置的見解。”

Rajagopal是斯坦福大學土木與環境工程系副教授。斯坦福大學機械工程學教授Rajagopal教授和Arun Majumdar指導了該項目。

誰選擇安裝太陽能電池板?

作者說,他們的數據可能對監管機構和公用事業有用。這對於太陽能電池板營銷商和其他利益相關者也可能有用。

如果電力供應商知道多少個太陽能鍋老虎機機率在一個區域中,他們可以更輕鬆地平衡供需。平衡公用事業的供需是可靠性的關鍵。

他們的數據不僅突出了 司機 太陽能的部署,而且 障礙他們發現,例如,家庭收入是一個重要因素,但僅在一定程度上如此。

當年收入超過15萬美元時,收入很快就會在家庭決策中起很大作用。換句話說,如果家庭年收入在15萬美元或以下,則收入有助於確定人們是否安裝了太陽能電池板。在較富裕的家庭中,收入較少。

另一方面,中長期和低收入家庭安裝太陽能電池板的可能性較小,即使在長期可以盈利的地區也是如此。

太陽能電池板的安裝人員能否利用未滿足的需求?

例如,在電價較高的陽光充足地區,節省的電費將超過設備的每月成本。作者認為,但是,中低收入家庭的壁壘正在滿足前期成本。

這可能意味著太陽能安裝商如果開發新的財務模型,可能會遇到需求缺口。

研究人員使用可公開獲得的美國人口普查數據來覆蓋社會經濟因素。每個區域大約(平均)覆蓋1,700戶家庭。換句話說,大約是典型縣的4%或郵政編碼的一半。

該團隊還發現,當太陽能電池板在附近達到一定水平時,其滲透率就會上升。這不足為奇。但是,這在收入不平等程度很高的地區不會發生。

研究人員還發現了特定區域需要多少陽光才能觸發採用的重要閾值。

Majumdar教授說:

“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。我們正在公開此活動,以便其他人找到太陽能部署模式,並建立經濟和行為模型。”

訓練 深太陽能 找到太陽能電池板

研究人員經過培訓 深太陽能 通過提供約370,000張圖像來找到太陽能電池板。 深太陽能 是他們的機器學習算法的名稱。每個圖像約佔100英尺x 100英尺。每個圖像都被標記為其中沒有或有太陽能電池板。

深太陽能 然後學會識別與太陽能電池板相關的功能。例如,大小,紋理和顏色是其中的一些功能。

電氣工程博士學位的合著者於佳凡說:

“我們實際上並沒有告訴機器哪個視覺功能很重要。所有這些都需要機器學習。”

Yu與合著者Zhecheng Wang共同構建了該系統,王哲成是土木和環境工程的博士候選人。

最終,機器學習程序可以拉霸機遊戲93%的時間將圖像識別為正確包含太陽能電池板。它錯過了大約有太陽能板的圖像的10%。

但是,在兩個方面 深太陽能 這組作者說,它比以前的模型更準確。

深太陽能分析了十億張圖像

然後研究人員得到了 深太陽能 分析十億個衛星圖像,找到存在太陽能電池板的衛星圖像。現有技術將花費數年時間才能完成該任務。 深太陽能效率很高,一個月就完成了工作。

現在,研究人員的數據庫不僅包含有關住宅用太陽能電池板的信息,而且還包含公司屋頂以及許多大型公用事業公司的太陽能發電廠的信息。

作者做了 深太陽能 跳過人口最少的區域。人口稀少地區的建築物很少有太陽能電池板。那些確實不太可能附著在電網上。

研究人員估計,家庭和企業的太陽能電池板中有5%位於這些人煙稀少的地區。

王說:

“機器學習技術的進步是驚人的。但是,現成的系統通常需要針對特定項目進行調整,並且需要該項目主題方面的專業知識。我和加凡都致力於使用該技術來實現可再生能源。”

團隊計劃擴大規模 深太陽能的 數據庫包括農村地區的太陽能電池板。他們希望包括具有高分辨率衛星圖像的其他國家。他們還希望能夠計算出太陽能電池板的角度和方向。角度和方向使估算發電量成為可能。

引文

“ 深太陽能:一種在美國有效構建太陽能部署數據庫的機器學習框架,” 於佳凡,王哲成,阿倫·馬朱達爾,拉姆·拉各戈帕爾。 焦耳,第2卷,第12期,P2605-2617,2018年12月19日。DOI:https://doi.org/10.1016/j.joule.2018.11.021。