دانستن اینکه آمریکایی ها پنل های خورشیدی را روی بام های خود نصب کرده اند و چرا این کار را انجام داده اند ، برای مدیریت تغییر سیستم برق ایالات متحده و درک موانع استفاده بیشتر از منابع تجدید پذیر ، بسیار مفید خواهد بود. اما تاکنون ، تمام آنچه در دسترس بوده است ، اساساً تخمین می زنند.
برای به دست آوردن اعداد دقیق ، دانشمندان دانشگاه استنفورد بیش از یک میلیارد تصویر ماهواره ای با وضوح بالا را با یک الگوریتم یادگیری ماشین مورد تجزیه و تحلیل قرار دادند و تقریباً هر نصب انرژی خورشیدی را در 48 ایالت مجاور شناسایی کردند. نتایج در مقاله ای منتشر شده در شماره 19 ژوئیه ژول توضیح داده شده است . داده ها در وب سایت پروژه در دسترس عموم است.
تجزیه و تحلیل 1.47 میلیون نصب را نشان می دهد که رقم بسیار بالاتری از هر دو تخمین شناخته شده است. دانشمندان همچنین سرشماری ایالات متحده و سایر داده ها را با فهرست خورشیدی خود ادغام کردند تا عواملی که منجر به پذیرش انرژی خورشیدی می شوند را شناسایی کنند.
رام Rajagopal گفت: "ما می توانیم از پیشرفت های اخیر در یادگیری ماشینی استفاده کنیم تا بدانیم که همه این دارایی ها کجا هستند ، که این یک سوال بزرگ بوده است و بینش هایی را در مورد اینکه شبکه در کجا می رود و چگونه می توانیم به رسیدن به مکانی سودمندتر کمک کنیم ، ایجاد کنیم." ، دانشیار مهندسی عمران و محیط زیست ، که سرپرستی این پروژه را با آرون مجومدار ، استاد مهندسی مکانیک انجام می داد.
چه کسی خورشیدی می رود
داده های این گروه می تواند برای برنامه های آب و برق ، تنظیم کننده ها ، بازاریاب پنل خورشیدی و دیگران مفید باشد. دانستن تعداد پنل های خورشیدی در یک محله می تواند به یک منبع برق و تقاضای تعادل برق محلی ، کلید اطمینان اطمینان کمک کند. موجودی این فعال کننده و موانع استقرار خورشیدی را برجسته می کند. به عنوان مثال ، محققان دریافتند که درآمد خانوار بسیار مهم است ، اما فقط تا یک نقطه. بالاتر از 150،000 دلار در سال ، درآمد به سرعت نقش بسیاری را در تصمیمات مردم بازی می کند.
این تصویر از نقشه تعاملی DeepSolar ، توزیع پانل های خورشیدی را توسط شهرستان در منطقه خلیج سان فرانسیسکو نشان می دهد. اعتبار: DeepSolar / دانشگاه استنفورد
از طرف دیگر ، خانوارهای کم درآمد و متوسط اغلب سیستم های خورشیدی را نصب نمی کنند حتی در مناطقی زندگی می کنند که انجام این کار در طولانی مدت سودآور خواهد بود. به عنوان مثال ، در مناطقی که دارای نور آفتاب زیادی هستند و میزان برق نسبتاً بالایی دارند ، پس انداز صورتحساب ابزار از هزینه ماهانه تجهیزات بیشتر است. نویسندگان گمان می برند که مانع خانواده های کم درآمد و متوسط هزینه های مقدماتی است. این یافته نشان می دهد که نصاب خورشیدی می توانند مدلهای مالی جدیدی را برای برآوردن تقاضای برآورده نشده توسعه دهند.
برای پوشاندن عوامل اقتصادی و اجتماعی ، اعضای تیم از داده های در دسترس عموم برای دستگاه های سرشماری ایالات متحده استفاده کردند. این تراکت ها بطور متوسط حدود 1700 خانوار را در بر می گیرد ، تقریبا نیمی از اندازه یک کد پستی و حدود 4 درصد از یک کشور معمولی ایالات متحده است. آنها نجت های دیگر را کشف کردند. به عنوان مثال ، هنگامی که نفوذ خورشیدی در محله ای به سطح معینی برسد ، خاموش می شود که جای تعجب ندارد. اما اگر یک محله مشخص نابرابری درآمدی زیادی داشته باشد ، آن فعال کننده اغلب روشن نمی شود. این تیم همچنین با استفاده از داده های جغرافیایی ، آستانه قابل توجهی از میزان نور خورشید در یک منطقه خاص برای ایجاد فرزندخواندگی را کشف کرد.
ماوموددار گفت: "ما بینش هایی پیدا کردیم ، اما این تنها نوک کوه یخ است که فکر می کنیم سایر محققان ، برنامه های کاربردی ، توسعه دهندگان خورشیدی و سیاست گذاران می توانند بیشتر کشف کنند." وی افزود: "ما این امر را به صورت عمومی انجام می دهیم تا دیگران الگوهای استقرار خورشیدی را پیدا کنند و مدل های اقتصادی و رفتاری بسازند."
این تصویر از نقشه تعاملی DeepSolar توزیع پانل های خورشیدی توسط شهرستان در منطقه اطراف شیکاگو را نشان می دهد. اعتبار: DeepSolar / دانشگاه استنفورد
پیدا کردن پانل ها
این تیم برای یادگیری صفحات خورشیدی با تهیه حدود 370،000 تصویر ، برنامه یادگیری ماشینی را با نام DeepSolar آموزش دیدند که هر یک در حدود 100 فوت 100 پا قرار دارد. هر تصویر به عنوان داشتن یا نداشتن پانل خورشیدی برچسب گذاری شده بود. از این طریق ، DeepSolar یاد گرفت ویژگی های مرتبط با پانل های خورشیدی - به عنوان مثال ، رنگ ، بافت و اندازه را شناسایی کند.
جیفان یو ، نامزد دکترا در مهندسی برق که سیستم را با ژژنگ وانگ ، کاندیدای دکترا در مهندسی عمران و محیط زیست ساخته است ، گفت: "ما در واقع به دستگاه نمی گوییم که کدام ویژگی بصری مهم است." "همه اینها را باید توسط دستگاه یاد گرفت."
سرانجام ، DeepSolar می تواند تصویری را که حاوی پانل های خورشیدی 93 درصد از زمان است به درستی تشخیص دهد و حدود 10 درصد از تصاویر که دارای تاسیسات خورشیدی هستند را از دست می دهد. در هر دو امتیاز ، DeepSolar از مدل های قبلی دقیق تر است ، نویسندگان در این گزارش می گویند.
سپس این گروه DeepSolar میلیارد تصاویر ماهواره ای را برای یافتن تأسیسات خورشیدی تجزیه و تحلیل کردند - کارهایی که سالهای گذشته فناوری آن به طول انجامید. DeepSolar با چند کارآیی جدید ، کار را طی یک ماه انجام داد.
بانک اطلاعاتی حاصل شامل نه تنها تأسیسات خورشیدی مسکونی ، بلکه آنهایی که در پشت بام مشاغل ، و همچنین بسیاری از نیروگاه های بزرگ خورشیدی با بهره وری هستند. با این حال دانشمندان DeepSolar از مناطق کم جمعیت ترین منطقه پرش کرده اند ، زیرا این احتمال وجود دارد که ساختمانهای این مناطق روستایی یا دارای صفحات خورشیدی نباشند ، یا این کار را انجام دهند اما به شبکه وصل نمی شوند. دانشمندان براساس داده های خود تخمین زده اند كه 5 درصد از تاسیسات خورشیدی مسكونی و تجاری در مناطقی كه تحت پوشش قرار ندارند وجود داشته باشد.
وانگ گفت: "پیشرفت در فن آوری یادگیری ماشین شگفت انگیز بوده است." "اما سیستم های خارج از قفسه اغلب باید با یک پروژه خاص سازگار شوند و این موضوع به تخصص در موضوع پروژه نیاز دارد. من و جیافان و من هر دو برای استفاده از این فناوری برای فعال کردن انرژی تجدید پذیر متمرکز هستیم."
محققان در حال پیشروی هستند ، قصد دارند پایگاه داده DeepSolar را گسترش دهند تا تأسیسات خورشیدی در مناطق روستایی و سایر کشورها با تصاویر ماهواره ای با وضوح بالا باشد. آنها همچنین قصد دارند ویژگی هایی را برای محاسبه زاویه و جهت یابی خورشیدی اضافه کنند ، که می تواند تولید انرژی آن را به طور دقیق تخمین بزند. اندازه DeepSolar اندازه اکنون فقط یک پروکسی برای خروجی بالقوه است.
این گروه انتظار دارند سالانه پایگاه داده ایالات متحده را با تصاویر ماهواره ای جدید به روز کند. این اطلاعات در نهایت می تواند در تلاش برای بهینه سازی سیستم های برق منطقه ای ایالات متحده ، از جمله پروژه Rajagopal و پروژه یو برای کمک به آب و برق در تجسم و تجزیه و تحلیل منابع انرژی توزیع شده باشد.
http://bookmark-template.com/story6989875/پمپ-وکیوم-اصفهان