Localizando todos los paneles solares en activo en un país
Saber qué personas han instalado paneles solares en sus tejados y por qué lo han hecho sería enormemente útil para gestionar el cambiante sistema eléctrico de los países y para comprender las barreras que impiden un mayor uso de los recursos renovables. Pero hasta ahora, todo lo que ha estado disponible eran esencialmente estimaciones.
Para obtener números exactos, los científicos de la Universidad de Stanford analizaron más de mil millones de imágenes satelitales de alta resolución con un algoritmo de aprendizaje automático e identificaron casi todas las instalaciones de energía solar en los 48 estados contiguos de los Estados Unidos, un método que podría utilizarse para cualquier otro país. Los resultados se describen en un artículo publicado en la revista Joule. Los datos están además disponibles públicamente en el sitio web del proyecto.
El análisis encontró 1,47 millones de instalaciones, lo que es una cifra mucho más alta que cualquiera de las dos estimaciones ampliamente reconocidas. Los científicos también integraron el censo de los Estados Unidos y otros datos con su catálogo solar para identificar los factores que conducen a la adopción de la energía solar.
«Podemos utilizar los recientes avances en el aprendizaje automático para saber dónde se encuentran todos estos activos, lo cual ha sido una gran pregunta, y generar ideas sobre hacia dónde se dirige la red y cómo podemos ayudar a llevarla a un lugar más beneficioso», dijo Ram Rajagopal, profesor asociado de ingeniería civil y ambiental, quien supervisó el proyecto con Arun Majumdar, profesor de ingeniería mecánica.
Los datos podrían ser útiles para las empresas de servicios públicos, los reguladores, los comercializadores de paneles solares y otros. Saber cuántos paneles solares hay en un vecindario puede ayudar a una compañía eléctrica local a equilibrar la oferta y la demanda, lo cual es la clave de la fiabilidad. El inventario destaca activadores e impedimentos para el despliegue solar. Por ejemplo, los investigadores encontraron que los ingresos familiares son muy importante, pero solo hasta cierto punto. Por encima de 150.000 dólares al año, los ingresos dejan rápidamente de jugar un papel importante en las decisiones de la gente.
Por otro lado, los hogares de ingresos bajos y medios no suelen instalar sistemas solares, incluso cuando viven en zonas donde hacerlo sería rentable a largo plazo. Por ejemplo, en zonas con mucho sol y tarifas eléctricas relativamente altas, los ahorros en las facturas de los servicios públicos superarían el costo mensual del equipo. El impedimento para los hogares de bajos y medianos ingresos es el costo inicial, sospechan los autores. Este hallazgo muestra que los instaladores solares podrían desarrollar nuevos modelos financieros para satisfacer la demanda insatisfecha.
Para superponer los factores socioeconómicos, los miembros del equipo utilizaron datos disponibles públicamente para las diversas zonas que cubre el censo de los Estados Unidos. Estas zonas cubren en promedio cerca de 1.700 hogares cada una, cerca de la mitad del tamaño de un código postal y cerca del 4 por ciento de un condado típico de los EE.UU. Aquí encontraron nueva información interesante. Por ejemplo, una vez que la penetración solar alcanza cierto nivel en un vecindario, despega, lo cual no es sorprendente. Pero si un determinado barrio tiene mucha desigualdad de ingresos, ese activador a menudo no se enciende. Usando datos geográficos, el equipo también descubrió un umbral significativo de cuánta luz solar necesita un área determinada para activar la adopción.
«Encontramos algunas ideas, pero es solo la punta del iceberg de lo que pensamos que otros investigadores, empresas de servicios públicos, promotores de la energía solar y responsables de la formulación de políticas pueden seguir descubriendo«, dijo Majumdar. «Estamos haciendo esto público para que otros encuentren patrones de despliegue solar, y construyan modelos económicos y de comportamiento».
El equipo entrenó el programa de aprendizaje automático, llamado DeepSolar, para identificar los paneles solares proporcionándole unas 370.000 imágenes, cada una de ellas cubriendo unos 100 pies por 100 pies. Cada imagen fue etiquetada en función de si había un panel solar presente o no. A partir de eso, DeepSolar aprendió a identificar las características asociadas con los paneles solares, como por ejemplo, el color, la textura y el tamaño.
«En realidad no le decimos a la máquina qué característica visual es importante», dijo Jiafan Yu, un candidato a doctorado en ingeniería eléctrica que construyó el sistema con Zhecheng Wang, candidato a doctorado en ingeniería civil y ambiental. «Todo esto debe ser aprendido por la máquina».
Al final, DeepSolar pudo identificar correctamente una imagen que contenía paneles solares el 93 por ciento de las veces, y solo se le escaparon cerca del 10 por ciento de las imágenes que sí tenían instalaciones solares. En ambos casos, DeepSolar es más preciso que los modelos anteriores, dicen los autores en el informe.
El grupo hizo que DeepSolar analizara mil millones de imágenes satelitales para encontrar instalaciones solares, trabajo que habría tomado años completar con la tecnología existente. Con algunas eficiencias novedosas, DeepSolar hizo el trabajo en un mes.
La base de datos resultante contiene no solo las instalaciones solares residenciales, sino también las de los tejados de las empresas, así como muchas grandes plantas de energía solar propiedad de compañías eléctricas. Los científicos, sin embargo, hicieron que DeepSolar se saltara las áreas menos pobladas, porque es muy probable que los edificios en estas zonas rurales no tengan paneles solares, o los tengan pero no estén conectados a la red. Los científicos estimaron en base a sus datos que el 5 por ciento de las instalaciones solares residenciales y comerciales se hallan en áreas no cubiertas.
«Los avances en la tecnología de aprendizaje automático han sido increíbles», dijo Wang. «Pero los sistemas ya disponibles a menudo necesitan ser adaptados al proyecto específico y eso requiere experiencia en el tema del proyecto. Jiafan y yo nos centramos en el uso de la tecnología para adaptarla a la energía renovable».
En el futuro, los investigadores planean ampliar la base de datos DeepSolar para incluir instalaciones solares en zonas rurales y en otros países con imágenes satelitales de alta resolución. También tienen la intención de añadir características para calcular el ángulo y la orientación de una instalación solar, lo que podría estimar con precisión su generación de energía. La medida de tamaños de DeepSolar es por ahora solo una aproximación a la producción potencial.
El grupo espera actualizar anualmente la base de datos de EE.UU. con nuevas imágenes de satélite. La información podría, en última instancia, alimentar los esfuerzos por optimizar los sistemas eléctricos regionales de los EE.UU., incluyendo el proyecto de Rajagopal y Yu para ayudar a las empresas de servicios públicos a visualizar y analizar los recursos energéticos distribuidos. (Fuente: NCYT Amazings)
