Aprendizaje automático y datos por satélite para diseñar la energía solar en los tejados

Aprendizaje automático y datos por satélite para diseñar la energía solar en los tejados

image_pdfimage_print

Investigadores han construido una herramienta para utilizar imágenes por satélite económicas –como Google Maps– para crear automáticamente diseños solares con una tasa de precisión del 91%.

Parece una novela con contenido solar y toques de punk: el autor involucra al equipo de Clean Coalition para que, utilizando mapas de la red eléctrica, encuentre las áreas con ubicación estratégica de energía solar y almacenamiento de las ciudades, teniendo en cuenta los más de 1.600 sobrealimentadores de Tesla, y a todos los que tienen energía solar y almacenamiento en sus hogares. En algún porcentaje, dentro de esta red súper distribuida ganaremos resiliencia. Para llegar allí se necesita paciencia y herramientas inteligentes.

Investigadores de la Universidad de Massachusetts, campus de Amherst, han construido una herramienta de software, llamada DeepRoof, que según ellos ha logrado una “tasa verdaderamente positiva” del 91,1% en la identificación del potencial de la energía solar de los tejados, al tiempo que utiliza datos satelitales ampliamente disponibles (y baratos) de herramientas como Google Earth. Su objetivo en Deep Roof: a Data-Driven Approach For Solar Potential Estimation Using Rooftop Imagery es hacer un listado de direcciones (o coordenadas GPS) para calcular el potencial de energía solar de diferentes ubicaciones.

Los investigadores usaron el machine learningo aprendizaje automático para identificar automáticamente estructuras como edificios y árboles que pudieran hacer sombra, pero encontraron que la mayoría de estas herramientas utilizaban LIDAR – una tecnología de mapeo aéreo basada en láser para determinar la geometría de los tejados, así como la sombra de los objetos cercanos. Desafortunadamente, la compilación de datos LIDAR es costosa, ya que se necesitan aviones. El Proyecto Techo Solar de Google fue considerado como una herramienta de alta calidad basada en LIDAR para este tipo de trabajo – pero se limita a las grandes ciudades Estados Unidos, y a las regiones más pobladas.

El primer paso del grupo es la Segmentación del Terreno, en la que se determina -a nivel de píxel- si hay una estructura, sombras o tejados. Los investigadores notaron que la identificación de objetos en una imagen a nivel de píxel, lo que se conoce como segmentación semántica, y es un problema de visión por ordenador bien investigado en el que los enfoques recientes de “aprendizaje profundo” han superado a las técnicas anteriores basadas en la visión.

A continuación, el software examinará las formas y direcciones individuales, en la parte de Estimación de topología del proceso. Los investigadores comprobaron que los contornos de una propiedad construida se pueden obtener fácilmente de OpenStreetMap, así como de todos los edificios dentro de un área específica si se conoce su dirección. Luego, lo combinan con los conjuntos de datos de bienes raíces y las pautas de la Agencia Federal de Emergencias para proporcionar una estimación razonable sobre la altura y la inclinación del tejado.

Después, haciendo uso de los datos de radicación solar disponibles públicamente, combinan las formas de los edificios determinados anteriormente, con lo que ellos llaman un algoritmo “codicioso” (greedy, en inglés) y se calcula el número total de paneles que encajan en el tejado. Lo que facilita la determinación automática de la capacidad de instalación multiplicando el número total de paneles por la potencia nominal de salida por panel.

El grupo compara sus modelos con los resultados del Proyecto Sunroof antes mencionado, así como con otras herramientas existentes en el mercado (UNet y MaskRCNNN, en la imagen anterior) para determinar la fiabilidad de las predicciones de su modelo. Encontraron que sus resultados eran al menos comparables y, por lo general, un poco mejores que esas herramientas.

Los investigadores también pidieron a dos expertos en energía solar que calificaran sus modelos individualmente y respondiera a dos preguntas: (i) ¿Cómo ha estimado DeepRoof el potencial solar de cada segmento de tejado plano? (ii) ¿Hay lugares en el tejado que nuestro enfoque no haya identificado como posibles lugares donde los expertos considerarían la instalación de paneles solares?

En general, ambos expertos dieron una calificación de más de 8 a 22 de los 30 hogares. Para estas casas, DeepRoof predijo la orientación correcta, así como la sombra de los árboles cercanos para estimar el potencial solar. Para las casas que recibieron una calificación inferior a 8, en la mayoría de los casos, DeepRoof no pudo identificar los árboles circundantes.

This content was originally published here.

Deja un comentario