Para ilmuwan dari Amerika Serikat
menciptakan jaringan saraf untuk mendeteksi panel surya dalam citra satelit. Selain itu, ia juga mampu memprediksi dinamika distribusi panel di wilayah tertentu tergantung pada berbagai karakteristik wilayah, termasuk yang sosial-ekonomi. Berdasarkan hasil sistem, para pengembang membuat peta dengan informasi tentang popularitas energi surya di Amerika Serikat.
Sebuah tim ilmuwan yang dipimpin oleh Profesor Ram Rajagopal sedang mengerjakan proyeknya, yang disebut DeepSolar, di Universitas Stanford. Dasar dari proyek ini adalah
jaringan saraf convolutional yang agak populer Inception-v3, yang dilatih menggunakan set data 1,28 juta foto dari berbagai objek.
Jaringan telah dimodifikasi sesuai dengan tugas. Untuk melanjutkan pekerjaan, spesialis membersihkan parameter dari lapisan terakhir dari jaringan saraf, membuat dataset khusus.
Jaringan saraf dilatih sebagian pada gambar satelit Google Maps, sebagian pada gambar dari sumber lain. Layanan peta Google digunakan karena peta memiliki informasi tentang ketersediaan panel surya. Jaringan saraf convolusional "dihukum" karena pengakuan yang salah atas objek pada peta.
Hasilnya, ia mampu mengajarinya untuk menentukan keberadaan panel surya dengan akurasi lebih dari 93%. Kemudian sebuah lapisan ditambahkan yang dapat memilih panel-panel pada gambar - baik area kecil maupun wilayah besar “pertanian surya”. Tes terakhir dari jaringan saraf dilakukan atas dasar pemindaian pangkalan yang berisi lebih dari 1 miliar gambar satelit dari berbagai daerah di Amerika Serikat.
Akibatnya, para ilmuwan mendapat database yang cukup besar, yang mencakup koordinat lokasi panel surya di hampir seluruh Amerika Serikat. Ternyata, ada lebih dari 1,47 juta objek seperti itu di negara ini, yang lebih dari terdaftar dalam database berbagai sistem akuntansi fotosel. Proyek ilmuwan Stanford bahkan lebih besar dari Google - perusahaan menyimpan catatan panel surya sebagai bagian dari proyek Google Sunroof. Pada saat yang sama, jaringan saraf DeepSolar dapat membedakan antara panel "home" dan panel industri, yang mencakup area yang signifikan.
Jelas bahwa dalam kasus kedua, lebih mudah untuk membedakan antara panel, dan akurasi pengakuan oleh jaringan saraf mereka lebih dari 96%.
Pada tahap selanjutnya dari proyek, spesialis membandingkan data aktual dengan berbagai karakteristik daerah, sebagaimana disebutkan di atas. Ternyata (dan ini tidak bisa disebut kejutan) ada lebih banyak panel di lokasi yang dikembangkan secara ekonomi daripada di yang tidak disediakan dengan sangat baik. Berikutnya adalah "dataran tinggi", yang terbentuk setelah melampaui batas pendapatan $ 150 ribu per rumah tangga. Itu juga mungkin untuk mengetahui bahwa panel surya mulai muncul di wilayah tersebut jika produksi energi 4,5-5 kWh per hari per meter persegi.
Berdasarkan data yang dikumpulkan, para peneliti mengembangkan metodologi untuk memprediksi tingkat penetrasi panel surya di wilayah tertentu. Metodologi ini menggunakan 94 parameter berbeda, termasuk tingkat insolasi, tarif listrik, tingkat pendapatan penduduk, dan lainnya. Hasil perhitungannya adalah perkiraan jumlah panel surya per satu rumah tangga.
Menurut pengembang, jaringan saraf mereka dapat digunakan untuk memantau tingkat penetrasi panel surya di berbagai daerah, tidak hanya Amerika Serikat, tetapi juga negara lain. Secara bertahap, para ilmuwan akan melakukan analisis distribusi energi surya di seluruh dunia, menggunakan gambar berkualitas tinggi dari Google dan sumber lainnya sebagai dasar. Basis data akan diperbarui setiap tahun, meskipun faktanya ini adalah proyek nirlaba.
Jaringan saraf dan pekerjaannya dapat digunakan untuk mencapai berbagai tujuan. Misalnya, analisis situasi dengan distribusi sel surya untuk menilai efektivitas program untuk pengembangan energi alternatif. Analis dapat menggunakan data untuk keuntungan mereka, namun, belum jelas apakah data akan diberikan secara gratis atau apakah untuk menggunakannya harus membayar. Meskipun begitu, jelas bahwa AI dan jaringan saraf semakin banyak memasuki kehidupan dan pekerjaan kita.