Estimación global del potencial solar basada en satélites

• Estimación global del potencial solar basada en satélites

  • Antecedentes: Se espera que la demanda de energía aumente rápidamente, y la energía solar residencial desempeñará un papel importante como solución sostenible. Se proyecta que para 2035 la energía solar genere 10.7k TWh a nivel mundial. Sin embargo, existen barreras para la adopción solar, especialmente en el sur global.

  • Google Maps Platform Solar API: Esta API simplifica la evaluación del potencial solar mediante el uso de imágenes aéreas. Se anunció de forma experimental la expansión de la API al sur global. A través de modelos de aprendizaje automático que usan imágenes satelitales, se generan modelos digitales de superficie (DSM) y mapas de segmentación de techos, lo que permite realizar evaluaciones solares en nuevas regiones.

• Hallazgos de Solar API

  • Resolución de problemas de instalación: La instalación de paneles solares residenciales suele ser lenta y compleja. Solar API proporciona datos solares de edificios para ayudar a identificar ubicaciones de instalación, aumentar la tasa de conversión de clientes, acelerar propuestas y cotizaciones remotas, y optimizar de manera eficiente la distribución de paneles usando modelos 3D.

• Expansión global mediante satélites

  • Uso de imágenes satelitales: Para resolver la necesidad de datos solares en el sur global, se exploraron tecnologías de ML que aprovechan imágenes satelitales. Aunque trabajar con imágenes satelitales de menor resolución presenta nuevos desafíos, esto se considera una oportunidad para acelerar el crecimiento del mercado solar en nuevas regiones.

  • Resultados de la expansión: La expansión basada en imágenes satelitales proporciona datos de Solar API para 125 millones de nuevos edificios en 23 países. Con base en las imágenes satelitales disponibles actualmente, esto amplía la cobertura potencial a 1,900 millones de edificios adicionales en todo el mundo.

• Uso de ML para predicciones de DSM y segmentación de techos de alta calidad

  • Desarrollo del modelo: Se desarrolló un nuevo modelo de ML para generar DSM de alta calidad. Se utiliza un modelo de dos etapas para generar el DSM y los segmentos de techo. La primera etapa consiste en un modelo base y la segunda en un modelo de refinamiento.

  • Evaluación del modelo: El modelo se evaluó usando diversas métricas. El sólido desempeño del modelo con entradas solo RGB sugiere que puede aplicarse en todas las regiones donde haya disponibles imágenes satelitales RGB.

• Visualización y perspectivas futuras

  • Generalización del modelo: El modelo generaliza bien en distintos estilos arquitectónicos y paisajes. En regiones con techos planos, captura con precisión los obstáculos y las superficies del techo; en regiones con techos inclinados, predice de forma efectiva las cumbreras.

  • Direcciones futuras de investigación: Factores como la resolución de píxeles de entrada, la cobertura de nubes y los artefactos de oclusión pueden afectar la calidad de salida. Se continúa mejorando mediante investigación para aumentar la precisión y con retroalimentación de los usuarios.

[GN⁺]

Opiniones de Hacker News

• La Solar API de Google parece una candidata prometedora en el estudio de disponibilidad global de DSM. Los levantamientos LiDAR gubernamentales también son una opción, pero la cobertura de los datos, los formatos de archivo y las proyecciones están dispersos. Sería bueno crear un dataset global de mosaicos de mapas DSM. Puede que alguien ya esté trabajando en eso

  • El artículo muestra las áreas potenciales donde se podría generar un DSM, pero no son zonas donde los datos ya existan

• Si se pudiera ingresar la tarifa de la empresa eléctrica local y estimar cuánto se ahorraría al año, sería un gran punto de partida para conversar con los propietarios de viviendas

• Es una mejora muy impresionante sobre las herramientas existentes, pero me pregunto si los cálculos avanzados, como la inclinación del techo, siguen siendo realmente relevantes

  • Me pregunto si llegaron a la conclusión de que muchas instalaciones pequeñas en techos son la peor manera de hacerlo. Los permisos y la instalación son complejos y caros, la eficiencia operativa es baja, las reparaciones y el seguro son difíciles, las actualizaciones son complicadas y es ineficiente integrarlas a la red

• Soy escéptico sobre instalar paneles solares en techos. Es mucho más engorroso y caro que instalarlos en terreno plano

  • El costo adicional podría servir para instalar más paneles solares o baterías

• El uso futuro de satélites será muy útil para estimar la producción solar en el futuro muy cercano. Hoy en día es difícil hacer pronósticos porque los paneles solares no pueden saber su relación con las nubes

• Cuando cada persona instala paneles solares, surgen muchos problemas

  • Una cuarta parte o un tercio de la factura de energía corresponde a la distribución. Si, debido a la energía solar, se usa menos electricidad de la red, esa proporción se vuelve cada vez mayor
  • La empresa eléctrica recibe menos ingresos, así que tiene menos dinero para invertir en distribución y debe subir aún más los cargos de distribución
  • Si todo el mundo instala paneles solares, el operador de la red terminará suministrando solo energía fuera de las horas pico, lo que perjudicará su imagen
  • La red se vuelve más resiliente, pero se necesita una gran inversión en distribución local

• La versión beta solo está disponible para empresas. Me gustaría probarla personalmente

• En 2020 usé una versión inicial de una herramienta de techos PV para hacer mi propio diseño de techo PV. Instalé tecnología de captación PV en todos los lados de la casa y, aun con clima nublado y lluvioso, ahora está generando 700 watts. La energía PV con baterías es una elección que mejora la calidad de vida

  • Las estimaciones de ahorro de energía y costos suelen estar equivocadas por usar datos generalizados. Comparadas con los datos reales de una persona, dan risa de lo mal que están
  • Los datos no mienten. Espero que te mantengas saludable