DeepSolar深度学习框架，可识别美国每个太阳能电池板

　　近日，斯坦福大学的研究人员推出了深度学习框架DeepSolar，该框架分析卫星图像以识别太阳能电池板的GPS位置和尺寸。 使用该框架，他们建立了一个综合数据库，其中包含美国所有GPS位置和太阳能装置的尺寸。 该系统能够识别美国各地的147万个太阳能装置，从小型屋顶配置，太阳能发电场到公用事业规模系统。

　　DeepSolar数据库可公开获取，以帮助研究人员进一步深入了解太阳能采用情况。 该数据库还将帮助政策制定者更好地理解太阳能部署与社会经济因素（如家庭收入，人口密度和教育水平）之间的相关性。

　　近年来晶体硅薄膜太阳电池, 在国外发展比较迅速。为了使晶体硅薄膜太阳电池达到商业化, 努力将实验室结果推向市场, 1998 年制造出100cm2 的薄膜太阳电池, 其转换效率为8 %。18 个月后, 其效率在同样面积下达到10.9 %, 3 年后12kW 薄膜太阳电池系统投入市场。1994 年底美国加利福尼亚成功建立了17.11kW硅薄膜太阳电池方阵系统, 这个系统电池是利用高温热分解喷涂法制备的。在薄膜电池上覆盖了一层抗反射层, 硅薄膜晶粒为毫米级,具有宏观结构性, 减少了蓝色和远红外光的响应。1997 年召开的第26 届IEEE PVSC、第14 届欧洲PVSEC 和世界太阳能大会报道了United So-lar System 薄膜硅太阳电池, 转换效率为16.6 % ,日本的Hanebo 为9.8 % , 美国NREL 提供的测试结果, USSA 的Si/ SiGe/ SiGe 薄膜电池, 面积为903cm2 , 其转换效率为10.2 % , 功率为9.2W。

　　DeepSolar使用转移学习在366467个图像上训练CNN分类器。这些图像来自美国50多个城市/城镇，仅有图像级标签，表明是否存在面板。

　　其中一位研究人员，Rajagopal向Gizmodo解释了该模型，“该算法将卫星图像分解为小块。每个图块由深度神经网络处理，以产生图块中每个像素的分类。将这些分类组合在一起以检测区块中是否存在系统或部分系统中。然后深度神经网络识别哪个瓷砖是太阳能电池板。培训完成后，网络会生成激活图，也称为热图。热图概述了面板，可用于获得每个太阳能电池板系统的尺寸。

　　Rajagopal进一步解释了该模型如何提供更高的效率，“屋顶光伏系统通常对应于多个像素。因此，即使每个像素分类都不完美，当组合时，您的分类也会得到显着改善。我们对假阴性给予更高的权重以防止它们。

　　为了衡量其分类性能，研究人员定义了两个指标:利用精确度和召回率。利用精度为所有正向决策的正确率，召回率为所有正向样本的正确率。DeepSolar在住宅方面的召回率为88.5%，达到了93.1%的精度;在非住宅方面的召回率为90.5%，达到了93.7%的精度。

　　为了测量其尺寸估计性能，他们计算了平均相对误差(MRE)。其中住宅楼宇占3.0%，非住宅楼宇占2.1%。

　　目前，DeepSolar数据库仅涵盖美国邻近地区。研究人员正计划将其覆盖范围扩大到北美所有地区，包括具有公用事业规模太阳能的偏远地区和非连续的美国各州。最终，它还将涵盖世界上其他国家和地区。

　　此外，DeepSolar仅根据卫星图像估算太阳能电池板的水平投影面积。将来，它将能够从街景图像中推断出高分辨率的屋顶方向和倾斜信息。这将更准确地估计太阳系的大小和太阳能发电能力。