Configurar y gestionar una infraestructura eléctrica a nivel nacional es una empresa extraordinariamente compleja, que muchos grandes países no han sido capaces de resolver aún adecuadamente (por unas razones u otras).
En los Estados Unidos, por ejemplo, los apagones (de amplias zonas del país y a veces durante más de 24h) constituyen un problema endémico. Pero, por si esto no fuera poco, las energías renovables, pese a su innegable utilidad, añaden otro grado de complejidad al problema.
Datos completos y actualizados, un requisito para la gestión inteligente de la red eléctrica
En Alemania, donde las políticas pro-renovables ya se han calificado de "fracaso energético", los operadores de las grandes plantas térmicas se ven obligados a producir electricidad a precio negativo en los días más soleados o ventosos.
Esto se debe a que no pueden reducir fácilmente la generación de energía en respuesta al exceso de suministro en la red. Varios estados de los EE.UU, como Texas y California, ya han sufrido problemas similares.
Este problema puede enfrentarse con garantías cuando se dispone de datos completos sobre el número, tamaño y la localización de dichos paneles, datos que permitan establecer una planificación de las necesidades energéticas y señalen los lugares más adecuados para incentivar la instalación de mayor potencia solar fotovoltaica.
Pero Estados Unidos carece de nada remotamente parecido a un censo de este clase, pese a que "siempre se ha dicho que un dataset de datos a nivel nacional sería realmente valioso", como explica Budhendra Bhaduri, científico del Oak Ridge National Laboratory.
¿Qué es DeepSolar?
Por todo ello, ahora un equipo de ingenieros de la Universidad de Stanford ha desarrollado un método para localizar todas las placas solares instaladas en suelo estadounidense.
En un paper publicado esta semana, estos investigadores desvelan cómo lo han logrado: recurriendo a una inteligencia artificial, a la que se le ha enseñado mediante deep learning a reconocer las placas solares en fotos aéreas, para que rebuscase en una enorme base de datos de imágenes satelitales.
La base de esta red neuronal, llamada DeepSolar, fue un modelo pre-entrenado llamado Inception, destinado a agrupar y clasificar los píxeles de las imágenes.
Gracias a eso, escanea más de mil millones de "mosaicos" de imagen (de 102.400 píxeles cada uno), equivalentes a áreas de los EE. UU. de tamaño mayor que un vecindario pero más pequeñas que un código postal.
Posteriomente, clasifica cada píxel de cada mosaico (una cantidad desmesurada de datos, en resumen) y detecta cuáles entre ellos señalaban la presencia de un panel solar.
Todo este trabajo, realizado en menos de un mes, permitió localizar casi un 50% más de instalaciones solares que cualquier encuesta realizada con anterioridad.
Como explican los investigadores, ahora
"usamos estos conocimientos para construir SolarForest, el primer modelo predictivo de aprendizaje automático de alta precisión que puede estimar la densidad de despliegue solar a nivel de distrito censal, en base a las características ambientales y socioeconómicas de la zona".
Ver 13 comentarios