Satellitengestützte Schätzung des globalen Solarpotenzials

• Satellitengestützte Schätzung des globalen Solarpotenzials

  • Hintergrund: Es wird erwartet, dass der Energiebedarf stark ansteigt, und dass Solarenergie für Privathaushalte eine wichtige Rolle als nachhaltige Lösung spielen wird. Bis 2035 soll Solarstrom weltweit 10,7k TWh erzeugen. Dennoch gibt es Hindernisse für die Einführung von Solarenergie, insbesondere im globalen Süden.

  • Google Maps Platform Solar API: Diese API vereinfacht die Bewertung des Solarpotenzials mithilfe von Luftbildern. Versuchsweise wurde eine Ausweitung der API auf den globalen Süden angekündigt. Mit Machine-Learning-Modellen auf Basis von Satellitenbildern werden digitale Oberflächenmodelle (DSM) und Dachsegmentierungskarten erzeugt, um Solarbewertungen in neuen Regionen zu ermöglichen.

• Erkenntnisse aus der Solar API

  • Lösung von Installationsproblemen: Die Installation von Solarpanels auf Wohngebäuden ist oft langsam und komplex. Die Solar API liefert Solardaten für Gebäude und hilft dabei, Installationsorte zu identifizieren, die Kundenkonversionsrate zu steigern, Remote-Angebote und Kostenvoranschläge zu beschleunigen sowie mit 3D-Modellen effiziente Panel-Layouts zu optimieren.

• Globale Ausweitung durch Satelliten

  • Nutzung von Satellitenbildern: Um den Bedarf an Solardaten im globalen Süden zu decken, werden ML-Technologien auf Basis von Satellitenbildern untersucht. Der Umgang mit Satellitenbildern niedriger Auflösung bringt neue Herausforderungen mit sich, wird aber zugleich als Chance gesehen, das Wachstum des Solarmarktes in neuen Regionen zu beschleunigen.

  • Ergebnisse der Ausweitung: Durch die Ausweitung mithilfe von Satellitenbildern werden Solar-API-Daten für 125 Millionen neue Gebäude in 23 Ländern bereitgestellt. Auf Basis der derzeit verfügbaren Satellitenbilder erweitert dies die potenzielle Abdeckung weltweit um zusätzliche 1,9 Milliarden Gebäude.

• Einsatz von ML für hochwertige DSM- und Dachsegmentierungs-Vorhersagen

  • Modellentwicklung: Zur Erzeugung hochwertiger DSM wurde ein neues ML-Modell entwickelt. Ein zweistufiges Modell erzeugt DSM und Dachsegmente. Die erste Stufe ist ein Basismodell, die zweite ein Verfeinerungsmodell.

  • Modellevaluierung: Das Modell wurde mit verschiedenen Metriken bewertet. Die starke Leistung des Modells mit ausschließlich RGB-Eingaben deutet darauf hin, dass es in allen Regionen eingesetzt werden kann, in denen Satelliten-RGB-Bilder verfügbar sind.

• Visualisierung und Ausblick

  • Modellgeneralisierung: Das Modell generalisiert gut über unterschiedliche Baustile und Landschaften hinweg. In Regionen mit Flachdächern erfasst es Hindernisse und Dachflächen präzise, in Regionen mit geneigten Dächern sagt es Dachfirste effektiv voraus.

  • Zukünftige Forschungsrichtungen: Faktoren wie Eingabepixelauflösung, Wolkenbedeckung und Abschattungsartefakte können die Qualität der Ausgaben beeinflussen. Durch Forschung zur Verbesserung der Genauigkeit und anhand von Nutzerfeedback wird das System kontinuierlich weiter verbessert.

[GN⁺]

Hacker-News-Kommentare

• Googles Solar API ist ein vielversprechender Kandidat für die Untersuchung der weltweiten DSM-Verfügbarkeit. LiDAR-Erhebungen von Behörden sind ebenfalls eine Option, aber Abdeckung, Dateiformate und Projektionen der Daten sind fragmentiert. Es wäre sinnvoll, einen weltweiten DSM-Kartensatz mit Kacheldaten zu erstellen. Vielleicht arbeitet bereits jemand daran

  • Der Artikel zeigt potenzielle Regionen, in denen DSM erzeugt werden könnte, aber nicht Regionen, in denen die Daten bereits vorhanden sind

• Wenn man lokale Versorgerpreise eingeben und die jährlich möglichen Einsparungen schätzen könnte, wäre das ein großartiger Gesprächseinstieg für Hausbesitzer

• Eine sehr beeindruckende Verbesserung bestehender Tools, aber ich frage mich, ob fortgeschrittene Berechnungen wie zur Dachneigung überhaupt noch relevant sind

  • Ich frage mich, ob man zu dem Schluss gekommen ist, dass viele kleine Dachinstallationen die schlechteste Lösung sind. Genehmigung und Installation sind komplex und teuer, die Betriebseffizienz ist geringer, Reparaturen und Versicherungen sind schwierig, Upgrades sind schwierig und die Integration ins Stromnetz ist ineffizient

• Ich bin skeptisch, was die Installation von Solarpaneelen auf Dächern angeht. Das ist viel umständlicher und teurer als eine Installation auf ebener Fläche

  • Die zusätzlichen Kosten könnten eher dabei helfen, mehr Solarpaneele oder Batterien zu installieren

• Der künftige Einsatz von Satelliten wird sehr nützlich sein, um die Solarstromproduktion in der sehr nahen Zukunft abzuschätzen. Derzeit ist die Vorhersage schwierig, weil Solarpaneele die Beziehung zu Wolken nicht kennen

• Wenn jede einzelne Person Solarpaneele installiert, entstehen viele Probleme

  • Ein Viertel oder ein Drittel der Energiekosten entfällt auf die Verteilung. Wenn wegen Solar weniger Strom aus dem Netz bezogen wird, steigt dieser Anteil immer weiter
  • Stromunternehmen haben weniger Einnahmen und damit weniger Geld für Investitionen in die Verteilung und müssen die Verteilungsgebühren weiter anheben
  • Wenn alle Solarpaneele installieren, liefern Netzbetreiber nur noch Strom außerhalb der Spitzenzeiten und bekommen dadurch ein schlechtes Image
  • Das Netz wird widerstandsfähiger, aber es sind große Investitionen in die lokale Verteilung nötig

• Die Beta-Version ist nur für Unternehmen verfügbar. Ich würde sie gern selbst ausprobieren

• Ich habe 2020 mit einer frühen Version des PV-Dach-Tools mein eigenes PV-Dach entworfen. Ich habe auf allen Seiten des Hauses PV-Erfassungstechnik installiert und erzeuge derzeit selbst bei stark bewölktem und regnerischem Wetter 700 Watt. PV zusammen mit Batterien ist eine Entscheidung, die die Lebensqualität erhöht

  • Schätzungen zu Energie- und Kosteneinsparungen liegen wegen verallgemeinerter Daten oft daneben. Verglichen mit den tatsächlichen persönlichen Daten ist das geradezu lächerlich
  • Daten lügen nicht. Bleibt gesund