A Generative AI Technique for Synthesizing a Digital Twin for U.S. Residential Solar Adoption and Generation

要約

住宅の屋上に太陽光発電を導入することは、二酸化炭素排出量を削減するために重要であると考えられています。
より細かい解像度（家庭、時間レベルなど）での太陽光発電（PV）データの欠如は、情報に基づいた意思決定に大きな障害となっています。
私たちは、米国本土全域での屋上太陽光発電導入のための、非常に詳細な住宅規模の現実的なデータセットを生成するための新しい方法論について議論します。
データ駆動型の方法論は、(i) 太陽光発電の採用者を特定する統合機械学習モデル、(ii) 説明可能な AI 技術を使用してデータを拡張し、主要な機能とその相互作用に関する洞察を収集する方法、および (iii) 世帯のエネルギーを生成する方法で構成されます。
解析モデルを使用した -レベルの時間当たりの太陽エネルギー出力。
結果として得られる合成データセットは、実世界のデータを使用して検証され、下流のタスクをモデル化するためのデジタル ツインとして機能します。
最後に、バージニア州のデジタルツインを利用した政策ベースのケーススタディでは、特に低所得者から中所得者層のコミュニティにおいて、30% の連邦太陽光発電投資税額控除により屋上太陽光発電の導入が増加していることが実証されました。

要約(オリジナル)

Residential rooftop solar adoption is considered crucial for reducing carbon emissions. The lack of photovoltaic (PV) data at a finer resolution (e.g., household, hourly levels) poses a significant roadblock to informed decision-making. We discuss a novel methodology to generate a highly granular, residential-scale realistic dataset for rooftop solar adoption across the contiguous United States. The data-driven methodology consists of: (i) integrated machine learning models to identify PV adopters, (ii) methods to augment the data using explainable AI techniques to glean insights about key features and their interactions, and (iii) methods to generate household-level hourly solar energy output using an analytical model. The resulting synthetic datasets are validated using real-world data and can serve as a digital twin for modeling downstream tasks. Finally, a policy-based case study utilizing the digital twin for Virginia demonstrated increased rooftop solar adoption with the 30\% Federal Solar Investment Tax Credit, especially in Low-to-Moderate-Income communities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google