用于合成美国住宅太阳能采纳与发电的数字孪生的生成式 AI 技术
人工智能
2024-10-11 v1
摘要
住宅屋顶太阳能采纳被认为是减少碳排放的关键因素。缺乏以更细粒度（例如户均、小时级）解析度的光伏 (PV) 数据，构成了信息化决策的重大障碍。我们讨论了一种新方法，用于生成覆盖美国主要陆地区的住宅规模逼真数据集，以预测屋顶太阳能采纳情况。数据驱动的方法包括：(i) 集成机器学习模型以识别太阳能采纳者；(ii) 使用可解释 AI 技术对数据进行增补，以洞察关键特征及其相互作用；(iii) 使用分析模型生成每户的小时级太阳能发电数据。生成的合成数据集经与真实数据验证，可作为下游任务的数字孪生。最后，我们进行一次基于政策的案例研究，利用数字孪生模型表明，在30%联邦太阳能投资抵免的背景下，尤其是在低至中等收入社区，屋顶太阳能采纳率显著提高。
引用
@article{arxiv.2410.08098,
title = {A Generative AI Technique for Synthesizing a Digital Twin for U.S. Residential Solar Adoption and Generation},
author = {Aparna Kishore and Swapna Thorve and Madhav Marathe},
journal= {arXiv preprint arXiv:2410.08098},
year = {2024}
}
备注
41 pages including references and supplementary