一种用于合成美国住宅太阳能采用与发电数字孪生的生成式AI技术
A Generative AI Technique for Synthesizing a Digital Twin for U.S. Residential Solar Adoption and Generation
AI总结：
提出一种生成式AI方法，通过集成机器学习、可解释AI技术和分析模型，合成美国住宅级屋顶太阳能采用与发电的精细数据集作为数字孪生，并经真实数据验证，用于政策决策分析。
摘要：
住宅屋顶太阳能的采用被视为减少碳排放的关键。缺乏更精细分辨率（例如，家庭、小时级别）的光伏（PV）数据，对知情决策构成了重大障碍。我们讨论了一种新颖的方法，用于生成覆盖美国本土的高度细粒度、住宅级真实的屋顶太阳能采用数据集。这一数据驱动方法包括：(i) 集成的机器学习模型以识别PV采用者；(ii) 使用可解释AI技术增强数据的方法，以收集关于关键特征及其交互作用的见解；(iii) 使用分析模型生成家庭级每小时太阳能输出的方法。最终生成的合成数据集已通过真实世界数据验证，可作为建模下游任务的数字孪生。最后，一项利用该数字孪生针对弗吉尼亚州的政策案例研究表明，30%的联邦太阳能投资税收抵免增加了屋顶太阳能的采用，特别是在中低收入社区。
英文摘要：
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.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
