本文提出了一种使用无监督传感算法和三维增强现实可视化来自动识别和分析太阳能光伏（PV）电池模块中的异常现象的方法，以增强效率并显著降低 PV 系统维护成本。

Jul, 2023

使用深度学习方法增强低分辨率数据以提高 Project Sunroof 对住宅建筑太阳能电池板潜能评估准确性和覆盖范围。

Jun, 2023

使用深度学习分析无人机拍摄的画面，是监控大规模太阳能电站中各个太阳能板的一种高效可靠且省电的替代方法，对于太阳能作为发展中国家主要的能源来源具有巨大意义。

Dec, 2018

光伏能源的去碳化是能源系统的关键。由于缺乏集中的数据，遥感技术是监测区域范围内屋顶光伏系统发展的最佳选择。然而，当前技术缺乏可靠性，并对采集条件的变化尤其敏感。为解决这个问题，我们利用小波尺度归属方法（WCAM），该方法将模型的预测分解为空间尺度域。WCAM 使我们能够评估 PV 模型依赖的尺度，并为得出改善采集条件鲁棒性的方法提供了见解，从而增加对深度学习系统的信任，鼓励其在电力系统中安全集成清洁能源的应用。

Sep, 2023

随着气候变化的影响不断升级，全球转向可持续能源的必要性日益显现。我們引入了 S3Former，旨在通过遥感影像分割太阳能光伏板，并提供关键的尺寸和位置信息，用于分析这类装置对电网的影响。

May, 2024

利用遥感图像和深度学习技术，本研究引入了一种新颖的建筑一体化光伏评估方法 SolarSAM，并利用中国北方的一个新兴城市验证了该模型性能。评估结果显示，建筑一体化光伏的年发电潜力超过了该城市的总用电量的 2.5 倍，揭示了未来建筑一体化光伏发电的潜力。

Jun, 2024

研究使用基于手工特征和基于深度卷积神经网络（CNN）的两种方法，在高分辨率电致发光（EL）图像中自动检测光伏电池的缺陷，其中 CNN 方法准确率达到 88.42％。

Jul, 2018

开发了首个全球多光谱卫星图像太阳能电池板农场的综合数据集，用于训练强大的机器学习模型，准确地绘制和分析全球太阳能电池板农场的扩展和分布，为可持续能源未来的明智决策提供重要指导。

Apr, 2024

全球气候变化加剧，将转向可持续能源的必要性日益突出。本文介绍了一种用于航拍图像中太阳能电池板分割的 SolarFormer，并通过多尺度 Transformer 编码器和自注意力 Transformer 解码器解决了诸多复杂性，改进了太阳能电池板定位。通过在不同 GSD 的多个数据集上进行广泛实验，我们严谨地评估了 SolarFormer 模型，结果表明其在全球可持续能源倡议中提供了改进的太阳能电池板分割性能。

Oct, 2023

使用基于卷积神经网络与对抗性生成网络的最新技术，在农业光伏组合中成功检测出树影对植物生长、微气候和蒸散发的影响，但即使面临运动物体和实时监测等挑战，仍需要进一步针对性地开发更复杂的神经网络检测算法与控制系统整合，以提高生产力、增加农民的收益，并支持环境与土地保护。

Apr, 2023