ACLJul, 2022

基于深度学习的分布式光伏映射的无监督评估与开源数据

PDF
TL;DR文章旨在研究如何精确评估分布式光伏（PV）发电站，评估方法主要涉及元数据和利用远程感测实现的精准映射。作者展示了当前流行的远程 PV 映射模型在下游任务准确度方面（DTA）的表现，并且发现测试准确度高估了 30％。
photovoltaic energydistributed pv generationmetadataremote sensing-based approachesdownstream task accuracy
发现论文，激发创造
  • 如何可靠地提高遥感光伏系统图像获取的稳健性？

    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

  • 光伏组件故障检测的 DTW K 均值聚类

    文章提出了一种基于 DTW K-means 的无监督方法，旨在对光伏电池组的严重故障进行检测。

    Jun, 2023

  • S3Former：自监督高分辨率 Transformer 用于太阳能光伏建模

    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

  • SolNet: 全球光伏发电功率预测的开源深度学习模型

    提出 SolNet: 一种新颖的、通用的、多变量的太阳能发电预报模型，通过使用来自 PVGIS 的丰富合成数据进行迁移学习，然后在观测数据上进行微调，解决了太阳能预测中数据匮乏的挑战，并通过荷兰、澳大利亚和比利时的实际生产数据展示了其在预测性能上的优势。

    May, 2024

  • 基于聚类的多任务深度神经网络用于太阳能光伏发电预测

    本文提出了一种基于聚类的多任务深度神经网络（CM-DNN）框架，用于预测光伏发电量。通过应用 K-means 算法将数据聚类为不同的客户类型，并为每个类型采用深度神经网络进行训练，然后进行模型知识传输以提高目标任务的训练准确性。通过对真实世界光伏发电数据集的测试，证明了该方法在预测性能上优于无聚类的单一模型。

    May, 2024

  • 面向电力系统暂态稳定性评估的分布感知图表示学习

    本论文提出了一种基于数据驱动的电力系统评估方法，采用图神经网络进行状态建模，并通过分布感知学习实现了电力系统稳定性评估的快速预测和高效计算。

    May, 2022

  • 基于图论的可解释的仪表 - 变压器映射识别

    该论文提出了一种利用谱嵌入方法来解决分布式能源资源对配电网中变压器过载的问题，通过使用电压基拉普拉斯矩阵的前 k 小的特征值辨别电表和母变压器之间的映射关系，该方法通过 IEEE 测试系统和真实饲养器的数字模拟实验证明了其可行性。

    May, 2022

  • 利用深度学习技术进行大型太阳能电站的自动化检查

    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

  • GeoMultiTaskNet: 利用地理坐标进行遥感非监督域自适应

    提出了一种新的轻量级模型 ——GeoMultiTaskNet，使用地理坐标对源领域和目标领域进行信息对齐，采用动态类别抽样（Dynamic Class Sampling）策略来适应语义分割的损失函数，将其用于自然资源遥感图像分割，并取得了最先进的性能。

    Apr, 2023

  • 无关位置的无源域自适应学习预测太阳能发电

    提出了一个基于领域自适应深度学习的框架来估计太阳能发电量，该框架利用天气特征来解决太阳能发电预测中的挑战。该方法在计算速度、存储效率和改善预测准确性方面在加利福尼亚（CA）、佛罗里达（FL）和纽约（NY）等地的太阳能发电预测中显示出明显优势。

    Jan, 2024