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
该研究提出了一种利用高分辨率卫星图像自动检测太阳能光伏板的计算机算法，可以高效缩短获取光伏板位置、大小等详细信息的时间，并且具有较高的像素表现力和目标检测能力，但对光伏板的精确测量还有进一步提高空间分辨率的潜力。
Jul, 2016
本文提出了一种新的方法，通过从天空图像中提取特征并使用基于学习的技术来估计短期太阳辐照度，实现了对可再生能源的预测，该方法在计算复杂性方面比现有的算法具有更高的竞争力。
Oct, 2023
提出了基于多层感知器的方法，该方法通过一次性预测输出建筑物阴影时间间隔，可以计算所有建筑物的太阳光时间间隔的补集，从而得到场地的太阳光时间。通过三个数值实验，该方法将计算时间缩短至 1/84~1/50，并且准确率达到 96.5%~98%；同时开发了一个基于该模型的 Rhino 7/Grasshopper 的住宅社区布局规划插件。本文表明在概念设计阶段可以采用深度学习技术加速太阳光小时模拟。
Aug, 2023
通过对广泛可用的遥感数据进行多源融合和深度学习建模，可以较快地并且准确地评估建筑的能源效率，本研究通过对英国近 40,000 座建筑的数据分析和建模，证明了通过街景、航拍图像、建筑平面和卫星表面温度等信息，深度学习建模的方法可以取得令人满意的预测结果，并为未来的进一步工作提供了可能性。
Jun, 2022
该研究对短期（预测时间少于 30 分钟）太阳能预测的数据集进行了综合调查，并开发了基于八个维度的多标准排名系统，以评估调查的数据集。同时，介绍了与阳光能预测相关的其他研究领域和使用这些数据集的不同应用。
Nov, 2022
采用自我监督学习（Self-Supervised Learning）的方法可以显著提高模型的泛化能力，在各种条件下减少对手动标注数据的依赖，为稳健且适应性强的太阳能板分割解决方案铺平了道路。
Feb, 2024
通过整合来自全天候摄像头和卫星观测的云覆盖率补充信息，本研究利用机器学习将两种信息融合起来，提高了日照预报的准确性。结果表明，混合模型对于晴朗天气的预测效果更好，同时也提高了更长期的预测能力。
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
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