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

通过 Deep Umbra 这一基于条件生成对抗网络的计算框架，我们能够以全球规模来量化阳光接触与阴影，该框架考虑了城市的物理形态，并以高分辨率的空间信息来计算一年四季的累积阳光接触。我们使用来自七个不同城市的数据来训练模型，并通过一系列广泛实验证明了其低的整体均方根误差（低于 0.1），以及对未参与训练的城市的可扩展性。此外，我们还提供了一系列案例研究和全球六大洲 100 多个城市的阳光接触信息的全面数据集。

Feb, 2024

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

本文提出通过深度学习，学习天空外观与未来光伏发电功率之间的关系，并将历史光伏发电功率值和天空图像作为输入，利用多层感知器、卷积神经网络和长短期记忆模型三种不同的体系结构，建立短期预测模型，从而实现对 1 分钟后光伏发电功率的预测，结果表明，基于 LSTM 模型的预测精度最高。

Oct, 2018

该研究利用替代气象参数预测尼泊尔潜在站点的太阳辐射，使用包括 CERES SYN1deg 和 MERRA-2 的近十年数据集，采用随机森林、XGBoost、K - 最近邻、LSTM 和 ANN-MLP 等机器学习模型，结果显示这些模型在预测太阳辐射方面具有高准确性，通过分析参数整合可显著提高预测准确性，并且神经网络模型表现出最佳性能。

Jun, 2024

我们的研究工作旨在通过引入射影纹理泛函对影子进行处理，实现在用于训练的卫星图像的基础上，考虑太阳角度在渲染场景时的影响，同时使得渲染的结果与季节特征和阴影无关。通过对八个感兴趣区域的图像进行评估，我们的网络表现出了准确渲染新视角、生成高程图、预测阴影和独立识别季节特征的能力，我们的消融研究为网络设计参数的选择提供了理论依据。

Aug, 2023

通过降维天空相机图像的标量特征以满足数据传输限制，我们提出了一种用于太阳辐照短期预测的数据简化机器学习模型。经过受控理论的启发，我们使用噪声输入反映未测量的变量，并证明其显著提高了模型的预测能力。利用来自 NREL Solar Radiation Research Laboratory 的五年数据，我们创建了三个滚动训练验证集，确定了时间的最佳表示形式、输入测量的最佳跨度以及最具影响力的模型输入数据（特征）。在选择的测试数据上，与云量持续模型的基准值 134.35 $W/m^2$ 相比，该模型实现了 74.34 $W/m^2$ 的平均绝对误差。

Mar, 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

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。

Jun, 2022

利用机器学习算法如随机森林、极端梯度提升、轻量级梯度提升机、CatBoost 和多层感知器人工神经网络来预测太阳辐照度，并通过特征选择进一步提高预测性能。

Oct, 2023