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

本文介绍了使用深度卷积神经网络预测太阳能辐射强度的初步结果，并探讨了训练算法的图像识别技术，和利用过去相同日期数据进行训练以提高短期预测技能的方法。

May, 2020

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

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

本文提出了两种基于深度学习的区域太阳能发电预测方法，分别使用单一分层时序卷积神经网络和基于子区域的时序卷积神经网络，通过利用聚合和个体数据，以及区域内的天气数据进行预测。利用101个西澳大利亚地点收集的大量数据进行评估，与其他方法相比，子区域时序卷积神经网络在减少个体网络数量的同时，能够以40.2%的预测技巧得分降低6.5%的统计显著误差。

Mar, 2024

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

该研究针对谷歌太阳能API在地理覆盖上的限制，提出利用卫星影像扩展其评估全球太阳能潜力的能力。通过深度学习模型构建数字表面模型和屋顶实例分割，本文实现了25厘米的DSM和显著的屋顶分割精度，提升了太阳能应用的潜力。

Aug, 2024

本研究解决了谷歌太阳能API在地理覆盖方面的局限性，提出利用卫星图像扩展其应用以评估全球太阳能潜力。通过深度学习模型，我们从低分辨率和单斜视图中构建数字表面模型（DSM）及屋顶实例分割，显著提高了API在推动太阳能采用方面的效果。

Aug, 2024

本研究解决了光伏模块在制造、安装和运行过程中损伤导致的功率转换效率降低的问题。采用深度学习的计算机视觉技术为大规模光伏电站提供了一种自动化、非破坏性的缺陷监测工具。研究发现现有方法的不足，并提出将几何深度学习和物理基础神经网络融入现有方法，以提高模型的鲁棒性和可解释性，为该领域的未来研究指明了方向。

Sep, 2024