Utilizing deep learning towards real-time snow cover detection and energy loss estimation for solar modules
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Conversion of solar energy using photovoltaic (PV) panels faces challenges due to snow accumulation on PV surface in cold regions. Despite existing methods to assess this impact, there remains a gap in real-time detection and accurate quantification of the energy loss. This study introduces a novel deep learning-based method for detecting snow coverage on PV panels for maximizing solar energy conversion. The model achieved a Dice score of 0.81 when trained on a diverse dataset of PV images, achieving a 44% improvement over conventional computer vision methods. Energy losses from snow on solar panels showed the model's predictions align closely with ground-truth data, achieving an error under 5% in snow coverage prediction. Six PV arrays were analyzed for energy loss estimation under varying snow coverage conditions. The analysis showed that the model could reliably predict energy losses due to snow accumulation with a mean error of 0.05 kWh/m 2 /month. The maximum energy loss was 0.23 kWh from a large PV array system covering 117 m 2 area. Analysis of the impact of snow coverage duration on energy loss showed a saving potential of 0.13 kWh/m 2 using timely clearing of snow coverage. This study highlights the effectiveness of CNN-based models in the early detection and measurement of snow coverage for improving the management and maintenance of PV systems. • Developed a method to detect snow on solar panels in real-time. • Model identifies snow with high accuracy of 81% on PV surface. • Precisely estimates energy loss due to snow under 5% error. • Demonstrates a 44% improvement over conventional computer vision methods. • Study enhances PV system efficiency, management, and maintenance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle