Digital-PV: A digital twin-based platform for autonomous aerial monitoring of large-scale photovoltaic power plants
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
• Digital-PV is a digital twin-based support for aerial monitoring of PV plants. • Digital-PV enables analysis of different scenarios on PV plants’ aerial monitoring. • Perception data from Digital-PV can be used to develop smart monitoring models. • Intelligent monitoring models’ performance can be evaluated by Digital-PV. In this study, a novel digital twin-based solution called Digital-PV has been developed for the simulation and managed execution of autonomous aerial monitoring of photovoltaic (PV) power plants. Digital-PV empowers users to simulate different scenarios and PV power plant configurations and assess their impact on PV systems’ autonomous aerial monitoring process. This procedure reduces the risk associated with real-world experimentation and helps identify the most effective strategies to improve PV system monitoring. It also provides a virtual testing platform for autonomous flights and missions, including boundary detection, path planning, and fault detection along with data generation capabilities for developing data-driven monitoring and inspection models. The solution involved creating a digital twin of an R&D utility-scale PV plant environment in Unreal Engine, aerial robot flight simulation using AirSim, and developing application programming interfaces (APIs) for running desired scenarios for collecting data, testing different monitoring models like plant boundary extraction, path planning, fault detection, etc. In addition, during this study, a dataset of synthetic aerial images was collected from Digital-PV and used to train an end-to-end segmentation model for detecting bird droppings on PV panels. Finally, we utilized this platform to evaluate various intelligent monitoring models, gaining valuable insights into their capabilities and potential performance in real-world scenarios.
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