Integrated deep learning and image processing method for modeling energy loss due to shadows in solar arrays
Notice bibliographique
Résumé
Shading poses a serious challenge to photovoltaic (PV) systems power generation, causing energy losses of up to 40 %, leading to power mismatches, hotspot formation, and accelerated module degradation. Accurate modelling and simulation of shading are critical for improving photovoltaic (PV) performance. This study develops two shadow‑detection pipelines: (i) the Classic Hough Transform (CHT) combined with K‑means segmentation and (ii) a new Deep Hough Transform (DHT) that learns semantic line features without the need for PV‑specific training data. A 1-kilowatt capacity solar array with planned shading devices was developed and used to perform the experimental analysis. The proposed methodology achieved an accuracy of 0.85, indicating a 32.81 % improvement in solar array detection compared to CHT methods. Computed energy losses due to shading were within 0.5 % to 1.9 % of System Advisor Model (SAM’s) simulated losses. Evaluation with transient shadows from a pedestrian, vehicle, and cloud showed an average mIoU of 81.8 % highlighting the methods advantage over existing 3D modeling-based simulation software. Statistical analysis confirmed the method’s consistency, yielding Dice = 0.857 (95 % CI 0.728–0.943) and mIoU = 0.771 (CI 0.595–0.893). The parametric analysis highlighted the time of day and number of obstructions as key factors influencing shading on solar arrays, with mornings and evenings experiencing over 6 % shading loss variations. Overall, this integrated approach develops robust, real-time modelling and simulation for optimizing large solar energy systems.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».