RGB画像解析によるPVモジュールの自動汚れと部分的遮光評価【JST・京大機械翻訳】

Cavieres Robinson; Barraza Rodrigo; Estay Danilo; Bilbao Jose; Valdivia-Lefort Patricio

文献

J-GLOBAL ID：202202274666701484 整理番号：22A0101787

RGB画像解析によるPVモジュールの自動汚れと部分的遮光評価【JST・京大機械翻訳】

Automatic soiling and partial shading assessment on PV modules through RGB images analysis

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=22A0101787&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=22A0101787&from=J-GLOBAL&jstjournalNo=A0097A") }}

著者 (5件)： , , , ,
資料名：
巻： 306 号： PA ページ： Null 発行年： 2022年
JST資料番号： A0097A ISSN： 0306-2619 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：オランダ (NLD) 言語：英語 (EN)

本論文は,PVシステムの最適運転と保全に主要な要因を果たすかもしれない,圃場における太陽電池モジュールの土壌化と部分的遮光効果による電力損失を定量化することができる人工ニューラルネットワークツールを提示する。提案した手法は,多重太陽パネルと環境データの可視スペクトルRGB画像を用いて,各モジュールの性能を個別に予測した。アルゴリズムは3つの主な段階から成る。第1ステップはセグメンテーションであり,画像入力を取り上げ,領域ベース畳込みニューラルネットワーク(RCNN)と教師つき学習を用いてシーンに存在するあらゆるモジュールを同定する。第二段階では,これらの領域の各々は再サイズされ,均一フォーマットを達成するために再構成される。最終ステップは,処理領域と環境データを用いて,各モジュールの性能を予測し,パーセンタイル分類に従って電力損失を分類した。このステップは,このタスクのために特別に設計した畳込みニューラルネットワーク(CNN)を使用する。最先端のコンピュータビジョンアーキテクチャと比較して,提案した手法は計算コストの大幅な低減で同様の結果を達成した。予備実験は,電力損失予測が0から100%の範囲の8パーセンタイルに分割されたとき,分類器が73%以上の精度を持ち,誤差の大部分が実際のと予測されたパーセンタイルの間の最小差から生じることを示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

著者キーワード (4件)： , , ,

太陽光発電 , 太陽電池

, , , , , ,

前のページに戻る