論文の概要: SunDown: Model-driven Per-Panel Solar Anomaly Detection for Residential Arrays

• arxiv url: http://arxiv.org/abs/2005.12181v1
• Date: Mon, 25 May 2020 15:54:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 06:41:03.800118
• Title: SunDown: Model-driven Per-Panel Solar Anomaly Detection for Residential Arrays
• Title（参考訳）: SunDown:住宅アレイのモデル駆動型パネルごとの太陽異常検出
• Authors: Menghong Feng, Noman Bashir, Prashant Shenoy, David Irwin, Beka Kosanovic
• Abstract要約: 我々は、住宅用太陽電池アレイにおけるパネル当たりの断層を検出するために設計された、センサレスアプローチであるSunDownを提案する。 SunDownは故障検出のための新しいセンサーを一切必要とせず、代わりにモデル駆動のアプローチを採用している。 以上の結果から,SunDownは積雪や葉や破片,電気的故障などの欠陥を99.13%の精度で検出・分類できることがわかった。
• 参考スコア（独自算出の注目度）: 1.4174475093445236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There has been significant growth in both utility-scale and residential-scale solar installations in recent years, driven by rapid technology improvements and falling prices. Unlike utility-scale solar farms that are professionally managed and maintained, smaller residential-scale installations often lack sensing and instrumentation for performance monitoring and fault detection. As a result, faults may go undetected for long periods of time, resulting in generation and revenue losses for the homeowner. In this paper, we present SunDown, a sensorless approach designed to detect per-panel faults in residential solar arrays. SunDown does not require any new sensors for its fault detection and instead uses a model-driven approach that leverages correlations between the power produced by adjacent panels to detect deviations from expected behavior. SunDown can handle concurrent faults in multiple panels and perform anomaly classification to determine probable causes. Using two years of solar generation data from a real home and a manually generated dataset of multiple solar faults, we show that our approach has a MAPE of 2.98\% when predicting per-panel output. Our results also show that SunDown is able to detect and classify faults, including from snow cover, leaves and debris, and electrical failures with 99.13% accuracy, and can detect multiple concurrent faults with 97.2% accuracy.
• Abstract（参考訳）: 近年、テクノロジーの急速な改善と価格の下落により、ユーティリティースケールと住宅規模のソーラー設備の両方が大幅に成長している。 専門的に管理され維持されているユーティリティスケールのソーラーファームとは異なり、小さな住宅規模の設備では、パフォーマンスモニタリングや故障検知のためのセンサーや機器が欠如していることが多い。 結果として、断層は長い間発見されず、家主の世代や収入が失われる可能性がある。 本稿では,住宅用ソーラーアレイ内のパネル毎の故障を検知するセンサレス手法であるsundownを提案する。 sundownは、障害検出のために新しいセンサーを必要としない。代わりに、隣接するパネルによって生成された電力間の相関を利用して、期待される行動からの逸脱を検出するモデル駆動のアプローチを使用する。 SunDownは複数のパネルで同時障害を処理でき、異常分類を実行して可能性のある原因を判断できる。 実家庭からの2年間の太陽発電データと手動で生成された複数の太陽断層のデータセットを用いて,パネル当たりの出力を予測した場合のmapeは2.98\%であることを示した。 以上の結果から,SunDownは積雪や葉や破片,電気的故障などの故障を99.13%の精度で検出し,また,複数の同時故障を97.2%の精度で検出できることがわかった。

関連論文リスト

• Estimating Residential Solar Potential Using Aerial Data [0.4811810722979911]
  プロジェクトは高品質の航空データを用いて住宅のソーラーポテンシャルを推定する。 プロジェクトのカバレッジは、高解像度のデジタルサーフェスマップ(DSM)データの欠如によって制限される。 本稿では,このギャップを埋める深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-06-23T15:37:21Z)
• Improving day-ahead Solar Irradiance Time Series Forecasting by Leveraging Spatio-Temporal Context [46.72071291175356]
  太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。 しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。 本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-06-01T19:54:39Z)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• Data-driven soiling detection in PV modules [58.6906336996604]
  太陽光発電モジュールの土質比を推定する問題について検討した。 私たちのアルゴリズムの重要な利点は、ラベル付きデータでトレーニングする必要がない、土壌を推定することです。 実験により, 土質比を推定するための工法として, 現状を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-01-30T14:35:47Z)
• Computational Solar Energy -- Ensemble Learning Methods for Prediction of Solar Power Generation based on Meteorological Parameters in Eastern India [0.0]
  特定の地理的位置に対して太陽光発電(PV)発電量を推定することが重要である。 本稿では,太陽PV発電における気象パラメータの影響を,Bagging,Boosting,Stacking,VottingなどのEnsemble ML(EML)モデルを用いて推定する。 その結果,スタックモデルと投票モデルでは,約96%の予測精度が得られた。
  論文  参考訳（メタデータ） (2023-01-21T19:16:03Z)
• Domain Knowledge Aids in Signal Disaggregation; the Example of the Cumulative Water Heater [68.8204255655161]
  住宅における累積給湯器(CWH)の電力の検出と分散を目的とした教師なし低周波法を提案する。 本モデルでは,パワースパイクの形状と発生時刻を両立させることにより,教師なし信号の分解の難しさを回避する。 我々のモデルは、単純さに拘わらず、有望なアプリケーションを提供する: オフピーク契約における設定ミスの検出と性能劣化の遅さ。
  論文  参考訳（メタデータ） (2022-03-22T10:39:19Z)
• Feature Construction and Selection for PV Solar Power Modeling [1.8960797847221296]
  太陽光発電(PV)発電を予測するモデルを構築することで、意思決定者はエネルギー不足を補うことができる。 太陽エネルギーの出力は、光や天気など多くの要因に依存する時系列データである。 本研究では, 過去のデータをもとに, 1時間先進太陽エネルギー予測のための機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2022-02-13T06:49:28Z)
• A Moment in the Sun: Solar Nowcasting from Multispectral Satellite Data using Self-Supervised Learning [4.844946519309793]
  我々は、自己教師付き学習を用いた多スペクトル衛星データから、太陽流の一般的なモデルを構築した。 我々のモデルは、衛星観測に基づいて、位置の将来の太陽放射を推定する。 提案手法は,25の太陽観測地点にまたがる異なる範囲で評価し,地平線を予測できる。
  論文  参考訳（メタデータ） (2021-12-28T03:13:44Z)
• A Multi-Stage model based on YOLOv3 for defect detection in PV panels based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
  本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。 このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。 提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
  論文  参考訳（メタデータ） (2021-11-23T08:04:32Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。