論文の概要: Deep Learning-based Pipeline for Module Power Prediction from EL Measurements

• arxiv url: http://arxiv.org/abs/2009.14712v2
• Date: Thu, 26 Nov 2020 10:25:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 23:17:49.118758
• Title: Deep Learning-based Pipeline for Module Power Prediction from EL Measurements
• Title（参考訳）: el測定によるモジュール電力予測のための深層学習型パイプライン
• Authors: Mathis Hoffmann, Claudia Buerhop-Lutz, Luca Reeb, Tobias Pickel, Thilo Winkler, Bernd Doll, Tobias W\"urfl, Ian Marius Peters, Christoph Brabec, Andreas Maier and Vincent Christlein
• Abstract要約: 本研究では,エレクトロルミネッセンス測定とモジュールのパワー決定のギャップを橋渡しする。 劣化のさまざまな段階において, モジュールの719個の電気照度測定の大規模なデータセットをコンパイルする。 モデルにより予測されたセル当たりの電力損失を推定するために,クラス活性化マップの変種を提案する。
• 参考スコア（独自算出の注目度）: 7.0282423213545195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated inspection plays an important role in monitoring large-scale photovoltaic power plants. Commonly, electroluminescense measurements are used to identify various types of defects on solar modules but have not been used to determine the power of a module. However, knowledge of the power at maximum power point is important as well, since drops in the power of a single module can affect the performance of an entire string. By now, this is commonly determined by measurements that require to discontact or even dismount the module, rendering a regular inspection of individual modules infeasible. In this work, we bridge the gap between electroluminescense measurements and the power determination of a module. We compile a large dataset of 719 electroluminescense measurementsof modules at various stages of degradation, especially cell cracks and fractures, and the corresponding power at maximum power point. Here,we focus on inactive regions and cracks as the predominant type of defect. We set up a baseline regression model to predict the power from electroluminescense measurements with a mean absolute error of 9.0+/-3.7$W_P$ (4.0+/-8.4%). Then, we show that deep-learning can be used to train a model that performs significantly better (7.3+/-2.7$W_P$ or 3.2+/-6.5%) and propose a variant of class activation maps to obtain the per cell power loss, as predicted by the model. With this work, we aim to open a new research topic. Therefore, we publicly release the dataset, the code and trained models to empower other researchers to compare against our results. Finally, we present a thorough evaluation of certain boundary conditions like the dataset size and an automated preprocessing pipeline for on-site measurements showing multiple modules at once.
• Abstract（参考訳）: 自動検査は大規模太陽光発電プラントの監視において重要な役割を担っている。 一般に、エレクトロルミネセンス測定はソーラーモジュールの様々な種類の欠陥を特定するために用いられるが、モジュールのパワーを決定するために使われていない。 しかし、単一のモジュールのパワーの低下が文字列全体のパフォーマンスに影響を及ぼす可能性があるため、最大パワーポイントでのパワーの知識も重要である。 現在までには、これはモジュールの非接触または降着を必要とする測定値によって決定され、個々のモジュールの定期的な検査が不可能になる。 本研究では,電子ルミネッセンス測定とモジュールのパワー決定のギャップを橋渡しする。 本研究では,モジュールの劣化,特にセルクラックや破壊,最大電力点での対応する電力の719個のエレクトロルミネセンス測定値の大規模なデータセットをコンパイルする。 ここでは,不活性領域と亀裂を主な欠陥タイプとして注目する。 平均絶対誤差は9.0+/-3.7$W_P$ (4.0+/-8.4%) である。 次に,より優れた性能を示すモデル(7.3+/-2.7$W_P$または3.2+/-6.5%)の訓練に深層学習を用い,そのモデルが予測したように,クラス活性化マップの変種を提案する。 この研究により、我々は新しい研究テーマを開くことを目指している。 したがって、データセット、コード、トレーニングされたモデルを公開して、他の研究者が結果と比較できるようにします。 最後に、複数のモジュールを同時に表示するオンサイト計測のためのデータセットサイズや自動前処理パイプラインなど、特定の境界条件を徹底的に評価する。

関連論文リスト

• Forgetting Curve: A Reliable Method for Evaluating Memorization Capability for Long-context Models [58.6172667880028]
  長文モデルの暗記能力を測定するために,左折曲線と呼ばれる新しい手法を提案する。 テストコーパスと実験環境に頑健であることの利点を, 忘れる曲線は有益であることを示す。 本測定は,RNN/SSMモデルの有効性を疑問視しながら,トランスフォーマー拡張手法の有効性を示す実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2024-10-07T03:38:27Z)
• Is Modularity Transferable? A Case Study through the Lens of Knowledge Distillation [59.37775534633868]
  同族PLM間で事前訓練されたタスク固有のPEFTモジュールを転送するための極めて簡単なアプローチを提案する。 また,不整合性PLM間のモジュールの移動を,推論複雑性の変化を伴わずに行う方法を提案する。
  論文  参考訳（メタデータ） (2024-03-27T17:50:00Z)
• Applying Machine Learning Models on Metrology Data for Predicting Device Electrical Performance [0.10051474951635875]
  ムーア・ローはトランジスタ密度が2年ごとに2倍になると述べているが、これは継続的な革新のために今日まで維持されている。 どのようなパターン化方式であっても、印刷パターンの品質を評価する上で最も重要な指標はEPEである。 オーバーレイエラーは、P2P電気接触の点で短絡や断線接続などのIC装置の致命的な故障を引き起こす可能性がある。
  論文  参考訳（メタデータ） (2023-11-20T10:55:09Z)
• Module-wise Adaptive Distillation for Multimodality Foundation Models [125.42414892566843]
  マルチモーダル・ファンデーション・モデルは 目覚ましい 一般化性を示したが 規模が大きいため 展開に挑戦する 規模を減らすための効果的なアプローチの1つは層単位での蒸留であり、小さな学生モデルは各層で大きな教師モデルの隠された表現と一致するように訓練される。 そこで本研究では, 各モジュールの蒸留後の損失デクリメントを記録し, より頻繁な蒸留に寄与するモジュールを選択することによって, 個々のモジュールの寄与をトラックすることを提案する。
  論文  参考訳（メタデータ） (2023-10-06T19:24:00Z)
• SMPLer-X: Scaling Up Expressive Human Pose and Shape Estimation [83.18930314027254]
  表現的人間のポーズと形状推定(EHPS)は、身体、手、顔の動きを多数の応用で統合する。 本研究では,VT-Huge をバックボーンとする第1次一般基礎モデル (SMPLer-X) に向けた EHPS のスケールアップについて検討する。 ビッグデータと大規模モデルにより、SMPLer-Xは、さまざまなテストベンチマークにまたがる強力なパフォーマンスと、目に見えない環境への優れた転送性を示す。
  論文  参考訳（メタデータ） (2023-09-29T17:58:06Z)
• Modular Deep Learning [120.36599591042908]
  トランスファーラーニングは近年、機械学習の主要なパラダイムとなっている。 負の干渉を伴わずに複数のタスクを専門とするモデルを開発する方法はまだ不明である。 これらの課題に対する有望な解決策として、モジュール型ディープラーニングが登場した。
  論文  参考訳（メタデータ） (2023-02-22T18:11:25Z)
• Georeferencing of Photovoltaic Modules from Aerial Infrared Videos using Structure-from-Motion [0.0]
  植物中のすべてのPVモジュールのジオコーディネートを、視覚的キューと計測されたドローンのGPSトラジェクトリに基づいて自動的に取得する。 35084モジュールの99.3%を4つの大規模および1つの屋上植物にマッピングし、2200万以上のモジュール画像を取り出すことに成功した。
  論文  参考訳（メタデータ） (2022-04-06T11:17:08Z)
• Anomaly Detection in IR Images of PV Modules using Supervised Contrastive Learning [4.409996772486956]
  我々は、赤外線画像の異常を検出するために、教師付きコントラスト損失を伴うResNet-34畳み込みニューラルネットワークを訓練する。 本手法は,未知の種類の異常を迅速かつ確実に検出し,実践に適した手法である。 我々の研究は、教師なしドメイン適応を用いたPVモジュール故障検出をより現実的な視点でコミュニティに提供します。
  論文  参考訳（メタデータ） (2021-12-06T10:42:28Z)
• Module-Power Prediction from PL Measurements using Deep Learning [6.470549137572311]
  我々は,PL画像から平均絶対誤差(MAE)が4.4%または11.7WPのモジュールパワーを予測するために,深部畳み込みニューラルネットワークを適用した。 トレーニングされたネットワークの埋め込みから計算した回帰写像を用いて、局所的な電力損失を計算することができることを示す。
  論文  参考訳（メタデータ） (2021-08-31T06:43:03Z)
• Segmentation of cell-level anomalies in electroluminescence images of photovoltaic modules [0.0]
  本研究では,太陽電池モジュール全体からセルレベルの異常を検出し,検出し,セグメント化するエンド・ツー・エンドのディープラーニングパイプラインを提案する。 提案したモジュールパイプラインは,3つのディープラーニング技術を組み合わせている。 1. オブジェクト検出(Modified Faster-RNN), 2. 画像分類(EfficientNet), 3. 弱教師付きセグメンテーション(autoencoder)。
  論文  参考訳（メタデータ） (2021-06-21T10:17:40Z)
• Gradient Statistics Aware Power Control for Over-the-Air Federated Learning [59.40860710441232]
  フェデレートラーニング(FL)は、多くのエッジデバイスが無線ネットワークで機械学習モデルを協調的にトレーニングできる有望なテクニックである。 本稿では、勾配統計を考慮に入れたオーバー・ザ・エアFLの電力制御問題について検討する。
  論文  参考訳（メタデータ） (2020-03-04T14:06:51Z)

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。