光伏（PV）能量产生在能量转变中起着至关重要的作用。小规模的PV安装以空前的速度部署，并且它们在电网中的集成可能会具有挑战性，因为公共当局通常缺乏有关它们的质量数据。越来越多的机器学习模型能够自动映射这些安装，越来越多地用于改善住宅PV安装的知识。但是，由于图像采集的差异，这些模型不能轻易地从一个区域或数据源转移到另一个区域。为了解决此问题，称为域移动并促进了PV阵列映射管道的开发，我们提出了一个包含空中图像，注释和分割掩码的数据集。我们为28,000多个安装提供安装元数据。我们为13,000个装置提供地面真理细分面具，其中包括7,000个带有两个不同图像提供商的注释。最后，我们提供了与8,000多个安装的注释相匹配的安装元数据。数据集应用程序包括端到端的PV注册表构建，强大的PV安装映射以及众包数据集的分析。
translated by 谷歌翻译
光伏（PV）能量是缓解当前能源危机的关键。但是，分布式PV的生成（占PV能源生成的一半）使传输系统运营商（TSO）越来越难以平衡负载和供应并避免电网拥塞。实际上，在没有测量的情况下，估计分布式PV的产生是艰难的。近年来，已经提出了许多基于遥感的方法来绘制分布式的PV安装。但是，要适用于工业环境，需要评估整个部署领域的映射的准确性。我们以现有工作为基础提出自动PV注册管道。该管道会自动生成一个数据集，记录所有分布式PV安装的位置，区域，安装容量和倾斜角度。它仅需要航空矫形器和拓扑数据，这两者都可以在线自由访问。为了评估注册表的准确性，我们提出了一种基于{\ it Ingistre national d'Enstallation}（RNI）的无监督方法，该方法集中了所有在公共层面汇总的单个PV系统，使从业者能够评估从业者评估的准确性注册表并最终删除异常值。我们将模型部署在9个法语{\ it d \'epartements}上，覆盖超过50 000平方公里，为迄今为止的细节提供了最大的分布式光伏面板的映射。然后，我们演示了从业者如何使用我们的无监督精度评估方法来评估产出的准确性。特别是，我们展示了它如何轻松识别检测中的异常值。总体而言，我们的方法为将基于深度学习的管道用于远程光伏映射的更安全集成为您铺平了道路。代码可在{\ tt https://github.com/gabrielkasmi/dsfrance}上获得。
translated by 谷歌翻译