基于回归分析预测光伏组件阴影效应
信号处理
2025-07-16 v1
摘要
无人机在人为和自然灾害期间已成为不可或缺的资产，提供损坏评估、援助投送和通信恢复能力。然而，大多数无人机依赖需要频繁充电的电池，限制了其在连续任务中的有效性。基于光伏（PV）供电的无人机是理想的替代方案。然而，其性能会因光照条件的变化而下降。因此，受机器学习（ML）控制的光伏组件是延长无人机续航的有前景的解决方案。本研究评估了五种回归模型——线性回归、Lasso回归、岭回归、随机森林回归和XGBoost回归——用于预测光伏组件上的阴影百分比。准确预测阴影百分比对于提高ML受控光伏组件在不同条件下的性能和效率至关重要。通过实现更低的均方误差（MSE）和更高的R²得分，XGBoost和随机森林方法表现最佳。值得注意的是，XGBoost以0.926的R²得分表现优异。这些发现表明，可利用回归模型来提高光伏供电无人机的效率、延长飞行时间、降低维护成本，并提升灾害响应能力。
引用
@article{arxiv.2412.17828,
title = {Predictive Modeling of Shading Effects on Photovoltaic Panels Using Regression Analysis},
author = {Jonathan Olivares and Tyler Depe and Kanika Sood and Rakeshkumar Mahto},
journal= {arXiv preprint arXiv:2412.17828},
year = {2025}
}