基于开源数据对深度学习分布式光伏制图精度进行无监督评估
计算机视觉与模式识别
2023-02-21 v4 信号处理
摘要
光伏（PV）能源快速增长，是缓解能源危机的关键。然而，占光伏装机容量一半的分布式光伏发电通常对输电系统运营商（TSOs）不可见，使得平衡负荷与供应、避免电网拥堵日益困难。为评估分布式光伏发电，TSOs 需要关于分布式光伏安装的精确元数据。近年来已提出许多基于遥感的方法以绘制这些安装图。然而，要在工业流程中使用这些方法，必须评估它们在制图区域（即模型部署期间所覆盖的区域）上的精度。我们将下游任务精度（DTA）定义为制图区域上的精度，利用公开可用数据源与模型输出自动计算，并以对运营商可解释的方式表达。我们对现有的分布式光伏制图模型进行基准测试，并展示它们在 DTA 方面的表现。我们表明，测试集上计算的精度高估了制图区域上精度约 30 个百分点。我们的方法为更安全地集成基于深度学习的遥感光伏制图流水线铺平了道路。代码见 https://github.com/gabrielkasmi/deeppvmapper。
引用
@article{arxiv.2207.07466,
title = {Towards unsupervised assessment with open-source data of the accuracy of deep learning-based distributed PV mapping},
author = {Gabriel Kasmi and Laurent Dubus and Philippe Blanc and Yves-Marie Saint-Drenan},
journal= {arXiv preprint arXiv:2207.07466},
year = {2023}
}
备注
12 pages, 2 figures, 3 tables. Camera-ready version, accepted for Workshop on Machine Learning for Earth Observation (MACLEAN), in Conjunction with the ECML/PKDD 2022. Final paper version, as published on CEUR-WS http://ceur-ws.org/Vol-3343/