TWI833549B - 日照值估測系統 - Google Patents
日照值估測系統 Download PDFInfo
- Publication number
- TWI833549B TWI833549B TW112101403A TW112101403A TWI833549B TW I833549 B TWI833549 B TW I833549B TW 112101403 A TW112101403 A TW 112101403A TW 112101403 A TW112101403 A TW 112101403A TW I833549 B TWI833549 B TW I833549B
- Authority
- TW
- Taiwan
- Prior art keywords
- sunshine
- data
- value
- measured
- estimated
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 57
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 59
- 230000005684 electric field Effects 0.000 claims description 32
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims description 5
- 238000012549 training Methods 0.000 description 20
- 230000000875 corresponding effect Effects 0.000 description 17
- 238000010248 power generation Methods 0.000 description 15
- 238000005259 measurement Methods 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000000034 method Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種日照值估測系統,包含有一資料庫及一運算裝置,該資料庫儲存有複數氣象資料及複數太陽移動資訊;該運算裝置連接該資料庫,包含有一人工智能模組,該人工智能模組根據一即時衛星雲圖中的一待測區域及對應於該待測區域之地點和一觀測時間的一即時氣象資料及即時太陽移動資訊,透過一卷積神經網路估算該待測區域的一估測日照值,並根據該估測日照值產生一日照地圖。
Description
一種日照地圖系統,尤指一種日照值估測系統。
日照計是一種測量太陽光度的儀器,由於太陽能案場的日照值與案場的發電效率為正相關,當日照值越高,太陽能案場的發電效率越高,故於建立太陽能案場時,常使用日照計測量各地的日照值,作為選擇太陽能案場地點的依據。此外,日照計亦常使用於太陽能案場中,透過日照計持續量測案場內的日照值,作為發電效率的評估依據,若日照值充足但太陽能案場發電效率不彰時,即有可能是太陽能板發生故障,亦或是太陽能板受到灰塵、樹葉等遮蓋而影響光線接收,需派遣人員進行進一步維修或清洗。
如前所述,日照計不只用於計算太陽能案場內的日照量測,亦常用於太陽能案場的開拓,量測各區域的日照值,作為判斷是否可建設太陽能案場的依據。然而,日照計容易受太陽高溫直射、雨淋等氣候因素影響,高溫曝曬及雨水的水氣容易造成日照計故障而影響後續測量的精準度,需要定期維修,且日照計本身的價格已十分昂貴,不管是日照計的維修或是購置新的日照計都需要耗費大量設備與人力成本。
另一方面,以日照計所量測的日照值估算發電效率可能因日照計故障而出現誤差,現有系統以日照計作為評估發電效率的唯一依據,卻缺乏判別日照計是否正常運作的檢測手段,難以即時發現日照計異常,日照計便無法正常反應案場狀況,太陽能案場的開拓亦難以進行。
由此可見,現行以日照計量測日照值並作為案場開拓與發電效益評估的方式,仍存在難以判別故障狀況及衍生成本較高的問題。
有鑑於此,為解決日照計其日照值量測容易因日照計老舊、故障而失準,且缺乏檢測機制判斷日照計是否異常的情形,本發明提出一種日照值估測系統,以期透過日照地圖系統計算出各地的日照值,並可作為判別日照計是否異常的對照依據。
為達成前述目的,本發明日照值估測系統,包含有:
一資料庫,儲存有複數氣象資料及複數太陽移動資訊;以及
一運算裝置,連接該資料庫,包含有:
一人工智能模組,根據一即時衛星雲圖中的一待測區域及對應於該待測區域之地點和一觀測時間的一即時氣象資料及即時太陽移動資訊,透過一卷積神經網路估算該待測區域的一估測日照值,並根據該估測日照值產生一日照地圖。
本發明的該人工智能模組以同一觀測時間下,同一待測區域的該氣象資料及該太陽移動資訊作為該估測日照值的計算依據,由該人工智能模組計算產生該估測日照值,以該估測日照值作為太陽能案場選擇設置地點的參考數據,不需勞師動眾前往當地設置日照計,能夠節省設置太陽能案場探勘作業所耗費的人力與設備成本,並降低所花費的時間,且該人工智能模組是透過待側區域的即時氣象資料及即時太陽移動資訊進行該估測日照值的計算,有助於讓估測日照值的計算更能符合待側區域當地的日照狀態及氣候狀況。
請參看圖1所示,本發明日照值估測系統包含有一資料庫10及一運算裝置20,該資料庫10可建置在一電腦可讀取記錄媒體,例如雲端儲存伺服器、傳統硬碟(HDD)、固態硬碟(SSD)、記憶體或記憶卡,該資料庫10儲存有各地理區域於各個不同時間點的一衛星雲圖、一氣象資料、一太陽移動資訊及一電場資料等,該些氣象資料、太陽移動資訊和電場資料即為歷史資料,而該資料庫可接收即時衛星雲圖、即時氣象資料、即時太陽移動資訊及即時電場資料成為歷史資料,該些氣象資料可包含各氣象觀測站或太陽能電廠的環境數據收集儀器所檢測的溫度、天氣、風向、風速、風力、能見度、濕度、氣壓、雨量日照時數、日照量…等氣象數據;該些太陽移動資訊可包含各地的太陽日照角度、太陽方位角、天頂角、移動軌跡等;該些電場資料來自各地區的太陽能案場,可包含太陽能案場的發電量及日照量等,其中,各該氣象資料、各該太陽移動資訊及各該電場資訊紀錄有觀測時間與發生的地點座標,且地點座標能夠以經緯度表示。
該運算裝置20可為電腦,例如桌上型電腦、筆記型電腦或工業電腦...等,該運算裝置20包含有一人工智能模組21,該人工智能模組21可為深度學習的人工神經網路,採用卷積神經網路(Convolutional Neural Network, CNN)的模型架構,並連接該資料庫10,該運算裝置20可連線到網際網路,以從網際網路的網路資源(例如與氣候、氣象、天文、電廠相關網站)蒐集該氣象資料、該太陽移動資訊及該電場資料,並儲存於該資料庫10。是以,該運算裝置20可接收該資料庫10所儲存的該些氣象資料、該些太陽移動資訊及該些電場資料,由該運算裝置20的該人工智能模組21可根據一即時衛星雲圖中的一待測區域及對應於該待測區域之地點和一觀測時間的一即時氣象資料及即時太陽移動資訊估算該待測區域的一估測日照值,並可進一步比對該待測區域內各太陽能案場的該電場資料,判斷該待測區域內各太陽能案場中所設置的日照計是否異常,其中,該人工智能模組21是預先使用該資料庫10所儲存的該些氣象資料、該些太陽移動資訊及該些電場資料作為訓練資料進行監督式學習所建置,用以計算各地區的日照值以及估算誤差的校正。
請參看圖2所示,以下說明該人工智能模組21的建置流程:
S11:接收訓練樣本。由該運算裝置20自該資料庫10接收該些氣象資料、該些太陽移動資訊、該些電場資料,作為該人工智能模組21的訓練樣本。
S12:資料預處理,剔除異常資料。為確保該人工智能模組21的訓練品質,由該運算裝置20比對每一筆電場資料中同一時間的一發電量及一日照值,太陽能案場的該發電量與該日照值為正相關,每一發電量需要由對應的一正常日照值所供給的太陽能轉換而成,該發電量越高所對應的該正常日照值越高,若該日照值遠低於該正常日照值,代表該日照值出現量測異常,造成日照計所量測的該日照值與能轉換為該發電量的日照量不相符;而若該日照值遠高於該正常日照值,代表該電場資料所對應的太陽能案場其太陽能板出現異常,造成太陽能板將光能轉換為電能的效率過低,因此,該運算裝置20比對該發電量所對應的該正常日照值與該日照值,當判斷該發電量所對應的該正常日照值與該日照值的差值超過一門檻值,代表該電場資料異常,該運算裝置20則剔除該筆電場資料,保留正常的各該電場資料供該人工智能模組21訓練使用,其中,該門檻值為可調整預設值。
S13:訓練資料配對。將同一地區且同一時段的該氣象資料、該太陽移動資訊及該電場資料進行配對,整合為一訓練資料,並匯入該人工智能模組21進行訓練。
S14:判斷是否有資料進行訓練,若無該訓練資料或該訓練資料有缺漏、不完全,則停止訓練。
S15:以該訓練資料對該人工智能模組21進行訓練,並以該電場資料對該人工智能模組21的估測結果進行校正,完成訓練後更新該人工智能模組21。
進一步參看圖3A及圖3B所示,步驟S15中,當該人工智能模組21以一地區的該訓練資料進行訓練時,該氣象資料及該太陽移動資訊匯入該人工智能模組21的輸入層(Input Layers),且該人工智能模組21以該電場資料所對應的一太陽能案場位置為中心,對該氣象資料中的一衛星雲圖P進行裁切,擷取該太陽能案場周圍一預設範圍R內的該衛星雲圖P,該衛星雲圖P為由三原色構成的可見光圖像,由該人工智能模組21以三原色(RGB)作為參數,將該氣象資料中的該衛星雲圖P轉換為三維(三筆)矩陣資料A,以及根據該太陽能案場所在地的經緯度,於該太陽移動資訊擷取該太陽能案場所在地的方位角、天頂角並轉換為二維(兩筆)矩陣資料B,且該人工智能模組21所轉換的該三維矩陣資料A及該二維矩陣資料B皆以該訓練資料所對應的該地區為中心點,其中,該三維矩陣資料A包含每一像素於該衛星雲圖P中所對應的座標位置,該二維矩陣資料B包含量測到每一像素中方位角與天頂角的座標位置,換句話說,該三維矩陣資料A及該二維矩陣資料B皆包含位置資訊。
接著該三維矩陣資料A及該二維矩陣資料B合併成一多維矩陣資料C後進入卷積層(Convolution layer),圖3A以7x7x3的該三維矩陣資料A與7x7x2的該二維矩陣資料B合併為7x7x5的該多維矩陣資料C為例,由卷積核(kernels)於該多維矩陣資料C上滑動進行卷積運算,卷積核每一次滑動而更動位置時會對卷積核內的權重進行矩陣內積,提取特徵資訊而計算出新的一權重,當卷積核已完整滑動經過該多維矩陣資料C並計算出所有新的權重時,該些權重形成一特徵矩陣資料D,其中,多維矩陣資料C可同時包含多個通道(channel),例如由彩色圖像構成的該三維矩陣資料A即具備紅(R)、綠(G)、藍(B)三個通道,卷積核亦具有深度,根據卷積核上每一權重的深度不同,而對該多維矩陣資料C的不同通道進行卷積運算。
除此之外,該人工智能模組21亦可根據該人工智能模組的建置需求,設置複數卷積層,每一卷積層依序連接,意即一卷積層的輸出連接下一卷積層的輸入,以進行多次卷積運算。
接著對該特徵矩陣資料D進行攤平(Flatten)運算,將多維的該特徵矩陣資料D壓縮使其平坦化成為一維矩陣資料E輸出,其中,該三維矩陣資料A及該二維矩陣資料B以座標為依據進行合併,將該三維矩陣資料A及該二維矩陣資料B中具有對應座標位置的像素進行合併。
將該特徵矩陣資料D攤平成一維矩陣資料E後,進入全連接層(Dense Layer),根據該氣象資料中的一氣象數據F進行權重計算,輸出一訓練日照值,再將該訓練日照值與該電場資料中的該日照值進行比對,藉以校正該人工智能模組21,完成該人工智能模組21的監督式訓練。
其中,該人工智能模組21可使用迴歸分析計算權重參數,舉例來說,為了計算與整合過往每一筆日照資料與同一時間的衛星雲圖、氣象數據、經緯度之間的關係,該人工智能模組21將太陽能電廠的經緯度(L)、對應的過往氣象數據F、對應的過往日照值(M),與該一維矩陣資料E(太陽能電廠其經緯度及時間對應的衛星雲圖所產生的資料)進行回歸分析,找出LX+FY+EZ=M的回歸運算式中,權重參數X、Y、Z的關係,以利用於後續的權重及結果計算。由此可見,該人工智能模組21是不只透過該衛星雲圖P的資訊計算日照量,更結合氣象數據F產出更精確的日照值結果。
除此之外,權重參數亦可透過機器學習方式求得,例如由類神經網路來進行訓練求得。
請參看圖4所示,以下說明本發明日照值估測系統應用於推估一待測區域的一估測日照值時,該人工智能模組21進行該估測日照值計算的流程:
S21:接收資料。由該運算裝置20自該資料庫10接收一即時衛星雲圖以及對應該即時衛星雲圖中一待測區域之地點和時間點的一即時氣象資料及即時太陽移動資訊,進行該待測區域的一估測日照值估算。
S22:資料配對。將該待測區域的該即時衛星雲圖、該即時氣象資料、該即時太陽移動資訊進行配對,整合為一估測資料,並匯入該人工智能模組21進行一估測日照值的計算。
S23:判斷是否有資料進行估測,若無該估測資料或該估測資料不完全,則停止估測。
S24:以該估測資料匯入該人工智能模組21,計算取得一估測日照值。
步驟S24中,當該人工智能模組21以一觀測時間的該估測資料進行一估測日照值的計算時,該即時氣象資料及該即時太陽移動資訊匯入該人工智能模組21的輸入層,且該人工智能模組21以一待測區域為中心,對該即時衛星雲圖P進行裁切,擷取該待測區域周圍一預設範圍R內的該即時衛星雲圖P,該衛星雲圖P為由三原色構成的可見光圖像,由該人工智能模組21以三原色作為參數,將該即時衛星雲圖P轉換為一三維矩陣資料A,以及根據該待測區域的經緯度,於該即時太陽移動資訊擷取該待測區域的太陽的方位角、天頂角並轉換為一二維矩陣資料B,且該人工智能模組21所轉換的該三維矩陣資料A及該二維矩陣資料B皆以該估測資料所對應的該待測區域為中心點。
圖3A以7x7x3的該三維矩陣資料A與7x7x2的該二維矩陣資料B合併為7x7x5的該多維矩陣資料C為例,由卷積核(kernels)於該多維矩陣資料C上滑動進行卷積運算,卷積核每一次滑動而更動位置時會對卷積核內的權重進行矩陣內積,提取特徵資訊而計算出新的一權重,當卷積核已完整滑動經過該多維矩陣資料C並進算出所有新的權重時,該些權重形成一特徵矩陣資料D,再對該特徵矩陣資料D進行攤平運算,將多維的輸入矩陣資料壓縮成一一維矩陣資料E輸出。
將該特徵矩陣資料D攤平後,進入全連接層,以根據該氣象資料中對應該待測區域的一氣象數據F進行權重計算,輸出一估測日照值,完成該觀測時間時該待測區域的該估測日照值,其中,該估測日照值以純量表示,且其單位以W/m
2表示。
配合圖4所示,本發明日照值估測系統亦可應用於判斷一太陽能案場的電場資料是否異常,異常判斷流程包含有:
S31:接收資料。完成步驟S24後,該運算裝置20自該資料庫10接收該待測區域內一太陽能案場於該觀測時間的一即時電場資料。
S32:判斷該電場資料是否異常。將該即時電場資料中的一日照值與該估測日照值進行比對,若該日照值與該估測日照值的差值過大時,代表該日照值出現量測異常,造成日照計所量測的該日照值與實際的日照值不相符,當判斷該估測日照值與該日照值的差值超過一示警值,代表該即時電場資料異常。
另一方面,判斷是否異常可以透過下方判斷式辨別,以該示警值為10%為例,當該即時電場資料的該日照值(act)與該實際日照值(est)的差值除以該日照值(act),並取百分比後的數值大於10%時,即代表該即時電場資料異常。
。
S33:以該估測日照值更新該資料庫10中的該即時電場資料。
請參看圖5所示,為一太陽能案場其日照計所量測的日照值(圖5中以量測值表示)與該人工智能模組21計算的估測日照值(圖5中以估測值表示)的波形比對圖,由於該人工智能模組21是以該觀測時間的該估測資料,即以該觀測時間的即時衛星雲圖、即時氣象資料、即時太陽移動資訊整合後進行估測日照值的運算,該人工智能模組21所計算的估測日照值即為正常狀況下日照計於該觀測時間應量測到的日照值。因此,在日照計運作正常的情況下,該人工智能模組21計算之估測日照值的波形符合日照計所量測之日照值的波形趨勢,且該估測日照值係根據即時氣象資料與即時太陽移動資訊計算產生,更能完整反映一地的日照狀況,彌補日照計無法根據天氣與太陽照射角度進行調整而可能導致的感測誤差,而當量測之日照值的波形與估測日照值的波形趨勢差異較大,即代表日照計的量測異常。
於一較佳實施例中,本發明的該運算裝置20可藉由該人工智能模組21可計算多個相鄰的該待測區域的該估測日照值,以多個待測區域的該估測日照值推算出一地區的一日照強度,進行較大範圍的日照量估算,如圖3B所示,可將多個待測區域的該估測日照值可視化呈現,匯集繪製對應該衛星雲圖座標位置的一日照強度分布圖G,其中,該日照強度分布圖G以圖像深淺區分不同日照強度的區域,顏色越深的區域其日照強度越強。
當需要判別未設有日照計之區域的日照量是否充足時,本發明日照值估測系統透過過往所觀測到的各該氣象資料及各該太陽移動資訊為依據,匯入該人工智能模組21後進行該估測日照值的計算,該估測日照值即可反應當地的日照值,作為太陽能案場選擇設置地點的參考,而不需特別前往當地架設昂貴的日照計進行測量,有助於節省設置太陽能案場前探勘作業所耗費的人力與設備成本,並節省事前探勘量測日照值時所花費的時間,且該人工智能模組是透過待測區域過往的氣象資料進行該估測日照值的計算,有助於讓估測日照值的計算更能符合待測區域當地的日照狀態及氣候狀況。
除了對未設有日照計的區域進行日照量的估測,本發明亦可作為日照計的檢測機制,由該運算裝置20將該人工智能模組21將同一觀測時間且同一待測區域的該估測日照值及該電場資料中的該日照值進行比對,判斷該估測日照與該日照值的差值是否超過一示警值,當該估測日照值與該日照值的差值超過該示警值,即可推斷該觀測區域內日照計的量測結果偏離實際狀況,並進一步派遣維修人員進行日照計的維修或更換,進一步解決過往日照計缺乏檢測手段,使得日照計故障、失準時不易察覺的問題。
10:資料庫
20:運算裝置
21:人工智能模組
P:衛星雲圖
A:三維矩陣資料
B:二維矩陣資料
C:多維矩陣資料
D:特徵矩陣資料
E:一維矩陣資料
F:氣象數據
G:日照強度分布圖
R:預設範圍
圖1:本發明日照值估測系統之系統方塊圖。
圖2:本發明中人工智能模組的建置流程圖。
圖3A:本發明中人工智能模組的第一建置示意圖。
圖3B:本發明中人工智能模組的第二建置示意圖。
圖4:本發明中人工智能模組的運作流程圖。
圖5:估測日照值與實際日照值的波形比對圖。
10:資料庫
20:運算裝置
21:人工智能模組
Claims (3)
- 一種日照值估測系統,包含有:一資料庫,儲存有複數氣象資料及複數太陽移動資訊;以及一運算裝置,連接該資料庫,包含有:一人工智能模組,根據一即時衛星雲圖中的一待測區域及對應於該待測區域之地點和一觀測時間的一即時氣象資料及即時太陽移動資訊,透過一卷積神經網路估算該待測區域的一估測日照值,並根據該估測日照值產生一日照地圖;其中,當該人工智能模組進行該估測日照值的計算時,該人工智能模組以三原色為參數,將該氣象資料中的該即時衛星雲圖轉換為一三維矩陣資料;以及以太陽的方位角、天頂角為參數,將該即時太陽移動資訊轉換為一二維矩陣資料;該人工智能模組將該三維矩陣資料及該二維矩陣資料合併後進行卷積運算,提取特徵輸出一特徵矩陣資料,再將該特徵矩陣資料進行攤平運算,壓縮該特徵矩陣資料成一一維矩陣資料後,根據該氣象資料中對應該待測區域的一氣象數據進行權重計算,以產生該估測日照值。
- 如請求項1所述之日照值估測系統,該資料庫儲存有複數電場資料;該運算裝置自該資料庫接收該待測區域內一太陽能案場於該觀測時間的一電場資料;該運算裝置將該電場資料中的一日照值與該估測日照值進行比對,當該估測日照值與該日照值的差值超過一示警值,判斷該電場資料異常。
- 如請求項1所述之日照值估測系統,該人工智能模組計算相鄰的多個待測區域的該估測日照值,以多個待測區域的該估測日照值推算出一地區的一日照強度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW112101403A TWI833549B (zh) | 2023-01-12 | 2023-01-12 | 日照值估測系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW112101403A TWI833549B (zh) | 2023-01-12 | 2023-01-12 | 日照值估測系統 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWI833549B true TWI833549B (zh) | 2024-02-21 |
Family
ID=90825038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112101403A TWI833549B (zh) | 2023-01-12 | 2023-01-12 | 日照值估測系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI833549B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011158363A1 (ja) * | 2010-06-17 | 2011-12-22 | 株式会社四国総合研究所 | 日射強度予測システムと太陽光発電出力予測システム |
TW201740296A (zh) * | 2016-05-10 | 2017-11-16 | Chun He Technology Co Ltd | 再生能源發電量預測方法與系統 |
TW202105306A (zh) * | 2019-03-29 | 2021-02-01 | 日商三菱重工業股份有限公司 | 發電量預測裝置、發電量預測方法、及程式 |
TW202107306A (zh) * | 2019-08-02 | 2021-02-16 | 慧景科技股份有限公司 | 以人工智慧估測地理位置日照量之系統、方法及儲存媒體 |
US11022720B2 (en) * | 2019-10-25 | 2021-06-01 | The Florid International University Board of Trustees | System for forecasting renewable energy generation |
-
2023
- 2023-01-12 TW TW112101403A patent/TWI833549B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011158363A1 (ja) * | 2010-06-17 | 2011-12-22 | 株式会社四国総合研究所 | 日射強度予測システムと太陽光発電出力予測システム |
TW201740296A (zh) * | 2016-05-10 | 2017-11-16 | Chun He Technology Co Ltd | 再生能源發電量預測方法與系統 |
TW202105306A (zh) * | 2019-03-29 | 2021-02-01 | 日商三菱重工業股份有限公司 | 發電量預測裝置、發電量預測方法、及程式 |
TW202107306A (zh) * | 2019-08-02 | 2021-02-16 | 慧景科技股份有限公司 | 以人工智慧估測地理位置日照量之系統、方法及儲存媒體 |
US11022720B2 (en) * | 2019-10-25 | 2021-06-01 | The Florid International University Board of Trustees | System for forecasting renewable energy generation |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800697B (zh) | 基于VGG-net风格迁移的变压器目标检测与外观缺陷识别方法 | |
CN112233091B (zh) | 一种风力机叶片图像损伤检测和定位方法 | |
CN109063366B (zh) | 一种基于时间和空间加权的建筑性能数据在线预处理方法 | |
KR101908865B1 (ko) | 기온 측정 자료의 품질 분석방법 | |
CN110411580B (zh) | 一种电力设备发热缺陷的诊断方法以及诊断系统 | |
CN111950396B (zh) | 一种仪表读数神经网络识别方法 | |
CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
CN103631681A (zh) | 一种在线修复风电场异常数据的方法 | |
TWI642019B (zh) | 發電系統效能估測方法 | |
CN108154271A (zh) | 一种基于空间相关性和曲面拟合的地面气温质量控制方法 | |
CN115267945A (zh) | 一种基于图神经网络的雷电预警方法与系统 | |
CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
CN110672154A (zh) | 土木工程建筑监测系统 | |
CN113283113B (zh) | 太阳电池阵发电电流预测模型训练方法、异常检测方法、设备及介质 | |
CN117171533B (zh) | 一种地理测绘作业数据实时采集处理方法及系统 | |
CN110455370B (zh) | 防汛抗旱远程遥测显示系统 | |
TWI833549B (zh) | 日照值估測系統 | |
CN116403048B (zh) | 一种基于多模态数据融合的农作物生长估计模型构建方法 | |
CN112762841A (zh) | 一种基于多分辨率深度特征的桥梁动位移监测系统及方法 | |
CN108573233A (zh) | 一种基于图像处理技术的电网陶瓷绝缘子识别方法 | |
CN111753469B (zh) | 台风风暴潮情景模拟方法及装置 | |
CN116956047B (zh) | 一种基于风力发电数据的风电机组性能评估系统 | |
CN115951088B (zh) | 一种风电机组风速仪异常分析方法 | |
CN109272545A (zh) | 一种定量表征河流决口扇的几何参数关系及其规模的方法 | |
CN117809227B (zh) | 一种基于视频帧的冰流速识别方法 |