Diversifying Training Data Does Not Improve Generalizability of Neural Network Models for PV Identification

Ranalli, Joseph und Zech, Matthias und Tetens, Hendrik-Pieter (2024) Diversifying Training Data Does Not Improve Generalizability of Neural Network Models for PV Identification. Journal of Renewable and Sustainable Energy. American Institute of Physics (AIP). ISSN 1941-7012.

PDF - Nur DLR-intern zugänglich - Postprintversion (akzeptierte Manuskriptversion)
30MB

elib-URL des Eintrags:

https://elib.dlr.de/208725/

Dokumentart:

Zeitschriftenbeitrag

Titel:

Diversifying Training Data Does Not Improve Generalizability of Neural Network Models for PV Identification

Autoren:

Autoren	Institution oder E-Mail-Adresse	Autoren-ORCID-iD	ORCID Put Code
Ranalli, Joseph	jar339 (at) psu.edu	https://orcid.org/0000-0002-8184-9895	NICHT SPEZIFIZIERT
Zech, Matthias	Matthias.Zech (at) dlr.de	https://orcid.org/0000-0003-4420-5238	NICHT SPEZIFIZIERT
Tetens, Hendrik-Pieter	asdf (at) pietertetens.de	https://orcid.org/0000-0002-1747-5497	NICHT SPEZIFIZIERT

Datum:

2024

Erschienen in:

Journal of Renewable and Sustainable Energy

Referierte Publikation:

Open Access:

Nein

Gold Open Access:

Nein

In SCOPUS:

In ISI Web of Science:

Verlag:

American Institute of Physics (AIP)

ISSN:

1941-7012

Status:

akzeptierter Beitrag

Stichwörter:

Energy systems, Machine Learning, PV systems, Renewable energy

HGF - Forschungsbereich:

Energie

HGF - Programm:

Energiesystemdesign

HGF - Programmthema:

Energiesystemtransformation

DLR - Schwerpunkt:

Energie

DLR - Forschungsgebiet:

E SY - Energiesystemtechnologie und -analyse

DLR - Teilgebiet (Projekt, Vorhaben):

E - Systemanalyse und Technologiebewertung

Standort:

Oldenburg

Institute & Einrichtungen:

Institut für Vernetzte Energiesysteme > Energiesystemanalyse, OL

Hinterlegt von:

Zech, Matthias

Hinterlegt am:

25 Nov 2024 10:01

Letzte Änderung:

25 Nov 2024 10:01

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags