表后光伏可见性靠AI分解，未见家庭误差飙至0.185kW，微调新区域直降36%！
Behind-the-Meter Photovoltaic Visibility from Net Smart Meters: Deployment Regimes and Operational Insights
📖 AI 总结
该研究针对配电运营商难以观测用户侧光伏发电的问题，探讨了基于净智能电表的深度学习光伏分解方法在实际部署中的有效性。作者提出四种部署场景，区分跨家庭迁移与时间外推，并在Ausgrid数据集上训练、在Pecan Street数据集上做跨域适配。采用统一训练协议对多种深度序列模型进行基准测试后发现，在48小时输入窗口下，最优模型在已见家庭的未来时段日间平均绝对误差为0.104千瓦，而在未见家庭同时段升至0.185千瓦；部署场景对误差差异的解释力远超模型选择本身。目标域归一化后，仅用五个目标区域家庭微调即可将迁移误差降低28%至36%。研究据此建议采用与部署场景匹配的误差预算、在新区域引入有限目标监督，并按用例选择输入窗口长度。
🔑 关键词速览
| 表后光伏（Behind-the-Meter PV） | 指安装在用户电表后方的光伏发电系统，其发电量不被电网直接计量，仅通过净电表间接反映。 |
| 净智能电表（Net Smart Meter） | 一种记录用户净用电量（用电与发电之差）的智能电表，无法直接区分光伏发电和负荷用电。 |
| PV分解（PV Disaggregation） | 从净电表数据中分离出光伏发电成分的技术，通常利用深度学习模型实现。 |
| 部署机制（Deployment Regime） | 指模型应用的不同场景，包括已知用户、新用户、未来时段和新区域，影响模型误差和泛化能力。 |
| 平均绝对误差（MAE） | 一种衡量预测误差的指标，计算预测值与实际值绝对差的平均值，单位与数据一致。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅