論文の概要: Behind-the-Meter Photovoltaic Visibility from Net Smart Meters: Deployment Regimes and Operational Insights
- arxiv url: http://arxiv.org/abs/2610.12527v1
- Date: Thu, 08 Oct 2026 07:37:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.215485
- Title: Behind-the-Meter Photovoltaic Visibility from Net Smart Meters: Deployment Regimes and Operational Insights
- Title（参考訳）: ネットスマートメータによる太陽光発電の可視性:展開レジームと運用インサイト
- Abstract要約: ディープラーニングベースのPVディスアグリゲーションは、PV生成の可視性を取り戻すことができるが、その運用価値は、そのモデルが既知の顧客、新しい顧客、将来の期間、または新しいリージョンを提供するかどうかに依存する。
この依存度を、時間外挿から世帯移動を分離する4つの配置体制を用いて定量化する。
これらの結果から, 構造整合型エラー予算, 新領域におけるモデル適応のための限定目標監督, エネルギーデータ分析のためのユースケース依存コンテキスト選択が示唆された。
- 参考スコア（独自算出の注目度）: 3.1231899978018824
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Distribution operators need visibility of behind-the-meter photovoltaic (PV) generation, yet most residential customers are observed only through net smart meters. Deep-learning-based PV disaggregation can restore this visibility, but its operational value depends on whether the model serves known customers, new customers, future periods, or new regions. We quantify this dependence using four deployment regimes that separate household transfer from temporal extrapolation, applied to Ausgrid smart-meter data with cross-dataset adaptation to the Pecan Street data. Using a fixed training protocol, we benchmark representative deep sequence architectures for PV disaggregation under regime-matched evaluation. At a fixed 48-hour context length, daylight mean absolute error (MAE) of the best model rises from 0.104~kW on seen households in the future test period to 0.185~kW on unseen households over the same period, and under a fixed training contract the deployment regime explains far more of the error variation than model choice. Under target-domain normalization, fine-tuning on five target-region households reduces source-model transfer error by 28\%--36\%. Long input windows help known-customer extrapolation, while their new-customer benefits vary by model. These findings suggest regime-matched error budgets, limited target supervision for model adaptation in new regions, and use-case-dependent context selection for energy data analytics.
- Abstract（参考訳）: 配電事業者は、後方太陽光発電(PV)の発生を可視化する必要があるが、ほとんどの住宅顧客は、ネットスマートメーターを通してのみ観察される。
ディープラーニングベースのPVディスアグリゲーションは、この可視性を取り戻すことができるが、その運用価値は、そのモデルが既知の顧客、新しい顧客、将来の期間、または新しいリージョンを提供するかどうかに依存する。
我々は,この依存度を,時間外挿から世帯移動を分離する4つの配置方式を用いて定量化し,ペカン通りデータへのクロスデータセット適応を用いたAusgridスマートメーターデータに適用した。
固定的なトレーニングプロトコルを用いて、状態整合性評価の下で、PV分散のための代表的な深部配列アーキテクチャをベンチマークする。
一定の48時間のコンテキスト長において、最良のモデルの日照平均絶対誤差(MAE)は、将来のテスト期間における世帯の0.104〜kWから、同じ期間における未確認世帯の0.185〜kWへと上昇し、固定されたトレーニング契約の下では、配置体制はモデル選択よりもはるかに多くのエラー変動を説明する。
対象領域の正規化の下では、5つの対象領域における微調整により、ソースモデル転送エラーが28\%--36\%減少する。
長い入力ウィンドウは既知のカストマー外挿に役立つが、新しいカストマーの利点はモデルによって異なる。
これらの結果から, 構造整合型エラー予算, 新領域におけるモデル適応のための限定目標監督, エネルギーデータ分析のためのユースケース依存コンテキスト選択が示唆された。
関連論文リスト
- State Transport Routing for Short-horizon Adaptation in Multi-horizon Photovoltaic Forecasting [1.6028290648973895]
最近の電力測定は、太陽光発電(PV)電力予測に貴重な情報を提供する。
しかし、短期的な傾向を直接外挿すると、長期予測の地平線よりもかなりの誤差が生じる可能性がある。
本研究では,凍結予測モデルの予測を洗練させる軽量アダプタである状態輸送ルーティング(STR)を提案する。
論文 参考訳（メタデータ） (2026-09-29T07:42:31Z) - An AI-Based Decision-Support Pipeline for Day-Ahead Photovoltaic Forecasting [3.5367752722811794]
日中PV予測のための配置指向型環境AIパイプラインを開発した。
パイプラインはタイムスタンプの規則を修正し、漏れやすい太陽測地とクリアネス・インデクシング機能を構築し、短期的な大気環境を追加する。
日光正規化RMSEを、ランダムな日光遮断評価で約32%、より厳密なローリングオリジンプロトコルで9%削減する。
論文 参考訳（メタデータ） (2026-08-03T11:48:32Z) - Time series Foundation Models based on Physics-Informed Synthetic Histories for Cold-Start Photovoltaic Forecasting [45.753923525593045]
評価は4つのデータセットと多様な気候体制にまたがる440ドルのPVサイトに及んでいる。
性能は、合成履歴源にはほとんど敏感であり、精度は特定の発生器よりも、可視的時間的文脈の可用性によってより引き起こされることを示している。
論文 参考訳（メタデータ） (2026-06-05T17:05:19Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - Transfer Learning in Transformer-Based Demand Forecasting For Home
Energy Management System [4.573008040057806]
複数の世帯からのデータを活用して、単一世帯の負荷予測を改善することで、トランスファーラーニングがいかに役立つかを分析する。
具体的には、複数の異なる世帯のデータを用いて高度な予測モデルをトレーニングし、限られたデータを持つ新しい家庭でこのグローバルモデルを微調整する。
得られたモデルは、次の24時間(日頭)の家庭の電力消費を15分間の時間分解能で予測するために使用される。
論文 参考訳（メタデータ） (2023-10-29T21:19:08Z) - Forecasting Intraday Power Output by a Set of PV Systems using Recurrent Neural Networks and Physical Covariates [0.0]
PhotoVoltaic(PV)システムによる出力の正確な予測は、エネルギー分配グリッドの動作を改善するために重要である。
このような日内予測の実現を目的とした神経自己回帰モデルについて述べる。
論文 参考訳（メタデータ） (2023-03-15T09:03:58Z) - A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳（メタデータ） (2023-03-02T21:48:22Z) - Appliance Level Short-term Load Forecasting via Recurrent Neural Network [6.351541960369854]
本稿では,各家電の消費電力を効率よく予測するSTLFアルゴリズムを提案する。
提案手法は、ディープラーニングにおける強力なリカレントニューラルネットワーク(RNN)アーキテクチャに基づいている。
論文 参考訳（メタデータ） (2021-11-23T16:56:37Z) - Investigating Underlying Drivers of Variability in Residential Energy
Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。
本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
論文 参考訳（メタデータ） (2021-02-16T16:56:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。