基于净计量智能电表的表后光伏可观测性：部署场景与运行启示

arXiv:2610.12527v1 公告类型：新论文 摘要：配电运营商需要掌握表后光伏（PV）发电情况，但对大多数居民用户的观测仅能通过净计量智能电表实现。基于深度学习的光伏发电分解能够恢复这种可观测性，但其运行价值取决于模型是服务于已知用户、新用户、未来时段还是新区域。我们利用四种将家庭间迁移与时间外推分开考察的部署场景，量化了这种依赖关系，并将其应用于 Ausgrid 智能电表数据，同时开展向 Pecan Street 数据的跨数据集适配。在固定训练方案下，我们采用与部署场景相匹配的评估方式，对用于光伏发电分解的代表性深度序列架构进行基准测试。在上下文长度固定为 48 小时的条件下，最佳模型在未来测试时段内对已见家庭的日间平均绝对误差（MAE）为 0.104 kW，而对同一时段内未见家庭的误差升至 0.185 kW；在训练约束固定的条件下，部署场景对误差变化的解释力远高于模型选择。采用目标域归一化后，利用目标区域五户家庭的数据进行微调，可使源模型的迁移误差降低 28%—36%。较长的输入窗口有助于已知用户的时间外推，但对新用户的收益因模型而异。这些发现表明，能源数据分析应采用与部署场景相匹配的误差预算，在新区域利用少量目标域监督数据进行模型适配，并根据具体应用场景选择上下文长度。