基于深度学习的住宅光伏发电数据分离技术研究：多场景部署与性能评估

摘要：本研究探讨了基于深度学习的住宅光伏（PV）发电数据分离技术，旨在解决智能电表仅提供净电量数据而无法直接观测光伏发电的问题。研究通过四种部署场景（已知用户、新用户、未来时段、新区域）评估模型性能，并使用Ausgrid和Pecan Street数据集进行跨数据集适配实验。实验结果表明，模型在不同场景下的表现差异显著，其中已知用户的误差最低，而新用户和跨区域迁移的误差较高。进一步分析显示，固定训练协议下，部署场景对误差的影响远大于模型选择，而针对目标区域的小样本微调可显著降低迁移误差。

---

研究背景与动机

智能电表仅提供净电量数据，无法直接观测用户的光伏发电量，这给电网运营商带来了数据可见性问题。深度学习技术为解决这一问题提供了新的思路，但其在不同场景下的适用性仍需深入研究。

方法与实验

本研究采用深度学习模型进行光伏发电数据分离，并设计了四种部署场景：

1. 已知用户：模型在训练时已见过用户数据。
2. 新用户：模型需要处理未见过的新用户数据。
3. 未来时段：模型需要预测未来时段的光伏发电量。
4. 新区域：模型需要跨区域迁移，适应不同地理区域的数据特征。

研究使用Ausgrid智能电表数据集进行训练，并在Pecan Street数据集上进行跨数据集适配实验。实验固定48小时上下文长度，评估模型在白天时段的表现。

主要发现

1. 性能差异显著：在已知用户场景下，模型在测试期间的平均绝对误差（MAE）为0.104 kW，而在新用户场景下，MAE上升至0.185 kW。
2. 部署场景影响大于模型选择：在固定训练协议下，部署场景对误差的影响远大于模型选择。
3. 小样本微调有效：在目标区域进行小样本微调，可将源模型迁移误差降低28%-36%。
4. 长输入窗口的优势：长输入窗口有助于已知用户的跨时段预测，但对新用户的益处因模型而异。

工程权衡与建议

1. 误差预算匹配：应根据部署场景制定相应的误差预算策略。
2. 目标区域微调：在新区域部署时，建议进行有限的目标监督微调，以提高模型适应性。
3. 上下文选择：应根据具体应用场景选择合适的上下文长度，以平衡计算成本和性能。

结论

本研究为基于深度学习的光伏发电数据分离技术提供了全面的性能评估和部署建议，强调了部署场景对模型性能的关键影响，并指出了未来研究的方向，如跨区域迁移和长时序预测。

---

消息来源：ArXiv Machine Learning (cs.LG) (2026-10-12)

—— 完 ——

主题标签： #深度学习 关注 #光伏发电 关注 #智能电表 关注 #数据分离 关注 #模型迁移 关注