arXiv cs.LGは10月7日(現地時間)、配電事業者が関心を寄せる「メーター内部の太陽光発電（PV）量」の可視化向上に関する研究論文を公開しました。住宅顧客のデータが「ネットスマートメーター」を通じてのみ観測される現状に対し、深層学習（ディープラーニング）に基づく「PV発電量の分離推定（PV disaggregation）」技術を応用。モデルの運用価値が、既存顧客、新規顧客、将来の期間、または新しい地域のいずれにサービスを提供するかによってどう変化するかについて、定量的な評価を示しています。
本論文は、Jack Zheng氏とHao Wang氏によって執筆され、第10回IEEE Energy Internet and Energy System Integration Conference (IEEE EI2 2026)に採択されており、近くIEEE Xploreで出版される見込みです。研究は、配電事業者がメーター内部の太陽光発電（PV）量を正確に把握する必要がある現状に焦点を当てました。
研究チームは、深層学習（ディープラーニング）に基づくPV発電量の分離推定（PV disaggregation）がこの可視性を回復できるとし、その運用価値がモデルの展開レジーム（deployment regimes）に依存することを明らかにしました。世帯間の転送（household transfer）と時間的補外（temporal extrapolation）を分離する4つの展開レジームを用いて、この依存関係を定量化しています。分析には、AusgridスマートメーターデータとPecan Streetデータへのクロスデータセット適応が適用されました。
固定されたトレーニングプロトコルを使用し、代表的な深層シーケンスアーキテクチャを評価した結果、固定された48時間のコンテキスト長（context length）において、最高のモデルにおける日中平均絶対誤差（daylight mean absolute error, MAE）は、将来のテスト期間における既知の世帯で0.104kWから、同じ期間の未知の世帯で0.185kWに上昇しました。この結果は、モデルの選択よりも展開レジームが誤差の変動をはるかに多く説明することを示唆しています。
また、ターゲットドメイン正規化（target-domain normalization）の下で、5つのターゲット地域の世帯でのファインチューニングは、ソースモデルの転送誤差を28%から36%削減しました。長い入力ウィンドウは既知の顧客の補外（extrapolation）を助ける一方で、新規顧客への利点はモデルによって異なるとしています。これらの発見は、レジームに合わせた誤差予算（regime-matched error budgets）、新しい地域でのモデル適応のための限られたターゲット教師あり学習（limited target supervision）、そしてエネルギーデータ分析における使用事例に応じたコンテキスト選択（context selection）を示唆しています。
参考: arXiv cs.LG (アーカイブ) — 2026年10月12日 13:00 (JST)
原文ハイライト"Behind-the-Meter Photovoltaic Visibility from Net Smart Meters: Deployment Regimes and Operational Insights"