Ошибка ИИ в оценке скрытой солнечной генерации выросла с 0,104 до 0,185 кВт

Сетевые операторы хотят видеть, сколько электричества вырабатывают солнечные панели на крышах, но большинство домов наблюдаются только через «чистые» умные счётчики: прибор показывает разницу между потреблением и генерацией, а не каждую из величин. Глубокие модели умеют разделять этот сигнал, однако в новой работе на arXiv показано, что их полезность упирается в вопрос, для кого и когда модель применяют. На данных Ausgrid дневная средняя абсолютная ошибка (MAE) лучшей модели составила 0,104 кВт для уже знакомых домов в будущем тестовом периоде и 0,185 кВт для домов, которых модель не видела, на том же периоде. Разница почти в 1,8 раза.

Четыре режима вместо одного усреднённого числа

Обычно такие модели оценивают одной цифрой на общей тестовой выборке. Авторы разделили сценарии применения на четыре режима развёртывания: модель обслуживает знакомых клиентов, новых клиентов, будущие периоды или новые регионы. Так перенос между домохозяйствами отделяется от экстраполяции во времени. Базой стали данные умных счётчиков Ausgrid, для проверки в другом регионе использовали набор Pecan Street.

Обучение зафиксировали единым протоколом, после чего сравнили представительные глубокие архитектуры для последовательностей. Результат неудобен для привычной логики бенчмарков: при фиксированном контракте обучения режим развёртывания объясняет гораздо большую долю разброса ошибки, чем выбор самой модели. Менять архитектуру ради нескольких процентов имеет меньше смысла, чем честно определить, на каких данных система будет работать.

Ключевые цифры

• Контекст: фиксированное окно в 48 часов.
• Дневная MAE лучшей модели на известных домах в будущем периоде: 0,104 кВт.
• Дневная MAE на неизвестных домах в тот же период: 0,185 кВт.
• Дообучение на пяти домах целевого региона снижает ошибку переноса исходной модели на 28–36%.
• Для переноса использовалась нормализация по целевому домену.

Перенос в другой регион и длина окна

При переносе с Ausgrid на Pecan Street модель, обученная в одном регионе, теряет точность: климат, типичные установки и привычки потребления отличаются. Авторы показывают, что для заметной части потерь достаточно небольшой доработки. Нормализация по статистике целевого домена плюс дообучение на пяти домах региона сокращают ошибку на 28–36%. Для оператора это конкретная цифра: собирать разметку по тысячам домов не нужно, достаточно небольшой выборки с известной генерацией.

Отдельный вопрос касается длины входного окна. Длинный контекст помогает в экстраполяции для знакомых клиентов, когда модель уже видела поведение конкретных домов. Для новых клиентов результат зависит от архитектуры: у одних моделей длинное окно даёт выигрыш, у других нет. Единого правила «чем длиннее, тем лучше» работа не подтверждает.

Как использовать на практике

Для сетевых компаний и поставщиков аналитики из этого следуют три рабочих шага. Во-первых, закладывать отдельный бюджет ошибки под каждый режим: цифра для знакомых клиентов в будущем периоде не годится как обещание для новых домов и тем более для нового региона. Во-вторых, при запуске в новом регионе планировать небольшой пилот с измеряемой генерацией примерно на пять домов, чтобы дообучить модель и нормализовать данные. В-третьих, подбирать длину контекста под задачу: прогнозировать поведение известных абонентов и оценивать новых подключённых нужно с разными настройками.

Ограничение стоит держать в голове: речь о двух наборах данных и об оценке на бенчмарках, а не о промышленной эксплуатации. Но методика с раздельными режимами оценки переносима на другие задачи энергетической аналитики, где модель обучают на одних клиентах, а применяют на других.