Naukowcy z arXiv opracowali system wykorzystujący deep learning do odkrywania, ile energii producują domowe panele słoneczne, korzystając jedynie z danych z inteligentnych liczników energii, które normalnie rejestrują jedynie saldo netto. Problem jest ważny dla operatorów sieci dystrybucyjnej, którzy muszą zarządzać rosnącą liczbą rozproszczonych źródeł energii, ale nie mają bezpośredniego dostępu do generacji z domów.
Badacze przeanalizowali cztery scenariusze wdrażania: znane gospodarstwa w przyszłych okresach, nowe gospodarstwa w znanych regionach, nowe regiony i ekstrapolacja czasowa. Testując modele na danych Ausgrid z adaptacją do Pecan Street, odkryli że średni błąd absolutny (MAE) najlepszego modelu wzrastał z 0,104 kW dla znanych gospodarstw do 0,185 kW dla nowych gospodarstw w tym samym okresie. Krytyczne odkrycie: scenariusz wdrażania wyjaśniał znacznie więcej wariancji błędów niż sam wybór architektury sieci neuronowej.
Dla praktycznego zastosowania pokazali że fine-tuning na zaledwie pięciu gospodarstwach docelowych zmniejszał błędy transferu modelu między regionami o 28-36 procent przy zastosowaniu normalizacji domeny docelowej. Wnioski sugerują że operatorzy sieciowi powinni tworzyć indywidualne budżety błędów dla każdego scenariusza wdrażania i mogą efektywnie adaptować modele do nowych regionów przy minimalnym nadzorze.