限定的なサンプル予算下でのメーター内太陽光発電(BTM PV)の分離:ユーザーレベル能動学習戦略
Behind-the-Meter PV Disaggregation Under Limited Sample Budget: A User-Level Active Learning Strategy
配電網の観測可能性を向上させるため、メーター内太陽光発電(BTM PV)の出力を正味負荷から分離することが不可欠である。しかし、既存の深層学習ベースの分離手法は大規模なラベル付きデータセットを必要とし、そのデータ取得は高コストである。本稿では、能動学習と適応型重み更新に基づくユーザーレベルのBTM PV分離手法を提案し、最小限のラベリングコストでモデル性能を最大化することを目指す。エピステミック不確実性、アレアトリック不確実性、および代表性を組み込んだ多次元ユーザー価値評価システムを設計し、各イテレーションで最も情報量の多いユーザーを選択してサブメーターを設置する。動的に選択戦略を最適化するため、次元間の性能改善勾配に基づいて次ラウンドの重みを調整する適応型重み更新メカニズムを提案する。このクローズドループフィードバックにより、戦略は進化するモデルのニーズを捉え、最大の性能向上をもたらすユーザーを優先できる。提案手法は公開されているAusgridデータセットで検証され、実験結果は限定的な予算下での有効性を示している。
- 配電網の観測可能性向上のため、メーター内太陽光発電(BTM PV)出力を正味負荷から分離する必要性を提示
- 能動学習と適応型重み更新に基づくユーザーレベルBTM PV分離手法を提案し、最小限のラベリングコストでモデル性能最大化を狙う
- エピステミック不確実性・アレアトリック不確実性・代表性を組み込んだ多次元ユーザー価値評価システムを設計し、各イテレーションで最も情報量の多いユーザーを選んでサブメーターを設置
- 次元間の性能改善勾配に基づき次ラウンドの重みを調整する適応型重み更新メカニズムを提案し、クローズドループフィードバックで戦略を進化させる
- 公開されているAusgridデータセットで検証し、限定的な予算下での有効性を実験結果で示した
配電網の観測可能性を高めるBTM PV分離という産業課題に対し、能動学習と適応型重み更新でラベリングコストを最小化する研究。データ取得コストが導入障壁だった領域で、限られたサブメーター設置予算での運用が現実的になれば、配電網デジタル化・需要予測・VPP/デマンドレスポンス系サービスを手掛ける事業者の収益機会が広がる点に注目。ただし現段階は公開データセット(Ausgrid)での検証であり、商用化・ライセンス・参入企業は未定で、投資判断には実証規模の拡大と実運用データでの精度検証が待たれる。