Quantifying small scale domestic solar (PV) generation from energy consumption is becoming increasingly important as the install base of small solar (PV) panels rapidly grows. Unfortunately, it is often the case that the only insight into the consumption and generation of energy within a house comes from smart-meter readings. The smart meter records the amount of energy the house takes from the grid, and does not independently measure and report the local generation that might be consumed by the home, or fed back to the grid. To address this issue, we propose a novel approach to disaggregate solar (PV) generation from energy consumption that also infers installed PV capacity. This is done by disaggregating PV generation from censored smart meter readings, and specifically by finding the most likely distribution for the energy consumption and using it to infer the solar generation. We extend this approach to propose the first technique to infer PV capacity without weather data or a solar proxy, using instead only smart meter readings given a group of houses in close proximity. We evaluate the algorithm on two datasets: (i) the US Pecan Street dataset is adapted so that net energy meter readings are censored; and (ii) a constructed dataset, combining smart meter readings from UK households and solar energy generation from locations across the UK. Our results show comparable accuracy at inferring PV capacity compared to existing approaches, which cannot deal with censored readings which represent over 50% of PV panel installations in the UK.

随着小型太阳能（PV）面板的安装基础快速增长，从能耗中量化小型家用太阳能（PV）的产生变得越来越重要。不幸的是，通常情况下，对房屋内能量消耗和产生的唯一了解只能来自智能电表读数。智能电表记录房屋从电网获取的电量，并且不会独立测量和报告房屋可能消耗或反馈给电网的本地发电量。为了解决这个问题，我们提出了一种新颖的方法来将太阳能（PV）的产生与能耗分开，这也可以推断已安装的PV容量。这是通过将受监控的智能电表读数中的光伏发电量进行细分，特别是找到最可能的能耗分布并利用它来推断太阳能发电量。我们扩展此方法，以提出第一种技术来推断PV容量，而无需气象数据或太阳能代理，而是在给定一组附近房屋的情况下，仅使用智能电表读数。我们在两个数据集上评估该算法：（i）调整美国山核桃街数据集，以便对净电能表读数进行检查；（ii）结合英国家庭的智能电表读数和英国各地的太阳能发电量的构造数据集。我们的结果表明，与现有方法相比，推断光伏容量的准确性相当，后者无法处理经过审查的读数，该读数占英国光伏面板安装量的50％以上。我们扩展了此方法，以提出第一种技术来推断PV容量，而无需气象数据或太阳能代理，而仅在给定一组附近房屋的情况下仅使用智能电表读数。我们在两个数据集上评估该算法：（i）调整美国山核桃街数据集，以便对净电能表读数进行检查；（ii）结合英国家庭的智能电表读数和英国各地的太阳能发电量的构造数据集。我们的结果表明，与现有方法相比，推断光伏容量的准确性相当，后者无法处理经过审查的读数，该读数占英国光伏面板安装量的50％以上。我们扩展此方法，以提出第一种技术来推断PV容量，而无需气象数据或太阳能代理，而是在给定一组附近房屋的情况下，仅使用智能电表读数。我们在两个数据集上评估该算法：（i）调整美国山核桃街数据集，以便对净电能表读数进行检查；（ii）结合英国家庭的智能电表读数和英国各地的太阳能发电量的构造数据集。我们的结果表明，与现有方法相比，推断光伏容量的准确性相当，后者无法处理经过审查的读数，该读数占英国光伏面板安装量的50％以上。我们在两个数据集上评估该算法：（i）调整美国山核桃街数据集，以便对净电能表读数进行检查；（ii）结合英国家庭的智能电表读数和英国各地的太阳能发电量的构造数据集。我们的结果表明，与现有方法相比，推断光伏容量的准确性相当，后者无法处理经过审查的读数，该读数占英国光伏面板安装量的50％以上。我们在两个数据集上评估该算法：（i）调整美国山核桃街数据集，以便对净电能表读数进行检查；（ii）结合英国家庭的智能电表读数和英国各地的太阳能发电量的构造数据集。我们的结果表明，与现有方法相比，推断光伏容量的准确性相当，后者无法处理经过审查的读数，该读数占英国光伏面板安装量的50％以上。