BuildingsBench: A Large-Scale Dataset of 900K Buildings and Benchmark for Short-Term Load Forecasting

要約

住宅および商業ビルのエネルギー消費量の短期予測は電力システムで広く使用されており、重要性が高まり続けています。
データ駆動型の短期負荷予測 (STLF) は有望ですが、建物の多様性が高いオープンで大規模なデータセットが不足しているという問題がありました。
これにより、STLF の事前トレーニング後に微調整するパラダイムの探索が妨げられてきました。
これに対処するために、以下で構成される BuildingsBench を紹介します。1) Buildings-900K、米国の建築ストックを表す 900K のシミュレートされた建物の大規模データセット。
2) 7 つのオープン データセットからの 1,900 を超える実際の住宅および商業建物を含む評価プラットフォーム。
BuildingsBench は、未調査の 2 つのタスクのベンチマークを行います。ゼロショット STLF では、事前トレーニングされたモデルが微調整なしで目に見えない建物で評価され、もう 1 つは転移学習で、事前トレーニングされたモデルがターゲットの建物で微調整されます。
私たちのベンチマーク分析の主な発見は、合成的に事前トレーニングされたモデルが実際の商業ビルに驚くほどうまく一般化できるということです。
データセットのサイズと多様性の増加がゼロショット商業ビルのパフォーマンスに及ぼす影響を調査すると、利益が逓減するべき乗則が明らかになります。
また、実際の商業用建物や住宅用建物で事前トレーニング済みモデルを微調整すると、対象となる建物の大部分でパフォーマンスが向上することも示します。
BuildingsBench が一般化可能な STLF に関する将来の研究を奨励し、促進することを願っています。
すべてのデータセットとコードは https://github.com/NREL/BuildingsBench からアクセスできます。

要約(オリジナル)

Short-term forecasting of residential and commercial building energy consumption is widely used in power systems and continues to grow in importance. Data-driven short-term load forecasting (STLF), although promising, has suffered from a lack of open, large-scale datasets with high building diversity. This has hindered exploring the pretrain-then-fine-tune paradigm for STLF. To help address this, we present BuildingsBench, which consists of: 1) Buildings-900K, a large-scale dataset of 900K simulated buildings representing the U.S. building stock; and 2) an evaluation platform with over 1,900 real residential and commercial buildings from 7 open datasets. BuildingsBench benchmarks two under-explored tasks: zero-shot STLF, where a pretrained model is evaluated on unseen buildings without fine-tuning, and transfer learning, where a pretrained model is fine-tuned on a target building. The main finding of our benchmark analysis is that synthetically pretrained models generalize surprisingly well to real commercial buildings. An exploration of the effect of increasing dataset size and diversity on zero-shot commercial building performance reveals a power-law with diminishing returns. We also show that fine-tuning pretrained models on real commercial and residential buildings improves performance for a majority of target buildings. We hope that BuildingsBench encourages and facilitates future research on generalizable STLF. All datasets and code can be accessed from https://github.com/NREL/BuildingsBench.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google