BuildingsBench：一个包含90万栋建筑的大规模数据集与短期负荷预测基准
机器学习
2024-01-11 v3
摘要
住宅和商业建筑能耗的短期预测在电力系统中的使用十分广泛，并且其重要性持续增长。数据驱动的短期负荷预测（STLF）虽有前景，却一直受限于缺乏具有高度建筑多样性的开放大规模数据集。这阻碍了探索STLF的预训练然后微调范式。为帮助解决此问题，我们提出BuildingsBench，其包含：1）Buildings-900K，一个代表美国建筑存量、包含90万栋模拟建筑的大规模数据集；2）一个来自7个开放数据集、包含超过1900栋真实住宅和商业建筑的评估平台。BuildingsBench对两个未被充分探索的任务进行基准测试：零样本STLF，即预训练模型在未见过建筑上不经微调进行评估；以及迁移学习，即预训练模型在目标建筑上微调。我们基准分析的主要发现是，合成预训练模型对真实商业建筑的泛化出奇地好。对增加数据集规模和多样性对零样本商业建筑性能影响的探索揭示了具有收益递减的幂律。我们还表明，在真实商业和住宅建筑上微调预训练模型可改善大多数目标建筑的性能。我们希望BuildingsBench能够鼓励并促进未来关于可泛化STLF的研究。所有数据集和代码可从 https://github.com/NREL/BuildingsBench 获取。
引用
@article{arxiv.2307.00142,
title = {BuildingsBench: A Large-Scale Dataset of 900K Buildings and Benchmark for Short-Term Load Forecasting},
author = {Patrick Emami and Abhijeet Sahu and Peter Graf},
journal= {arXiv preprint arXiv:2307.00142},
year = {2024}
}
备注
NeurIPS 2023 Datasets & Benchmarks Track camera-ready version. 35 pages. Code available at https://github.com/NREL/BuildingsBench/ and data available at https://data.openei.org/submissions/5859