Sintesi Tecnica: RESCAST-100K

Definizione del Problema

La previsione accurata del carico energetico residenziale e della temperatura interna a breve termine è fondamentale per la gestione dell'energia domestica, il bilanciamento della rete e la risposta alla domanda. Tuttavia, lo sviluppo di modelli robusti è ostacolato dalla scarsità di dati, dalla frammentazione e dalle preoccupazioni relative alla privacy negli ambienti residenziali. Gli approoli di deep learning esistenti richiedono tipicamente grandi quantità di dati storici dal dominio target, che sono raramente disponibili. Inoltre, gli ambienti residenziali esibiscono un'eterogeneità multidimensionale (geografia, clima, involucro edilizio, sistemi HVAC) che induce distinti spostamenti di distribuzione, rendendo difficile la generalizzazione cross-dominio.

I benchmark attuali soffrono di significative limitazioni:

• Ambito Limitato: Molti dataset si concentrano su edifici non residenziali o mancano di target chiave come il carico HVAC e la temperatura interna.
• Covariate Mancanti: Le risorse esistenti spesso omettono variabili esogene (meteo, segnali di controllo) o proprietà statiche dell'edificio necessarie per la generalizzazione.
• Mancanza di Supporto Cross-Domain: Pochi dataset supportano una valutazione sistematica sotto controllati spostamenti di dominio o integrano dati sintetici e reali sotto uno schema unificato, rendendo difficile la valutazione "sim-to-real".

Metodologia e Costruzione del Dataset

Gli autori introducono RESCAST-100K, un benchmark su larga scala progettato per studiare la generalizzazione cross-dominio nella previsione residenziale.

Composizione del Dataset

• Scala: Circa 100.000 case statunitensi derivate da ResStock e simulate tramite EnergyPlus.
• Risoluzione: Serie temporali a 15 minuti.
• Target: Tre target accoppiati per ogni casa:
  1. Carico elettrico totale (kWh)
  2. Carico HVAC (kWh)
  3. Temperatura interna (°F)
• Feature:
  • Input Dinamici Esogeni: Canali meteorologici (temperatura a bulbo secco/umido, umidità, vento, radiazione solare) e setpoint HVAC.
  • Covariate Statiche: Oltre 40 proprietà edilizie, tra cui geografia, zona climatica, costruzione delle pareti, tipo di fondazione e apparecchiature HVAC.
• Integrazione con il Mondo Reale: Il benchmark integra cinque dataset residenziali reali (ECOBEE, HEAPO, IDEAL, NEST, REFIT) sotto uno schema unificato per consentire la valutazione sim-to-real.

Astrazione del Dominio Guidata dalla Configurazione

Una caratteristica centrale di RESCAST-100K è la sua interfaccia guidata dalla configurazione (basata su YAML) che consente agli utenti di istanziare domini sorgente e target lungo assi interpretabili:

• Geografia (Stato, Regione)
• Zona Climatica (ASHRAE/IECC)
• Involucro Edilizio (Tipo di parete, Costruzione)
• Apparecchiature HVAC (Tecnologia di riscaldamento)

Ciò consente una valutazione sistematica del transfer learning, del domain adaptation e della generalizzazione zero-shot sotto controllati spostamenti di distribuzione.

Setup Sperimentale

Gli autori formulano il problema come previsione probabilistica con covariate mancanti.

• Task: Prevedere una traiettoria di lunghezza $L_f$ (96 timestep/1 giorno) dato un contesto di $L_c$ (384 timestep/4 giorni) e attributi statici.
• Robustezza: Un operatore di masking stocastico simula canali dinamici mancanti (meteo, setpoint) e covariate statiche per testare la robustezza del modello.
• Modelli Benchmarkati: Lo studio valuta sei famiglie di modelli:
  • Ricorrenti: Encoder LSTM (LSTM-E), Encoder-Decoder LSTM (LSTM).
  • Basati su Transformer: Transformer, TimeXer, PatchTST.
  • Basati su Mixer: TSMixer.
  • Varianti Robuste: I modelli sono stati modificati (es. LSTM-R, Transformer-R) per gestire i dati mancanti.
• Metriche: Normalized Root Mean Square Error (NRMSE) per l'accuratezza puntuale e Continuous Ranked Probability Score (CRPS) per l'accuratezza probabilistica.

Risultati Chiave

1. Performance In-Domain

In condizioni di piena disponibilità di dati, i modelli basati su Transformer e TimeXer hanno generalmente ottenuto l'accuratezza migliore. Tuttavia, quando i dati erano mancanti, TSMixer e TimeXer hanno costantemente superato i classici LSTM e i Transformer standard, dimostrando una robustezza superiore agli input incompleti.

2. Generalizzazione Zero-Shot Cross-Dominio

Valutata attraverso quattro categorie di spostamento di dominio (Stato, Zona Climatica, Tipo di Parete, Tecnologia di Riscaldamento):

• Previsione del Carico (Totale e HVAC): TSMixer-R ha costantemente ottenuto il NRMSE e il CRPS più bassi in tutte le categorie di dominio, seguito da vicino da TimeXer-R.
  • Osservazione: I modelli MLP-mixer sembrano apprendere meglio le dipendenze dalle feature esogene elaborandole più volte durante il mixing, rispetto a una singola operazione di attenzione.
• Previsione della Temperatura: TimeXer-R ha ottenuto l'accuratezza migliore.
  • Osservazione: L'uso da parte di TimeXer della self-attention sul target (mantenendo l'inerzia termica) combinato con la cross-attention per l'influenza esogena si è rivelato superiore nel catturare la dinamica termica fluida guidata dai setpoint.
• Performance dei Baseline: I modelli ricorrenti (LSTM) e i vanilla Transformer sono degradati significativamente (spesso di un ordine di grandezza) sotto gli spostamenti di dominio, in particolare per la previsione della temperatura.

3. Valutazione Sim-to-Real

Quando i modelli addestrati su dati sintetici sono stati testati zero-shot su cinque dataset reali:

• Accuratezza Puntuale: L'NRMSE è degradato sostanzialmente a causa del gap sim-to-real, come previsto in assenza di fine-tuning.
• Accuratezza Probabilistica: I valori CRPS sono rimasti relativamente bassi e costanti. TSMixer-R e TimeXer-R hanno mantenuto le migliori performance.
• Implicazione: Il pre-addestramento probabilistico su dati sintetici si trasferisce in modo più affidabile alle case reali rispetto alla precisione della previsione puntuale, suggerendo che i modelli catturino la forma distributiva generale del segnale target anche senza dati del dominio target.

Contributi e Significato

Il paper rivendica i seguenti contributi primari:

1. Dataset RESCAST-100K: Un dataset su larga scala (100k case), multi-target, con un'interfaccia guidata dalla configurazione per studiare la previsione cross-dominio lungo assi come geografia, clima e costruzione.
2. Schema Unificato: Integrazione di simulazioni ad alta fedeltà basate sulla fisica con cinque dataset reali, consentendo una rigorosa valutazione sim-to-real precedentemente non disponibile a questa scala.
3. Approfondimenti dal Benchmarking: La valutazione sistematica di architetture ricorrenti, di attenzione e di mixer rivela che i modelli basati su cross-attention e MLP-mixer superano costantemente i baseline ricorrenti e i transformer classici sotto spostamenti di dominio e condizioni di dati mancanti.

Significato:
Gli autori pongono RESCAST-100K come una risorsa necessaria per far avanzare le comunità del machine learning e dell'analisi degli edifici. Fornendo un benchmark standardizzato e su larga scala per la generalizzazione cross-dominio, esso affronta l' "assenza di dataset residenziali completi" che ha limitato il progresso nel transfer learning e nel domain adaptation per i sistemi energetici residenziali. Le scoperte suggeriscono che scelte architettoniche specifiche (Mixer e Cross-Attention) sono critiche per gestire l'eterogeneità inerente alla previsione energetica residenziale.