隐私保护的绿色建筑用能行为分析与预测数据集

建筑负荷预测正变得日益重要，因为它为各种需求侧管理应用提供了可能。联合学习方法因其能在保护隐私的同时充分利用不同建筑的负荷数据而日益受到青睐。然而，由于各建筑本地数据具有非独立同分布（Non-IID）的特性，本地训练所获得的知识可能存在显著偏差。如果像传统联合学习方法那样简单地聚合本地训练模型，可能会引入污染，并导致全局模型变得脆弱。为此，本数据集提出了一种创新框架，通过集成联邦域分离机制来缓解非独立同分布数据带来的负面影响。具体而言，我们将获取的知识分为有用部分和潜在污染部分。通过精心设计的算法保留前者并剔除后者，有望构建出抗污染能力更强且更个性化的联邦学习模型。与当前的后处理个性化方法相比，所提出的框架能够避免全局知识遗忘，从而实现更全面的知识利用，并提供更准确的结果。我们在公开数据集上与基准方法进行了广泛的比较实验，以验证所提框架的优越性，同时多种消融实验证明了所有内部组件的有效性。该数据集包含输入数据、预测结果数据、模型参数数据3个子文件夹：输入数据包含共计5567个居民建筑的负荷数据及湿度、温度、降水等天气小时级数据，数据格式为.xlsx，数据量约为300MB。预测结果数据为小时级负荷预测，数据格式为.xlsx，数据量约为25MB。模型参数为所提出模型基于输入数据训练后得到的结果，其中模型结构数据格式为.py，参数数值格式为.pt。

搜集汇总

背景与挑战

背景概述

该数据集面向绿色建筑用能行为分析与预测，包含5567个居民建筑的负荷数据及湿度、温度、降水等小时级天气数据，总量约300MB。数据集的创新之处在于提出了一种集成联邦域分离机制的框架，用以缓解联邦学习中由非独立同分布数据引发的模型污染问题。数据分为输入数据、预测结果数据和模型参数数据三个子文件夹，支持隐私保护下的负荷预测研究。