隐私保护的短期个人负载预测方法、系统、设备及终端技术方案

本发明专利技术属于数据安全技术领域，公开了一种隐私保护的短期个人负载预测方法、系统、设备及终端，隐私保护的收集用户负载数据阶段，用户收集智能电网短期负载数据，并将数据随机拆分后上传密文至训练模型训练服务器中；训练预处理阶段，训练模型训练服务器之间利用安全协议生成隐私计算辅助数据矩阵乘法三元组；安全正向传播阶段，利用加密的历史数据安全地计算负载预测值；安全逆向传播阶段，根据真实值与预测值之间的差异，隐私地计算预测模型新参数，并多次迭代；停止迭代，在密文训练下获得负载预测模型参数，并将双方负载预测模型发送给用户用于实际预测。本发明专利技术所提出的隐私保护方案在用户和服务器端的计算和通信开销等方面均是高效的。均是高效的。均是高效的。

【技术实现步骤摘要】
隐私保护的短期个人负载预测方法、系统、设备及终端


[0001]本专利技术属于数据安全
，尤其涉及一种隐私保护的短期个人负载预测方法、系统、设备及终端。

技术介绍

[0002]近年来，随着智能电网和智能家居的发展，智能电表逐渐进入人们的视野。智能电表提供实时、高分辨率的用户用电负荷数据。基于这些细粒度数据和深度学习的进步，针对单个用户的短期负荷预测服务已经取得突破性进展，并在电网规划中发挥着越来越重要的作用。例如，个人短期负荷预测通常作为住宅能源管理系统、点对点能源交易市场、系统级负荷预测等智能电网数据服务的输入，以帮助实现利润最大化或成本最小化。通过服务器对来自智能电表的大量负荷数据进行采集、分析、训练，为用户提供定制的负荷预测模型或短期预测值是目前的主要需求。
[0003]另一方面，来自智能电表和负荷预测数据的个人历史数据总是报告用户的能源消费模式，这带来了隐私问题。特别是，利用细粒度负载数据可以推断出用户的私人信息。例如，可以检测住户的使用情况，可以识别正在使用的家电，甚至可以推断出住户的日常生活情况和个人信息。一个诚实但好奇本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种隐私保护的短期个人负载预测方法，其特征在于，所述隐私保护的短期个人负载预测方法包括：隐私保护的收集用户负载数据阶段，用户收集智能电网短期负载数据，并将数据随机拆分后上传密文至训练模型训练服务器中；训练预处理阶段，训练模型训练服务器之间利用安全协议生成隐私计算辅助数据矩阵乘法三元组；安全正向传播阶段，利用加密的历史数据安全地计算负载预测值；安全逆向传播阶段，根据真实值与预测值之间的差异，隐私地计算预测模型新参数，并多次迭代；停止迭代，在密文训练下获得负载预测模型参数，并将双方负载预测模型发送给用户用于实际预测。2.如权利要求1所述的隐私保护的短期个人负载预测方法，其特征在于，所述隐私保护的短期个人负载预测方法包括以下步骤：步骤一，隐私保护的收集用户负载数据；步骤二，训练预处理阶段；步骤三，安全正向传播阶段；步骤四，安全逆向传播阶段；步骤五，误差满足，有限轮后停止迭代，获得负载预测模型参数并返回。3.如权利要求2所述的隐私保护的短期个人负载预测方法，其特征在于，所述步骤一中的隐私保护的收集用户负载数据包括：(1)用户收集自己的历史负载数据矩阵X
m
×
n
作为输入；其中，m表示一个时间点上负载数据的特征维数，所述特征包括用电消耗、时间索引、星期索引以及节假日标签；n表示收集的时间点数量；在输入前对矩阵中所有数据点放大整数倍处理，以使所有数据点均处于有限域F
p
上；(2)用户将明文输入矩阵X
m
×
n
，简写为X，随机拆分成两部分X0和X1以隐私保护处理原数据；用户选择有限域F
p
上随机向量X0，计算得密文矩阵X1＝X
‑
X0；(3)将步骤(2)生成的随机矩阵X0发送给模型训练服务器S1，密文矩阵X1发送给模型训练服务器S2。4.如权利要求2所述的隐私保护的短期个人负载预测方法，其特征在于，所述步骤二中的训练预处理阶段包括：(1)初始化，模型训练服务器S1生成三个随机矩阵计算其中m，n，d为常数变量，表示矩阵向量维数；(2)模型训练服务器S2生成相同大小的五个随机矩阵其中m，n，d表示矩阵向量维数；S2再生成一个随机数r，计算获得r的逆r
‑1；计算；计算计算计算计算计算
模型训练服务器S2将以及发送给模型训练服务器S1；(3)模型训练服务器S1本地计算矩阵本地计算矩阵以及矩阵以及矩阵其中m，n，d仅表示矩阵向量维数；(4)模型训练服务器S1将矩阵U
m
×
n
,V
m
×
n
发送给模型训练服务器S2，模型训练服务器S2本地计算其中m，n，d仅表示矩阵向量维数；(5)模型训练服务器S1保存模型训练服务器S2保存作为后续负载预测模型隐私训练的重要辅助数据。5.如权利要求2所述的隐私保护的短期个人负载预测方法，其特征在于，所述步骤三中的安全正向传播阶段包括：(1)各模型训练服务器分别将收到的密文训练数据矩阵X0和X1，按照固定的步进20，纵向切分为多个输入矩阵X
m
×
20
，双方迭代训练中每次使用一个；以下所有计算步骤模型训练服务器S1和模型训练服务器S2对称，统称为S；(2)S随机初始化四层模型所有系数，包括权重矩阵W与偏置向量b，具体为W
fx1
，W
fh1
，W
ix1
，W
ih1
，W
gx1
，W
gh1
，W
ox1
，W
oh1
，b
f1
，b
i1
，b
g1
，b
o1
；W
fx2
，W
fh2
，W
ix2
，W
ih2
，W
gx2
，W
gh2
，W
ox2
，W
oh2
，b
f2
，b
i2
，b
g2
，b
o2
；W3，b3；W4，b4；其中下标的字母f，i，g，o表示不同门电路的参数，x，h表示不同输入的参数，数字表示层数，仅表示区分无实际意义；(3)第一层包括20轮计算，加法各方服务器在本地计算，乘法各方使用乘法三元组进行交互计算；其中第j轮的计算内容具体为，计算f
′
j
＝W
fx1
x
j
+W
fh1
h
j
‑1+b
f1
，其中向量x
j
为输入矩阵X
m
×
20
的第j列向量；h
j
‑1为第j
‑
1轮中计算得到的h
j
，且当j＝1时，h
j
‑1＝0；计算f
j
＝σ(f
′
j
)，其中σ(
·
)为线性化的Sigmoid函数；计算i
j
＝σ(W
ix1
x
j
+W
ih1
h
j
‑1+b
i1
)；g
j
＝φ(W
gx1
x
j
+W
gh1
h
j
‑1+b
g1
)，其中φ(
·
)为线性化的Tanh函数，φ(x)＝2σ(2x)
‑
1；o
j
＝σ(W
ox1
x
j
+W
oh1
h
j
‑1+b
o1
)；c
j
＝g
j
⊙
i
j
+c
j
‑1⊙
f
j
，其中运算A
⊙
B表示计算两个向量的哈达玛积，通过将两个向量对应位置的值相乘来得到结果向量；c
j
‑1为第j
‑
1轮中计算得到的c
j
，且当j＝1时，c
j
‑1＝0；计算h
j
＝φ(c
j
)
⊙
o
j
，输出到第二层；(4)第二层包括20轮计算，第j轮计算内容为，计算f
′
j
＝W
fx2
x
j
+W
fh2
h
j
‑1+b
f2
；f
j
＝σ(f
′
j
)，其中向量x
j
为步骤二中第一层第j轮计算的h
j
；h
j
‑1为本层第j
‑
1轮中计算得到的h
j
，且当j＝1时，h
j
‑1＝0；计算i
j
＝σ(W
ix2
x
j
+W
ih2
h
j
‑1+b
i2
)；g
j
＝φ(W
gx2
x
j
+W
gh2
h
j
‑1+b
g2
)；o
j
＝σ(W
ox2
x
j
+W
oh2
h
j
‑1+b
o2
)；c
j
＝g
j
⊙
i
j
+c
j
‑1⊙
f
j
；h
j
＝φ(c
j
)
⊙
o
j
，并且当j＝20时，将h
20
输出到第三层；(5)计算第三层，计算Z3＝W3h
20
+b3；A3＝φ(Z3)，并将A3输出到第四层；(6)计算第四层，计算Z4＝W4A3+b4；A4＝φ(Z4)，其中A4为预测值。6.如权利要求2所述的隐私保护的短期个人负载预测方法，其特征在于，所述步骤四中的安全逆向传播包括：
(1)S更新第四层模型参数，计算内容为：更新偏置向量b
′4＝b4‑
αΔb4，其中α为学习率，Δb4＝(A4‑
e
t
)(One
‑
φ2(Z4))，其中A4为正向传播第四层计算的预测值，e
t
为预测值对应的真实值；向量One为安全计算向量，模型训练服务器S1和模型训练服务器S2各拥有向量的一部分，每个对应位置的值之和为放大后的1；Z4来自正向传播第四层；向量的平方运算为计算向量与自身的哈达玛积；更新权重矩阵其中表示A3的转置矩阵；(2)更新第三层模型参数，计算内容为：更新偏置向量b
′3＝b3‑
αΔb3，其中其中Z3来自正向传播第三层；更新权重矩阵(3)更新第二层模型参数，共进行20轮计算，轮数从j＝20递减至j＝1；当j＝20时，计算Δc
20
＝Δh
20
⊙
o
20
⊙
(One
‑
φ2(c
20
))，其中o
20
,c

【专利技术属性】
技术研发人员：刘雪峰，仇卿云，雷静，裴庆祺，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：