一种基于联邦学习的电表用电数据的隐私保护方法技术

本发明专利技术属于数据隐私保护技术领域，尤其为一种基于联邦学习的电表用电数据的隐私保护方法，在联邦场景下建立一个用电量预测模型，由数据拥有方提供数据，由加密服务方提供加解密服务，由服务器方计算得到用电量预测模型的参数，计算用电量预测模型的参数过程中，由数据拥有方在本地将数据直接预处理并进行同态加密和聚合，服务器方只得到一组加密且聚合的中间量，不能由此推断出关于本地电表用电数据的任何敏感信息；由服务器方添加第一扰动数据，加密服务方对第三中间量数据添加第二扰动数据，使得加密服务方和服务器方均不能得到用电量预测模型的真实参数，数据拥有方的电表用电数据以及电量预测模型的参数都得到很好的保护。保护。保护。

【技术实现步骤摘要】
一种基于联邦学习的电表用电数据的隐私保护方法


[0001]本专利技术属于数据隐私保护
，具体涉及一种基于联邦学习的电表用电数据的隐私保护方法。

技术介绍

[0002]电力企业的生产计划往往建立在经验数据上，因此，每一年度对下一年度的用电量的预测至关重要，如果对下一年度的用电量预测不准，这有可能出现两种情况：一是电厂的发电量过多，造成不必要的能源浪费；二是发电量不足，满足不了各行各业和人民生活的用电需求。
[0003]线性回归的进步和广泛使用为电力企业进行用电量预测带来了极大的便利，线性回归方法是一种利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。
[0004]比如，电力系统用电量可视为因变量，如经济指标、人口、气候等可能影响用电量的因素可视为自变量，研究单一自变量与因变量的关系为一元线性回归分析，若研究两个或以上的自变量与因变量的关系则为多元线性回归。
[0005]目前，电力系统中的线性回归模型通常以集中的方式执行，即各行政级别企业的私有数据都在云服务器上进行收集和处理，尽管集中式线性回归模型具有便捷、高效等特点，但是集中式线性回归可能存在各方所拥有的敏感数据的隐私泄漏的问题。
[0006]现有技术中，公开号为CN115081540A的中国专利文献记载了一种基于集成决策学习的数据隐私可保护分类分级方法及系统，将训练决策树模型所需的用户侧设备数据类别属性参数以加扰的方式通过对称加密送至云端服务器进行数据集成；云端服务器利在不解密的情况下将所有用户侧设备上传的类别属性进行集成，再将集成计算后的密文下发至各用户侧设备，用户侧设备利用解密获得的数据完成集成决策学习的决策树模型的训练；采用训练后的决策树模型进行用户侧设备本地数据的分类分级识别，这方法中，数据在加密服务防和云服务器上具有泄露的风险。
[0007]公开号为CN115174115A的中国专利文献记载了一种电力需求响应数据管理方法，该方法包括以下步骤：接收数据，所述数据包括电力需求响应业务产生的数据信息及大文件类型数据；根据所述信息类型上传至区块链：当所述信息为公共信息时，将所述信息的明文发送至区块链；当所述信息为隐私信息时，将加密后的所述信息发送至区块链；发送所述大文件类型数据至区块链，该方法通过区块链技术来解决电力数据的隐私问题，需要建立区块链网络，对数据处理的技术要求高，且提高了电力数据处理的成本。
[0008]公开号为CN115098883A的中国专利文献记载了一种基于安全多方计算的数据隐私保护方法和系统，该方法包括：请求方向管理方发送调研请求，其中调研请求中包含有设定的标准条件；管理方根据调研请求从数据持有方中筛选出符合标准条件的目标对象；管理方和数据持有方基于目标对象的目标数据和目标分析模型进行安全多方计算，得到相应的分析结果，并将分析结果传输到请求方。该方法中，是通过管理方获取数据，并设置筛选
条件，一方面管理方的公信力比较高情况下才能保障数据隐私安全，另一方面部分有用但隐私的数据可能被筛选掉，不利于分析结果的准确性。

技术实现思路

[0009]本专利技术旨在提供一种基于联邦学习的电表用电数据的隐私保护方法，解决现有技术中使用电力系统中的统计数据对用电量进行预测时，可能存在各方所拥有的敏感数据的隐私泄漏的技术问题。
[0010]为解决上述技术问题，本专利技术采用以下技术方案：
[0011]提供一种基于联邦学习的电表用电数据的隐私保护方法，该方法在联邦场景下，电力系统中各电表用电数据的数据拥有方协同建立一个用电量预测模型，以便基于所述用电量预测模型，根据以往电表用电数据预测未来用电量；该方法由所述数据拥有方提供数据，由加密服务方提供加解密服务，由服务器方计算得到用电量预测模型的参数，具体包括：
[0012]加密服务方将公钥分配给数据拥有方和服务器方；
[0013]电表用电数据的数据拥有方将本地数据预处理成第一中间量原始数据，所述第一中间量原始数据通过同态加密操作进行加密和聚合，得到第二中间量数据，所述数据拥有方使用公钥对所述第二中间量数据加密后上传给服务器方；
[0014]所述服务器方得到所述第二中间量数据，并使用公钥解密，然后对所述第二中间量数据添加第一扰动数据，得到第三中间量数据，所述服务器方使用公钥对所述第三中间量数据加密后发送到所述加密服务方，所述加密服务方使用公钥对所述第三中间量数据进行解密，获得第三中间量数据；
[0015]所述加密服务方对所述第三中间量数据添加第二扰动数据，得到第四中间量数据，所述加密服务方使用公钥将所述第四中间量数据加密后发送给服务器方，服务器方使用公钥解密得到第四中间量数据，用于训练得到用电量预测模型的不准确模型参数；
[0016]数据拥有方获取所述不准确模型参数和第一扰动数据，数据拥有方根据所述第一扰动数据消除所述不准确模型参数中的扰动量，得到用电量预测模型的准确模型参数。
[0017]优选的，所述电表用电数据的数据拥有方将本地数据预处理成第一中间量原始数据包括：
[0018](1)数据拥有方提供由M个类型的特征数据组成的训练数据集m，所述训练数据集m记录历史用电数据的不同特征下对应的用电量值；
[0019]所述训练数据集m为D＝{(x1,y1),(x2,y2),...,(x
m
,y
m
)}，其中x
i
＝(x
i1
,x
i2
,...,x
in
)，x
i
中每一个元素分别记录着历史用电数据的特征值，y
i
是对应的用电量值；
[0020](2)建立多元线性回归模型h
w
(x
i
)＝w
·
x
i
，该多元线性回归模型即所述用电量预测模型，h
w
(x
i
)为通过多元线性回归模型预测的用电量值，其中w＝(w0,w1,...,w
n
)，参数组w中各参数是所述多元线性回归模型的回归系数，该参数组由所述训练数据集m训练学习得到，参数组w使D中的样本得到最佳拟合；
[0021](3)在由所述训练数据集m训练学习得到参数组w时，基于以下代价函数f(w)和公式(1)、公式(2)至公式(n)表示的坐标下降法求解最优参数组w，这里代价函数f(w)为关于实际用电量值和拟合的用电量值的误差平方和：
[0022][0023][0024][0025][0026]这里的t表示当前的迭代次数，通过下面代价函数f(w)对w
k
的偏导数求解目标函数argmin，这里的w
k
表示当前求取的参数组w中的第k个参数：
[0027][0028]将代价函数f(w)对w
k
的偏导数中包含隐私数据信息的中间量P
k
和Z
k
提取出来本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的电表用电数据的隐私保护方法，其特征在于，该方法在联邦场景下，电力系统中各电表用电数据的数据拥有方协同建立一个用电量预测模型，以便基于所述用电量预测模型，根据以往电表用电数据预测未来用电量；该方法由所述数据拥有方提供数据，由加密服务方提供加解密服务，由服务器方计算得到用电量预测模型的参数，具体包括：加密服务方将公钥分配给数据拥有方和服务器方；电表用电数据的数据拥有方将本地数据预处理成第一中间量原始数据，所述第一中间量原始数据通过同态加密操作进行加密和聚合，得到第二中间量数据，所述数据拥有方使用公钥对所述第二中间量数据加密后上传给服务器方；所述服务器方得到所述第二中间量数据，并使用公钥解密，然后对所述第二中间量数据添加第一扰动数据，得到第三中间量数据，所述服务器方使用公钥对所述第三中间量数据加密后发送到所述加密服务方，所述加密服务方使用公钥对所述第三中间量数据进行解密，获得第三中间量数据；所述加密服务方对所述第三中间量数据添加第二扰动数据，得到第四中间量数据，所述加密服务方使用公钥将所述第四中间量数据加密后发送给服务器方，服务器方使用公钥解密得到第四中间量数据，用于训练得到用电量预测模型的不准确模型参数；数据拥有方获取所述不准确模型参数和第一扰动数据，数据拥有方根据所述第一扰动数据消除所述不准确模型参数中的扰动量，得到用电量预测模型的准确模型参数。2.根据权利要求1所述的基于联邦学习的电表用电数据的隐私保护方法，其特征在于，所述电表用电数据的数据拥有方将本地数据预处理成第一中间量原始数据包括：(1)数据拥有方提供由M个类型的特征数据组成的训练数据集m，所述训练数据集m记录历史用电数据的不同特征下对应的用电量值；所述训练数据集m为D＝{(x1，y1)，(x2，y2)，...，(x
m
，y
m
)}，其中x
i
＝(x
i1
，x
i2
，...，x
in
)，x
i
中每一个元素分别记录着历史用电数据的特征值，y
i
是对应的用电量值；(2)建立多元线性回归模型h
w
(x
i
)＝w
·
x
i
，该多...

【专利技术属性】
技术研发人员：董子娴，李静，黄星杰，王婵，高雅婷，苏蓓蓓，刘新渝，李劲松，靳喜军，肖磊，
申请(专利权)人：国家电网有限公司信息通信分公司，
类型：发明
国别省市：