一种基于差分隐私的电力数据共享分析系统及方法技术方案

本发明专利技术涉及电力数据处理技术领域，尤其涉及一种基于差分隐私的电力数据共享分析系统及方法，包括数据处理模块用于对电力样本数据集进行预测，生成电力数据预测数据集，将电力样本数据集和电力数据预测数据集进行同态加密，得到电力数据同态加密数据集；差分隐私分配模块用于将电力数据同态加密数据集输入多层神经网络模型中进行差分隐私增强处理，得到类别概率分布，并根据类别概率分布进行隐私预算分配；共享展示模块用于根据隐私预算分配结果对电力数据同态加密数据集进行共享

【技术实现步骤摘要】
一种基于差分隐私的电力数据共享分析系统及方法


[0001]本专利技术涉及电力数据处理
，尤其涉及一种基于差分隐私的电力数据共享分析系统及方法
。

技术介绍

[0002]随着信息技术的不断发展，电力系统的数据采集和共享变得越来越重要
。
电力数据的准确预测和分析对于能源供应
、
调度
、
管理和规划都具有重要意义，然而，电力数据的共享和分析涉及隐私问题，特别是在数据涉及用户隐私信息时，因此，为了保护用户隐私，差分隐私技术应运而生
。
[0003]现有的电力数据隐私保护方法主要包括数据脱敏
、
数据加密和数据屏蔽等方法，但是这些方法在一定程度上牺牲了数据的精确性和有效性，同时由于电力数据通常包含时序特征，传统的隐私保护方法在保护数据隐私的同时，也影响了数据的时间相关性和预测能力；传统的数据加密方法在数据传输过程中确保了数据的机密性，但在数据分析时需要解密，容易暴露敏感信息；在数据脱敏和屏蔽方法中，由于数据被修改或部分隐藏，导致数据的准确性和完整性下降，从而影响了对电力数据的准确预测和分析
。
[0004]此外，现有技术中的一些方法仍然存在隐私泄露的风险，例如，在数据脱敏方法中，虽然脱敏后的数据不再包含直接识别信息，但通过结合外部信息和背景知识，仍然可能识别出部分敏感信息，因此，寻求一种既能保护数据隐私，又能保持数据准确性和时间相关性的方法成为亟需解决的问题
。

技术实现思路

[0005]本专利技术提供了一种基于差分隐私的电力数据共享分析系统及方法，解决的技术问题是，现有的电力数据隐私保护方法无法满足在保护电力数据隐私的同时，也能保持数据准确性和时间相关性要求
。
[0006]为解决以上技术问题，本专利技术提供了一种基于差分隐私的电力数据共享分析系统及方法
。
[0007]第一方面，本专利技术提供了一种基于差分隐私的电力数据共享分析系统，所述系统包括数据处理模块
、
差分隐私分配模块和共享展示模块；
[0008]所述数据处理模块，用于获取多个样本电力数据时间序列，构成电力样本数据集，并根据所述电力样本数据集进行预测，生成电力数据预测数据集，将所述电力样本数据集和所述电力数据预测数据集进行同态加密，得到电力数据同态加密数据集；所述电力数据同态加密数据集包括若干同态加密的样本电力数据时间序列和样本电力数据预测序列；
[0009]所述差分隐私分配模块，用于将所述电力数据同态加密数据集输入预先建立的多层神经网络模型中进行差分隐私增强处理，得到类别概率分布，并根据所述类别概率分布对电力数据同态加密数据集中的每个序列进行隐私预算分配，得到隐私预算分配结果；
[0010]所述共享展示模块，用于响应于接收到的共享指令，根据所述隐私预算分配结果
对所述电力数据同态加密数据集进行共享
。
[0011]在进一步的实施方案中，所述多层神经网络模型包括若干个隐藏层；所述将所述电力数据同态加密数据集输入预先建立的多层神经网络模型中进行差分隐私增强处理，得到类别概率分布，具体为：
[0012]通过多层神经网络模型的每个隐藏层对电力数据同态加密数据集中的每个序列进行特征提取，在每个隐藏层引入随机隐私噪声和差分隐私机制，并将最后一个隐藏层的激活输出映射到概率空间中，得到类别概率分布；其中，在所述隐藏层的输入中添加所述随机隐私噪声，在多层神经网络模型的每个隐藏层输出结果中部署所述差分隐私机制
。
[0013]在进一步的实施方案中，所述在所述隐藏层的输入中添加所述随机隐私噪声的公式表示为：
[0014][0015][0016]式中，表示电力数据同态加密数据集中的第
i
个序列在第
l
层隐藏层的输出结果；表示电力数据同态加密数据集中的第
i
个序列在第
(l
‑
1)
层隐藏层的输出结果；函数表示将限制在区间
[
‑
C
，
C]内；表示第
l
层隐藏层权重矩阵的随机隐私噪声；
C
表示截断参数；
σ
l
表示第
l
层隐藏层的激活函数；
Δ
f
表示敏感度；
∈
表示隐私预算；
L
表示隐藏层总数量；
[0017]所述权重矩阵
W
(l)
的梯度上添加增量隐私噪声，得到复合权重矩阵梯度并根据复合权重矩阵梯度更新权重矩阵：
[0018][0019][0020]式中，
W
(l)
表示权重矩阵；表示权重矩阵的梯度；表示复合权重矩阵梯度；
η
表示学习率
。
[0021]在进一步的实施方案中，所述在多层神经网络模型的每个隐藏层输出结果中部署所述差分隐私机制，具体为：
[0022][0023]式中，
Lap
表示拉普拉斯分布；
Δ
x
表示隐私参数范围
。
[0024]在进一步的实施方案中，所述根据所述电力样本数据集进行预测，生成电力数据预测数据集，具体为：
[0025]对所述电力样本数据集中每个样本电力数据时间序列进行平滑处理，得到平滑电力数据时间序列；
[0026]对所述平滑电力数据时间序列进行小波变换，得到频域系数；
[0027]计算每个频域系数的电力数据预测信息增益，并筛选出电力数据预测信息增益最
高值对应的频域系数作为电力输入特征；
[0028]采用支持向量机回归模型对所述电力输入特征进行预测，得到对应的电力数据预测值，构成电力数据预测数据集
。
[0029]在进一步的实施方案中，所述支持向量机回归模型具体为：
[0030][0031]式中，
f(x)
表示支持向量机回归模型函数；
w
q
表示电力输入特征的权重；表示第
q
个电力输入特征；
b
表示偏置；
N
表示电力数据预测信息增益最高值对应的频域系数数量；
[0032]所述支持向量机回归模型在训练阶段采用的损失函数为：
[0033][0034]式中，
loss
表示支持向量机回归模型的损失函数；
w
表示支持向量机回归模型的权重向量；
||||2表示
L2
范数的平方；
A
表示正则化参数；
e
表示容忍阈值；
t
表示第
t
个时间点；
L
t
表示第
t
个时间点的样本电力数据时间序列
。
[0035]在进一步的实施方案中，所述频域系数的计算公式为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于差分隐私的电力数据共享分析系统，其特征在于：包括数据处理模块
、
差分隐私分配模块和共享展示模块；所述数据处理模块，用于获取多个样本电力数据时间序列，构成电力样本数据集，并根据所述电力样本数据集进行预测，生成电力数据预测数据集，将所述电力样本数据集和所述电力数据预测数据集进行同态加密，得到电力数据同态加密数据集；所述电力数据同态加密数据集包括若干同态加密的样本电力数据时间序列和样本电力数据预测序列；所述差分隐私分配模块，用于将所述电力数据同态加密数据集输入预先建立的多层神经网络模型中进行差分隐私增强处理，得到类别概率分布，并根据所述类别概率分布对电力数据同态加密数据集中的每个序列进行隐私预算分配，得到隐私预算分配结果；所述共享展示模块，用于响应于接收到的共享指令，根据所述隐私预算分配结果对所述电力数据同态加密数据集进行共享
。2.
如权利要求1所述的一种基于差分隐私的电力数据共享分析系统，其特征在于，所述多层神经网络模型包括若干个隐藏层；所述将所述电力数据同态加密数据集输入预先建立的多层神经网络模型中进行差分隐私增强处理，得到类别概率分布，具体为：通过多层神经网络模型的每个隐藏层对电力数据同态加密数据集中的每个序列进行特征提取，在每个隐藏层引入随机隐私噪声和差分隐私机制，并将最后一个隐藏层的激活输出映射到概率空间中，得到类别概率分布；其中，在所述隐藏层的输入中添加所述随机隐私噪声，在多层神经网络模型的每个隐藏层输出结果中部署所述差分隐私机制
。3.
如权利要求2所述的一种基于差分隐私的电力数据共享分析系统，其特征在于，所述在所述隐藏层的输入中添加所述随机隐私噪声的公式表示为：在所述隐藏层的输入中添加所述随机隐私噪声的公式表示为：式中，表示电力数据同态加密数据集中的第
i
个序列在第
l
层隐藏层的输出结果；表示电力数据同态加密数据集中的第
i
个序列在第
(l
‑
1)
层隐藏层的输出结果；函数表示将限制在区间
[
‑
C,C]
内；表示第
l
层隐藏层权重矩阵的随机隐私噪声；
C
表示截断参数；
σ
l
表示第
l
层隐藏层的激活函数；
Δ
f
表示敏感度；
∈
表示隐私预算；
L
表示隐藏层总数量；所述权重矩阵
W
(l)
的梯度上添加增量隐私噪声，得到复合权重矩阵梯度并根据复合权重矩阵梯度更新权重矩阵：并根据复合权重矩阵梯度更新权重矩阵：式中，
W
(l)
表示权重矩阵；表示权重矩阵的梯度；表示复合权重矩阵梯度；
η
表示学习率
。
4.
如权利要求3所述的一种基于差分隐私的电力数据共享分析系统，其特征在于，所述在多层神经网络模型的每个隐藏层输出结果中部署所述差分隐私机制，具体为：式中，
Lap
表示拉普拉斯分布；
Δ
x
表示隐私参数范围
。5.
如权利要求1所述的一种基于差分隐私的电力数据共享...

【专利技术属性】
技术研发人员：王红凯，毛冬，王嘉琦，饶涵宇，陈祖歌，谢裕清，
申请(专利权)人：国网浙江省电力有限公司信息通信分公司，
类型：发明
国别省市：