【技术实现步骤摘要】
本专利技术涉及隐私计算，具体是一种基于秘密共享的智能电网纵向联邦学习线性回归方法。
技术介绍
1、智能电网的数字化转型为能源优化提供了海量数据支撑，其中线性回归因其高效性和可解释性成为电力需求预测的核心工具。然而，电力系统中存在多个数据孤岛——发电侧的负荷特征、输电侧的设备状态、用电侧的消费行为等关键数据分别由不同部门管理，这种纵向数据划分导致单一机构难以获取完整特征空间。例如，电网公司掌握用户用电记录，但缺乏气象局的温度数据等其他机构的指标，这种数据碎片化现象制约了预测模型的精度提升。为了获得更好的模型，需要多参与方协同训练，但同时也带来了数据隐私安全的挑战，电力数据很可能包含大量机密的信息，处理不当会导致电力用户的隐私数据泄露，使用户的合法权益受到威胁。纵向联邦学习(vertical federated learning,vfl)提供了隐私安全的解决方案，现有研究主要采用三类技术路线：同态加密通过密文运算保障数据机密性，但现有方法的计算复杂度呈指数级增长使边缘设备难以承受；安全多方计算通常通过协议设计实现零知识证明，但现有方法的通信...
【技术保护点】
1.一种基于秘密共享的智能电网纵向联邦学习线性回归方法，其特征在于，所述技术包括：
2.根据权利要求1所述基于秘密共享的智能电网纵向联邦学习线性回归方法，其特征在于，所述步骤1的过程具体为：
3.根据权利要求1所述基于秘密共享的智能电网纵向联邦学习线性回归方法，其特征在于，所述步骤2的过程具体为：
4.根据权利要求1所述基于秘密共享的智能电网纵向联邦学习线性回归方法，其特征在于，所述步骤3的过程具体为：
5.根据权利要求1所述基于秘密共享的智能电网纵向联邦学习线性回归方法，其特征在于，所述步骤4的过程具体为：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。