[发明专利]隐私保护的短期个人负载预测方法、系统、设备及终端

说明书

本发明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。

技术领域

本发明属于数据安全技术领域，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。

背景技术

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。

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。一个诚实但好奇的服务提供商和严格的隐私政策都可能引起隐私关注，然后阻止用户分享他们的负载数据，这甚至引发了许多国家停止智能电表运动以保卫隐私。因此，如何在防止用户智能电表数据隐私被侵犯的同时训练短期个人负载预测模型是智能电网的关键问题。

现有的研究文献从三个方面提出了解决智能电表数据隐私问题的各种策略。首先，引入了几个强大的安全假设，因为智能电表最初的设计目的不是为消费者提供隐私。在Seer Grid中，本地预测的能耗被报告给一个预先部署的集群头，而SecGrid利用可信的硬件SGX对客户的私有数据执行丰富的功能。此外，LiPSG引入可信第三方，为其隐私保护协议生成均匀随机屏蔽。然而，需要对硬件厂商或第三方服务提供商信任成为这些作品面临的主要限制，有许多强大的侧通道攻击和拒绝服务攻击。

其次，针对智能电表数据的受控扰动或下采样提出了多种方法，通过扁平化或掩盖用电量信息的方差来满足一定的隐私要求。同样，差分隐私添加了噪声，提供了隐私和准确性之间的权衡，实现了智能电网中数据公开的量化隐私。不幸的是，由于引入的随机性，这些方法不可避免地会产生误差，并牺牲智能表数据的准确性，这对短期个人负荷预测的可用性产生不利影响。

尽管现代密码学提供了许多协议来解决数据隐私问题而不降低准确性，但智能电网中现有的大多数工作都是针对不同的问题。一种是针对单个智能电表的隐私保护数据聚合，另一种是针对联邦学习中的预测模型和预测输出进行保护。因此，进一步考虑一些一般的基于同态加密(HE)和/或安全多方计算(MPC)的隐私保护机器学习框架来实现隐私保护负载数据聚类、训练或推理。然而由于这些方法计算和通信的复杂性，效率是短期单个负荷预测服务场景的主要关注点。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有解决智能电表数据隐私问题的各种策略中，需要对硬件厂商或第三方服务提供商信任成为这些方法面临的主要限制，有许多强大的侧通道攻击和拒绝服务攻击。

(2)由于引入的随机性，现有方法不可避免地会产生误差，并牺牲智能表数据的准确性，这对短期个人负荷预测的可用性产生不利影响。

(3)现有实现隐私保护负载数据聚类、训练或推理的方法计算和通信较为复杂，且传统方法还存在隐私假设强、安全性和效率差等问题。

发明内容