[发明专利]电力调度场景下的模型联合隐私训练与共享方法及装置

说明书

本公开实施例公开了一种电力调度场景下的模型联合隐私训练与共享方法及装置，所述方法包括：将当前的电力调度部门加入联盟链中，作为其中一个调度参与方；获取当前的电力调度部门在电力调度时所处理的流经其他相关部门的用电数据，并对采集的用电数据标注流向标签；流向标签用于表征用电数据对应的电力流向信息；基于与参与联盟链的其他电力调度部门预先协商的数据特征构建策略构建模型训练数据；决策树模型的训练；将当前的电力调度部门训练得到的决策树模型与其他电力调度部门训练得到的决策树模型进行比较；在目标模型为当前的电力调度部门的本地训练得到的模型时，在当前的电力调度部门的本地将目标模型通过智能合约共享至联盟链中。

技术领域

本公开涉及安全技术领域，具体涉及一种电力调度场景下的模型联合隐私训练与共享装置方法及装置。

背景技术

为了平衡不同地区、用户个性化用电需求，构建综合考虑多种用电因素的电力调度系统建设项目正在各地兴起。电力系统调度是由许多发电厂提供电能，通过输电、变电、配电、供电网络向广大用户供电，是一个复杂的系统。当前正处在数字革命和能源革命的交汇期，而人工智能作为新一轮数字革命引领性的技术，其与电力调度系统的结合将会对电力系统的发展和技术提升起到巨大的推动作用。例如，人工智能技术可以为电力系统中的需求侧响应参考、优化调度、智能运维、新能源消纳、电力资产管理等一系列传统电力业务场景赋予更为智能化的运行能力。作为高度专用型的工业系统系统，电力调度系统通常由一系列的电力业务参与方组成，各方的交互将产生大量与电力生产、调度、消纳、存储相关的数据。可以说，这些数据起到了衔接整个电力调度系统中各业务参与方交互的作用，是实现系统正常运行的重要组成部分。然而，正是由于参与电力调度的各参与方各自的数据具有较高的私密性，若将各地电网系统中的数据用于传统集中式机器学习进行模型训练将会存在很大的隐私泄露的风险。但也应该注意到，电力调度这项业务本身具有较高的实时性和一定的规律性，如果可以利用人工智能训练出的模型对电力需求进行计算预测，将会大大减轻电力调度人员的负担。

从2006年深度学习神经网络的提出，加之近年来算力的提升和大数据时代的到来，人工智能迎来了两起两落的发展后的第三个高峰期，人工智能在制造、出行、家居、教育等领域产生巨大的推力，但人工智能一直在金融、医疗、电力等隐私密集型领域表现欠佳。谷歌在2016年提出了联邦学习，支持不同的企业之间在不分享私有数据的情况下进行联合建模，横向联邦学习的参与方在各自的数据集中提取出用户特征相同但用户不同的那部分数据进行训练，但是在横向联邦学习的场景下在对其交换特征分布信息时仍有可能被联盟的其他部门获取，在交流模型信息时任可因梯度信息的泄露致使攻击者还原敏感的原始训练数据，此数据还有可能被泄露到其他的第三方手中，在联邦学习的场景下隐私数据保护的问题依然十分突出。

针对上述问题，现有技术难以在电力调度的场景下在保证多方数据隐私的情况下进行联合学习，尤其无法解决电力部门海量数据场景下多方进行电力需求预测模型生成的联合隐私训练。例如，专利《一种车联网中基于同态加密的联邦学习隐私保护方法》(CN112583575A)提出了一种针对车联网环境的联邦学习隐私保护方法，但这种隐私保护方法针对车联网环境，未考虑到电力调度场景下各参与方需要提供何种数据帮助训练。联邦学习参与方多，每一方所拥有的数据量较少，但是在电力调度场景下使用同态加密的方法进行隐私保护，需要花费大量的算力在加解密数据上，造成总体效率低下，难以将其投入使用。专利《基于同态伪随机数的联邦学习隐私保护方法及系统》(CN 112149160 A)提出了一种基于同态伪随机数的联邦学习隐私保护方法及系统，该方法使用中心化的秘钥产生器进行密钥产生和分发，当VSS遭到敌手攻击时整个系统可能瘫痪，所有参与方的隐私数据泄露，隐私保护安全性不强。