一种基于可信隐私计算的微网并网控制隐私保护方法

    公开(公告)号:CN115828302A

    公开(公告)日:2023-03-21

    申请号:CN202211642199.9

    申请日:2022-12-20

    摘要: 本发明提供了一种基于可信隐私计算的微网并网控制隐私保护方法,具体包括:第一个阶段,从信息流的角度,提出电网、微网聚合商、微网三层结构。并在此结构基础上提出上层对下层的安全监控机制,从而形成节点间信任链。利用可信计算技术,实现各节点自身状态安全,各层间交互可信,满足微网稳定并网的安全需求。第二阶段,将可信计算和隐私计算进行结合,在可信计算保障各节点自身可信和交互可信的前提下,采用联邦学习让各微网仅仅将训练的模型参数上传至微网聚合商,为防止出现信息“孤岛”的同时,保护了各微网本地数据隐私,并且结合密码学中的匿名签名与验证技术,有效保证模型参数机密性和完整性的同时保护了模型参数发送方身份的隐私性。

    一种基于可信隐私计算的微网并网控制隐私保护方法

    公开(公告)号:CN115828302B

    公开(公告)日:2023-07-07

    申请号:CN202211642199.9

    申请日:2022-12-20

    摘要: 本发明提供了一种基于可信隐私计算的微网并网控制隐私保护方法,具体包括:第一个阶段,从信息流的角度,提出电网、微网聚合商、微网三层结构。并在此结构基础上提出上层对下层的安全监控机制,从而形成节点间信任链。利用可信计算技术,实现各节点自身状态安全,各层间交互可信,满足微网稳定并网的安全需求。第二阶段,将可信计算和隐私计算进行结合,在可信计算保障各节点自身可信和交互可信的前提下,采用联邦学习让各微网仅仅将训练的模型参数上传至微网聚合商,为防止出现信息“孤岛”的同时,保护了各微网本地数据隐私,并且结合密码学中的匿名签名与验证技术,有效保证模型参数机密性和完整性的同时保护了模型参数发送方身份的隐私性。

    基于融合终端贡献度的量测数据动态联邦学习方法及系统

    公开(公告)号:CN117350402A

    公开(公告)日:2024-01-05

    申请号:CN202311288466.1

    申请日:2023-10-07

    IPC分类号: G06N20/00 G06F21/62 G06Q50/06

    摘要: 本发明公开了基于融合终端贡献度的量测数据动态联邦学习方法及系统,属于电力数据共享技术领域,包括以下两个阶段:面向配电网的联邦学习阶段:在保证各融合终端本地数据隐私安全的前提下,利用联邦学习框架,实现配电网的配电台区主站与各融合终端之间的数据价值流通;联邦学习动态参数调整阶段:通过计算每轮次中融合终端的贡献大小,基于贡献加权下一轮联邦训练各融合终端的参与程度,对联邦学习动态参数进行调整;本发明对各融合终端电力数据在联邦学习合作中的贡献度进行评估,并基于此给予激励,以促进联邦学习在电力领域的良性发展,保护数据隐私;本发明通过基于各终端贡献度来动态调整聚合权重参数的方式,实现联邦模型的高效率收敛。