基于联邦学习和同态加密的电力数据预测模型本地保护

摘要：

电力数据的准确、快速预测不仅对电力系统的稳定、正常运行至关重要,也会对整个社会的生产生活产生重大影响.因此,高效、准确地预测电力数据是电力数据研究中的一项重要工作.循环神经网络在电力数据预测问题上具有优异的表现,但是需要大量数据来训练模型.各大电力公司出于隐私安全问题的考虑,并不愿意共享各自的电力数据,从而无法训练出更加精确的模型.此外,在海量数据上传到中央服务器对联合模型进行训练的过程中会产生巨大的网络资源开销.针对这些问题,将联邦学习与Paillier同态加密算法相结合,提出了基于联邦学习和同态加密的电力数据预测模型本地保护方法.实现了对电力数据和本地模型参数的保护,在安全的状态下对联合模型进行共同训练.使用真实的电力数据进行了实验,该方法取得了良好的实验结果.

关键词：电力数据、Paillier同态加密算法、联邦学习、LSTM神经网络算法

所属期刊栏目：9

分类号：TP309.2(计算技术、计算机技术)

资助基金：国网数字科技控股有限公司科技项目1200/2022-87002B

在线出版日期：2023-03-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：228-234