一种强化隐私保护的联邦学习光伏发电预测方法及系统与流程

本发明涉及智能电网，具体为一种强化隐私保护的联邦学习光伏发电预测方法及系统。

背景技术：

1、随着全球能源需求的不断增长和可再生能源的广泛部署，智能电网作为电力系统的前沿技术，其在能源管理的效率和安全性方面扮演着至关重要的角色。在这一背景下，能源预测技术成为智能电网不可或缺的一环，它对于基础设施的合理规划、电力的有效调度、减少停电事件以及预防设备故障等方面发挥着核心作用。

2、然而，现有的能源预测方法多采用集中式数据处理模式，这种方法虽然在某些情况下有效，但也暴露出一系列问题。首先，集中式数据处理存在数据隐私泄露的潜在风险，这对于保护用户数据安全构成了挑战。其次，由于需要频繁地在不同节点间传输大量数据，这不仅增加了通信的复杂性和成本，也降低了系统的响应速度和效率。

3、特别是在用户侧的可再生能源发电预测，例如太阳能光伏发电，现有方法往往未能充分考虑诸如太阳能辐射等关键影响因素，这直接影响了预测的准确性和可靠性。此外，集中式模型训练过程中需要处理和传输大量的数据，这不仅对通信网络构成了沉重的负担，也使得系统更容易受到网络攻击和数据泄露的威胁。

技术实现思路

1、鉴于上述现有技术存在联邦学习中模型参数的公开传输仍然可以通过成员推断和模型反演发起攻击导致隐私泄露以及中央服务器和终端通信效率低的问题，提出了本发明。

2、因此，本发明解决的技术问题是设计了一个有效的内积函数加密来实现安全的数据聚合，通过在联邦学习训练期间加密终端的模型参数来保护隐私，采用基于阈值的参数更新策略方法来更新本地模型的参数，解决通信效率低的问题。

3、为解决上述技术问题，本发明提供如下技术方案：一种强化隐私保护的联邦学习光伏发电预测方法，包括：收集并预处理光伏电站的多源数据；构建ann-lstm预测模型，设计ann-lstm预测模型的结构和超参数；将ann-lstm预测模型部署到中央服务器和各终端，各终端根据自有的数据对ann-lstm预测模型进行训练，中央服务器更新ann-lstm预测模型，各终端更新ann-lstm预测模型的权重参数；利用内积函数加密保护中央服务器和各终端的数据传输；采用基于阈值比较的参数更新策略，使变化量大于阈值的ann-lstm预测模型参数传输到中央服务器，使数据能够高效传输并降低通信带宽。

4、作为本发明的强化隐私保护的联邦学习光伏发电预测方法的一种优选方案，其中：构建ann-lstm预测模型包括，构建ann部分，构建lstm部分，将ann部分和lstm部分组合成ann-lstm预测模型；构建ann部分包括定义输入层为x＝[x1,x2...xn]，隐藏层的前向传播为z[l]＝w[l]·h[l-1]+b[l]，带有dropout的隐藏层h[l]为h[l]＝d[l]⊙σ(z[l])，输入层为y＝w[l]·h[l-1]+b[l]，设置ann网络参数；构建lstm部分包括设置lstm的基本单元，lstm的基本单元包括遗忘门、输入门和输出门，并定义lstm单元的输入输出表达式；将ann和lstm组合成ann-lstm预测模型包括使用ann进行多源数据融合，使用lstm处理时间序列并进行预测。

5、作为本发明的强化隐私保护的联邦学习光伏发电预测方法的一种优选方案，其中：lstm单元的输入输出表达式如下：

6、

7、其中，ft，it，ot，ct，ht以及yt分别表示lstm细胞中的遗忘门输出，输入门输出，输出门输出，细胞状态输出，隐藏状态输出和预测功率值输出，σg表示sigmoid激活函数，wf，wi，wo以及wc分别表示遗忘门，输入门，输出门和lstm细胞对当前时间步输入xt的权重，uf，ui，uo和uc分别表示遗忘门，输入门，输出门和lstm细胞对前一时间步隐藏状态ht-1的权重，bf、bi、bo以及bc分别表示遗忘门，输入门，输出门和lstm细胞对输入xt和ht-1的偏置，ct-1表示前一lstm细胞状态的输出，σh表示双曲正切激活函数。

8、作为本发明的强化隐私保护的联邦学习光伏发电预测方法的一种优选方案，其中：利用内积函数加密保护中央服务器和各终端的数据传输包括，使用内积函数加密技术设计数据的加密和解密过程；在初始化阶段，密钥管理中心生成公共参数和密钥，为各终端生成不同的加密密钥，并生成用于聚合和解密的密钥；在加密阶段，终端在本地训练模型后，使用私有密钥加密更新ann-lstm预测模型参数；在聚合和解密阶段，中央服务器接收所有终端的密文，使用自身密钥聚合各终端的本地模型参数，通过计算得到最终的聚合结果。

9、作为本发明的强化隐私保护的联邦学习光伏发电预测方法的一种优选方案，其中：初始化阶段包括，参数生成算法接收一个安全参数λ作为输入，生成公有参数和主密钥，参数生成算法的执行流程如下：选择具有素数阶q的两个循环的加法群{g1,g2}和一个乘法群gt，同时，选择一个双线性配对e＝g1×g2→gt；从g1和g2中分别选择生成元p和q，满足p∈g1，q∈g2；所选的双性线满足对于任意a,b∈zq，都有e(ap,bq)＝e(p,q)ab；计算素数阶q的有限域zq上的三个可逆n×n矩阵(b,n1,n2)；输出(g1,g2,gt,q,e,p,q)作为公共参数，(b,n1,n2)作为主密钥；终端密钥生成算法接收主密钥作为输入，对每个终端ci，输出δi，以及用于加密的密钥在联邦学习训练的每一轮中，密钥管理中心为每个终端ci分配不同的δi，终端密钥生成算法的执行流程如下：对于每个终端ci，终端密钥生成算法生成一个n维向量δi，向量δi在素数阶q的有限域上，计算每个终端ci的密钥计算公式为其中bi'和bi”是随机选择的两个n×n矩阵，使得bi'+bi”＝b-1；每个终端ci从密钥管理中心接收其对应的δi和用于在联邦学习过程中保护其本地模型参数。

10、作为本发明的强化隐私保护的联邦学习光伏发电预测方法的一种优选方案，其中：加密阶段包括，加密算法输入终端ci的两个保密信息掩蔽向量δi和密钥以及终端本地模型参数的n维向量xi，生成密文cti，密文cti的计算公式如下：

11、

12、其中，cti表示第i个终端的密文，表示xi与掩蔽向量δi的和，和分别表示大小为n×n的矩阵n1和n2的逆矩阵，bi′和bi″均表示随机选择的n×n矩阵。

13、作为本发明的强化隐私保护的联邦学习光伏发电预测方法的一种优选方案，其中：聚合和解密阶段包括，聚合解密算法接收中央服务器的两个秘密信息sku和δ，以及一组对应于参与终端本地ann-lstm预测模型参数的密文集合{ct1,ct2...,ctk}，输出一个n维向量的x，x的计算步骤包括：将所有终端的密文求和得到如下公式：

14、

15、利用双线性配对的性质和中央服务器的密钥sku得到如下公式：

16、

17、根据bi'+bi”＝b-1，简化公式得到：

18、

19、根据e(δp,q)＝e(p,q)δ以及得到：

20、

21、其中，ct表示密文集合，k表示终端的总数，i表示第i个终端，cti表示第i个终端的密文，ct(1)表示ct(2)表示表示xi与掩蔽向量δi的和，和分别大小为n×n的矩阵n1和n2的逆矩阵，e表示一个双线性配对函数，p表示加法群g1中的元素，q表示加法群g2中的元素，bi′和bi″均表示随机选择的n×n矩阵，b表示有限域zq上的可逆n×n矩阵，δ表示掩蔽向量δi的和；通过计算gt中的离散对数，根据e(p,q)x计算得出x

22、本发明的另外一个目的是提供一种强化隐私保护的联邦学习光伏发电预测系统，包括：数据采集模块，用于收集并预处理光伏电站的多源数据；模型构建模块，用于构建ann-lstm预测模型，设计ann-lstm预测模型的结构和超参数；更新化模块，用于将ann-lstm预测模型部署到中央服务器和各终端，各终端根据自有的数据对ann-lstm预测模型进行训练，中央服务器更新ann-lstm预测模型，各终端更新ann-lstm预测模型的权重参数；加密保护模块，用于利用内积函数加密保护中央服务器和各终端的数据传输；传输模块，用于采用基于阈值比较的参数更新策略，使变化量大于阈值的ann-lstm预测模型参数传输到中央服务器，使数据能够高效传输并降低通信带宽。

23、一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，其特征在于，处理器执行计算机程序时实现如上强化隐私保护的联邦学习光伏发电预测方法的步骤。

24、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现如上强化隐私保护的联邦学习光伏发电预测方法的步骤。

25、本发明的有益效果：提出了一种强化隐私保护的联邦学习光伏发电预测方法及系统，以准确预测未来发电量，设计了一个有效的内积函数加密来实现安全的数据聚合，通过在联邦学习训练期间加密终端的模型参数来保护其隐私。为了解决通信效率较低的问题，采用基于阈值的参数更新策略方法来更新本地模型的参数，其中仅更新具有足够改变量的参数。这一创新的方法为智能电网的能源管理提供了强有力的技术支持，有望推动可再生能源领域的进一步发展，将在未来的能源预测和管理中发挥更加重要的作用。