基于KL-散度的电力用电数据自动脱敏算法研究

电力数据中包含一些隐私数据,一旦泄漏,就会对个人隐私安全造成隐患。为保证电力数据的安全性,提出了基于KL-散度设计电力用电数据自动脱敏算法。基于KL-散度算法建立敏感数据过滤模型,计算不同变量数据的KL距离,得到其相似性指标,对用户项目评分进行平滑处理,将具备相似性的敏感数据分成不同的批次。敏感数据去身份化处理,将数据匿名转换,计算用户真实路径被泄露的概率。设计数据自动脱敏算法,分别计算概念化数据、元组信息以及信息流的损失程度,以此判定脱敏后的数据是否可用。检验脱敏前后数据一致性,三类电力用电数据的变化率分别为0.43%、0.14%和0.11%,远远小于标准值。且算法在运行过程中单位时间处理数据量和平均延迟时间也较为理想,可见该脱敏算法具备实用性。

基于新型组合框架高斯过程的短期电力负荷量预测

电力系统负荷预测是多变量复杂预测问题,提高短期电力负荷预测精度是保障电网安全稳定运行的技术措施之一。本文针对短期负荷预测中负荷与影响因素之间的复杂非线性关系,建立了一种高斯过程回归的短期负荷预测模型。在单一的GP输出上,为进一步得到精准的预测,本文构建了在贝叶斯框架上一种基于KL散度的组合GP模型,该模型既是一种新型基于Bagging的重抽样GP算法,又克服了传统Bagging多个子模型相关性较弱的弊端,具有参数寻优容易、相关性强、全局学习能力高等优点。实验表明,采用改进后的引导聚集算法组合的GP模型在预测区间估计与均值估计相较传统单一的GP具有更高的预测精度和泛化能力,将其应用于短期电力负荷预测是可行的,且能较好地反映负荷的变化趋势。

基于局部差分隐私的数据收集保护

为了满足收集数据时在用户端就对数据进行隐私保护的要求,谷歌提出了RAPPOR算法。在相对不大的用户数据记录收集时,RAPPOR算法并不适用,文中对其做出了改进并称之为I-RAPPOR算法。在对用户数据进行随机扰动之前,先对用户数据进行编码,即对用户数据在Bloom filter上进行哈希映射,再对数据运用随机响应技术。最后对用户数据进行校正并进行统计,利用KL-散度进行数据效用度量。实验结果表明I-RAPPOR算法能够很好的对用户数据进行隐私保护,并具有良好的可用性。