基于同态加密的电量预测方法及系统

1.本发明属于人工智能技术领域，具体涉及基于同态加密的电量预测方法及系统。


背景技术：

2.电力已经成为人们生活中不可或缺的能源，各种电力资源的获取与有效分配变得尤为重要。负荷聚合商根据用户不同时段的用电量，对其电力资源进行二次分配和调度，以实现电力资源的充分利用，保证电力的有效供给。随着我国电网的大规模建设，智能电网逐渐成为新的发展方向，人工智能被引入到电力调度中，负荷聚合商采用机器学习技术对用户的用电量进行建模和预测。
3.为了保证电力特征数据和用电量预测加密值的安全性以及解密过后的数据准确无误，现有技术采用同态加密方式对电力特征数据和用电量预测加密值进行加密，根据同态加密的性质得知，同态加密方案在经过大量的连乘运算后准确率大大降低，而电量预测模型在进行长期用电量预测时，需要大量的矩阵乘法运算，导致长期用电量预测结果的准确率低。


技术实现要素：

4.本发明旨在至少解决现有技术中存在的技术问题，提供一种基于同态加密的电量预测方法及系统，解决了现有技术中电量预测模型在进行长期用电量预测时预测准确率低的问题。
5.为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供如下基础方案：基于同态加密的电量预测方法，其特征在于：包括以下步骤：
6.输入步骤：在本地客服端输入电力特征数据，对电力特征数据进行同态加密获得密文数据；
7.预测步骤：将加密数据输入部署于云服务器的加密用电量预测模型；
8.输出步骤：加密用电量预测模型输出用电量预测加密值至本地客户端，本地客户端对电量预测加密值进行解密获得电量预测值；
9.所述加密用电量预测模型在训练过程中将多时耗损公式作为损失函数，多时损耗公式用于对不同时刻的用电量预测加密值求取均方误差。
10.基础方案的基本原理及有益效果：通过权重参数的不同，多时损耗公式对不同时刻的预测值求取均方误差，经过大数量的电力数据对加密用电量模型进行学习和训练，与现有技术相比，本方案即使使用的加密用电量预测模型在进行长期用电量预测时，计算出的均方误差更贴合用电量预测加密值与实际电量的误差，减少了预测误差，提高预测的准确性。
11.在本发明的另一种优选地实施方式中，所述多时损耗公式为：
[0012][0013]
其中n为i的最大时刻数；为第i个时刻的标签数据，为加密用电量预测模型所得出的第i个时刻的用电量预测加密值；ωi为第i个时刻的权重参数，权重参数根据时刻值的增加而减小。
[0014]
在本发明的另一种优选地实施方式中，权重参数通过几何分布公式生成；几何分布公式为：
[0015]
ωi{x＝i}＝p(1-p)
i-1
,i＝1,2,3,
…
，0《p《1
[0016]
其中p为几何分布公式的分布参数。
[0017]
在本发明的另一种优选地实施方式中，该加密用电量预测模型包括依次连接的卷积层、第一全连接层、第二全连接层和第三全连接层；
[0018]
其中，卷积层的卷积核大小为1
×
5，步长为1；输入的原始数据为300
×5×
1的电力特征数据，使用了的卷积核，之后输出为300
×1×
4的矩阵值；
[0019]
第一全连接层的输入为卷积层输出矩阵值打平的向量；
[0020]
第二全连接层的输入为前一层最后的输出数据，第二全连接层的节点数为t3；
[0021]
第三全连接层的输入为前一层最后的输出数据，第三全连接层的节点数为t4。
[0022]
有益效果：在使用电力特征数据对预测模型进行训练过程中，选取了多种预测模型的构架，通过预测结果的准确率，选用本方案所述的预测模型的构架为加密用电量预测模型。
[0023]
在本发明的另一种优选地实施方式中，t3的取值范围为{(t3)|gcd(t,96)≤2∩(t3)∈[43,95]},t4的取值范围为{(t4)|gcd(t,96)≤2∩(t4)∈[43,95]}。
[0024]
有益效果：在收集电力特征数据用于训练加密用电量预测模型时，收集的电力特征数据数量为每天96条，因此本方案设定取值边界为96，根据节点数的不同，加密用电量预测模型能够预测出不同时刻段的用电量，提高预测的随机性和多样性。
[0025]
在本发明的另一种优选地实施方式中，该加密用电量预测模型使用的激活函数是平方函数。
[0026]
在本发明的另一种优选地实施方式中，所述输入步骤之前还包括部署步骤，所述部署步骤具体包括以下步骤：
[0027]
s1：收集电力特征数据，对电力特征数据进行预处理并制作标签；
[0028]
s2：构建加密用电量预测模型，并确定加密用电量预测模型的优化器；
[0029]
s3：对加密用电量预测模型进行训练，通过训练结果的准确率对加密用电量预测模型的超参数进行微调；
[0030]
s4：将明文训练的加密用电量预测模型部署到云服务器。
[0031]
在本发明的另一种优选地实施方式中，输入步骤具体为：本地客服端对电力特征数据进行近似计算同态加密。
[0032]
有益效果：相比于其他同态加密方式，采用近似计算同态加密的加密方式具有更快的运算速度。
[0033]
在本发明的另一种优选地实施方式中，所述步骤s1具体包括以下步骤：
[0034]
s1-1：收集多天、多个时刻的电力特征数据，所述电力特征数据包括时间、温度、湿度、降水量和用电量；
[0035]
s1-2：将电力特征数据进行时序化处理，并将电力特征数据根据天数、时刻将电力特征数据用二维矩阵进行表示；
[0036]
s1-3：对电力特征数据进行归一化处理；
[0037]
s1-4：取一部分的电力特征数据作为训练集，剩余的电力特征数据作为测试集。
[0038]
有益效果：用电量除了受用电设备的数量、功耗等因素的影响，同时还因为温度、湿度和天气等因素发生变化，因此本方案采集时间、温度、湿度、降水量和用电量组成电力特征数据，提高用电量预测的准确性。
[0039]
为了实现本发明的上述目的，根据本发明的第二个方面，本发明提供了基于同态加密的电量预测系统，包括：
[0040]
至少一个本地客服端，用于获取电力特征数据，对电力特征数据进行同态加密获得密文数据，并将密文数据上传至云服务器；
[0041]
云服务器，部署有加密用电量预测模型，将密文数据输入加密用电量预测模型，加密用电量预测模型输出用电量预测加密值，将电量预测加密值发送至本地客户端解密获得电量预测值；
[0042]
所述加密用电量预测模型在训练过程中将多时耗损公式作为损失函数，多时损耗公式用于对不同时刻的用电量预测加密值求取均方误差。
附图说明
[0043]
图1是本发明基于同态加密的电量预测方法流程图；
[0044]
图2是本发明加密用电量预测模型算法结构示意图；
[0045]
图3是本发明加密用电量预测模型训练过程流程图；
[0046]
图4是本方明实施例中支持向量机模型预测效果图；
[0047]
图5是本发明实施例中随机森林模型预测效果图；
[0048]
图6是本发明实施例中lstm模型预测效果图；
[0049]
图7是本发明实施例中mseloss的神经网络模型预测效果图；
[0050]
图8是本发明实施例中加密用电量预测模型预测效果图；
[0051]
图9是本发明实施例中多个模型长期预测准确率对比图；
具体实施方式
[0052]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0053]
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0054]
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0055]
本发明提供了基于同态加密的电量预测方法，在一种优选实时方式中，如附图1所示，该方法包括：部署步骤、输入步骤、预测步骤和输出步骤；
[0056]
部署步骤：构建加密用电量预测模型并部署至云服务器；
[0057]
输入步骤：在本地客服端输入电力特征数据，对电力特征数据进行近似计算同态加密获得密文数据；
[0058]
预测步骤：将加密数据输入加密用电量预测模型；
[0059]
ckks加密的具体过程为
[0060]
①
初始化：
[0061]
参数λ作为安全等级系数，l为有限层次全同态加密的深度上限。
[0062]
选择n∈{x：x mod 2＝0}，定义几何分布参数p＞0以及模数p。定义模数规模q＝q0·
p
l
，使得n和p
·
q满足安全等级系数λ。
[0063]
选择私钥的分布χs，错误分布χe以及随机分布χr。
[0064]
②
密钥生成：
[0065]
使用初始化得到的分布生成s
←
χs，a
←rq
，e
←
χe，s，e，r分别由λs，λe，λr生成的随机数；
[0066]
生成私钥sk
←
(1，s)，计算公钥(b，a)，使得一列公式成立：
[0067]
b＝-a
·
s e mod q
[0068]
实例化a
′←rpq
，e
←
χe，得到辅助计算密钥(b
′
，a
′
)，满足：
[0069]b′
＝-a
′
·
s e
′
p
·
s2mod p
·qꢀꢀ
(13)
[0070]
辅助计算密钥(b
′
，a
′
)用于乘法运算。
[0071]
③
加密：
[0072]
生成r
←
χr，e0，e1←
χe，加密公式为：
[0073]c←r·
pk (m e0，e1)mod q
ꢀꢀ
(14)
[0074]
④
解密：
[0075]
密文私钥sk，解密公式为：
[0076]m′
＝《c，sk》mod q＝c0 c1·
s mod q≈m
[0077]
⑤
加法：
[0078]
设两个密文c，加法公式为：
[0079]cadd
←
c c
′
mod q
[0080]
加法得到结果的误差为各自密文的误差之和。
[0081]
⑥
乘法：
[0082]
1)明文与密文相乘
[0083]
设密文明文m∈rq，乘法公式为：
[0084]cmult
←m·
c mod q
[0085]
2)密文之间相乘
[0086]
设密文c，乘法公式为：
[0087]
(d0，d1，d2)＝(c0c
′0，c0c
′1 c
′0c1，c1c
′1)
[0088][0089]
ckks乘法中，密文误差随着乘法次数的增加呈指数级增长。
[0090]
⑦
重缩放：
[0091]
设密文模数p'《p，重缩放公式为：
[0092][0093]
通过重缩放将密文运算的绝对精度固定，限制了乘法过程中缩放规模的增加。其中，加法、乘法、重缩放作为框架的计算部分，在实现计算的过程中自动完成。
[0094]
输出步骤：加密用电量预测模型输出用电量预测加密值，并将用电量预测加密值传输至本地客户端；本地客户端通过ckks加密过程中的解密过程进行解密，获得预测结果；
[0095]
上述加密用电量预测模型在训练过程中将多时耗损公式作为损失函数，多时损耗公式用于对不同时刻的用电量预测加密值求取均方误差。
[0096]
在一种优选实施方式中，所述多时损耗公式为：
[0097][0098]
其中n为i的最大时刻数；优选的，n值为86，为第i个时刻的标签数据，为加密用电量预测模型所得出的第i个时刻的用电量预测加密值；ωi为第i个时刻的权重参数，权重参数根据时刻值的增加而减小。
[0099]
在一种优选实施方式中，权重参数通过几何分布公式生成；几何分布公式为：
[0100]
ωi{x＝i}＝p(1-p)
i-1
,i＝1,2,3,
…
，0《p《1
[0101]
优选的，p＝0.6。
[0102]
在一种优选实施方式中，所述输入步骤之前还包括部署步骤，部署步骤具体包括以下步骤：
[0103]
s1：收集电力特征数据，对电力特征数据进行预处理并制作标签；
[0104]
s2：构建加密用电量预测模型，并确定加密用电量预测模型的优化器；
[0105]
s3：对加密用电量预测模型进行训练，通过训练结果的准确率对加密用电量预测模型的超参数进行微调；
[0106]
s4：将明文训练的加密用电量预测模型部署到云服务器。
[0107]
在一种优选实施方式中，步骤s1具体包括以下步骤：
[0108]
s1-1：收集2018年至2021年之间1270天的每天多个时刻的电力特征数据，每个时刻间隔15分钟，每天共计96条，所述电力特征数据包括时间、温度、湿度、降水量和用电量；
[0109]
s1-2：将电力特征数据进行时序化处理，将电力特征数据按照2018年至2021年的顺序，用二维矩阵进行表示，共m＝1270
×
96行，n＝5列；二维矩阵如下：
[0110]
a＝{a
ij
}m×n＝{x1，x2，
…
，xm}
t
[0111]
其中a为电力特征数据构成的二维矩阵，并设定时间单位为秒；
[0112]
s1-3：对电力特征数据进行归一化处理；归一化为将电力特征数据的元素除以每一个元素的最大值与每一个元素最小值的差值，即：
[0113][0114]
其中，data为二维矩阵a构建成的电力特征数据集中的元素；
[0115]
s1-4：取2018年与2019年的共计前730
×
96行电力特征数据作为训练集，剩余的电力特征数据作为测试集；
[0116]
训练集的制作为m＝730
×
96-386,n＝5；
[0117][0118]
t＜m
[0119]
其中，d为训练集，xn表示为x向量的第n维分量。测试集的制作与训练集的制作同理。
[0120]
在一种优选实施方式中，如附图2所示，加密用电量预测模型依次包括卷积层与三层连接的全连接层；加密用电量预测模型使用的激活函数为平方函数；
[0121]
其中，卷积层输入的原始数据为300
×5×
1的电力特征数据，使用了1
×
5的卷积核，步长为1，之后输出为300
×1×
4的矩阵值；
[0122]
第一层全连接层的输入为前一层输出矩阵值打平的向量，尺寸为1200
×
1；其中打平的向量是指将前一层输出矩阵值转化为向量的形式；
[0123]
第二层全连接层的输入为前一层最后的输出数据，尺寸为1200
×
1，权连接层的节点数为t3；
[0124]
第三层全连接层的输入为前一层最后的输出数据，尺寸为1200
×
1，全连接层的节点数为t4。
[0125]
其中，t3的取值范围为{(t3)|gcd(t,96)≤2∩(t3)∈[43,95]},t4的取值范围为{(t4)|gcd(t,96)≤2∩(t4)∈[43,95]}；优选的，t3取值为64；t4取值为86；
[0126]
在得出本实施方式中的加密用电量预测模型结构之前，本发明对比分析了多种模型，包括支持向量机模型，随机森林模型，lstm模型，以及使用mseloss的卷积神经网络模型。
[0127]
如附图4所示的为支持向量机模型(svm)的预测效果；如附图5所示的为随机森林模型(random forest)的预测效果；如附图6所示的为lstm模型的预测效果；如附图7所示的为mseloss的卷积神经网络模型(cnn with mseloss)的预测效果；如附图8所示的为本发明中的加密用电量预测模型的预测效果。如附图9所示的为上述模型在进行长期用电量预测的准确率对比；
[0128]
由于lstm模型的长期预测用时太长，本实验没有计算其长时间预测准确率，但通过计算其平均损失值为0.00089，本模型的平均损失值为0.00009，降低了接近10倍；可以看到，随着用电量预测时间的增加，本发明中的加密用电量预测模型的长期用电量预测准确率最佳。
[0129]
由于同态加密模型的推断时间相比于明文推断慢了接近100倍。受限于算力，本发明在对同态加密模型进行评估时，采用从测试集均匀随机选取800个电力特征的方式对同
态加密模型进行评估，得到的评估结果如下：
[0130]
表格1同态加密模型准确率对比
[0131][0132]
可以认为加密模型对预测结果几乎没有加密损失。
[0133]
在一种优选实施方式中，如附图3所示，s3具体包括以下：s3-1：将加密用电量预测模型的参数初始化，选择初始化超参数；
[0134]
s3-2：使用训练集对加密用电量预测模型进行训练，将mini-batch的个数设置为20，训练过程遍历整个训练样本100次；
[0135]
s3-3：判断加密用电量预测模型的准确率是否达到要求，若是，则完成训练；否则，对加密用电量预测模型的超参数进行微调，并再次执行步骤s3-2。
[0136]
其中超参数分为网络结构相关参数和模型训练相关参数；网络结构相关参数包括：网络中间层数量、类型、每层神经元数量、激活函数；模型训练相关参数：损失函数、优化方法、批次大小、迭代次数、学习率、正则方法和系数、优化方法；
[0137]
此外也可以通过早停或者正则化等技术使加强网络的鲁棒性和泛化能力。
[0138]
在一种优选实施方式中，该模型采用了平方函数取代传统的tanh和sigmoid作为激活函数，平方函数如下：f(x)＝x2。
[0139]
在一种优选实施方式中，为了使收敛更快，步骤s2中所述的选择的优化器为adam，其函数为：
[0140][0141]
其中，α＝0.001，ε是为了维持数值稳定性而添加的常数，ε＝10-8
，t表示迭代次数，w
t
表示迭代次数为t的时刻的模型训练参数，m
t
是梯度的指数移动均值，通过梯度的一阶矩求得，为m
t
的纠正。v
t
是平方梯度，通过梯度的二阶矩求得，为v
t
的纠正：
[0142][0143]
β1表示一阶矩的指数衰减率，β2表示二阶矩的指数减率，其中β1＝0.9，β2＝0.999，m
t
和v
t
的更新如下：
[0144]mt
＝β1×mt-1
(1-β1)
×gt
[0145][0146]
其中，g
t
表示迭代次数为t的时刻的梯度。
[0147]
本发明还公开基于同态加密的电量预测系统，包括：
[0148]
至少一个本地客服端，用于获取电力特征数据，对电力特征数据进行同态加密获得密文数据，并将密文数据上传至云服务器；
[0149]
云服务器，部署有加密用电量预测模型，将密文数据输入加密用电量预测模型，加密用电量预测模型输出用电量预测加密值，将电量预测加密值发送至本地客户端解密获得
电量预测值；
[0150]
所述加密用电量预测模型在训练过程中将多时耗损公式作为损失函数，多时损耗公式用于对不同时刻的用电量预测加密值求取均方误差。
[0151]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0152]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。