基于隐私保护的虚拟电厂数据处理方法及装置与流程

1.本发明涉及数据安全保护技术领域，具体而言，涉及一种基于隐私保护的虚拟电厂数据处理方法、装置、计算机可读存储介质及计算设备。


背景技术：

2.虚拟电厂作为一个灵活整合各类分布式电源的方案，它不仅可以整合各种具有不同发电方式的分布式能源，并且可以结合各类分布式电源的功能特性，综合空间的条件来合理将一系列分布式电源组合成一个整体。虚拟电厂概念的提出，使得分布式能源大范围投入电网运行成为可能，也可以为传输系统的管理提供服务。
3.通过采用5g通信边缘计算模式，通信网络可承载量测装置高密度接入的设备信息，实现高容量、高速率的信息传输，有助于实现虚拟电厂广域信息的实时采集及海量传输，为优化决策提供充足的数据支撑，还可以实现可忽略延时的信息反馈，有助于实现更为实时化的精准调控。可以利用边缘计算模式，实现对海量多维数据的采集和高效传输，如输电运营商的节点采集数据，天气监测数据，实时的发电资产状态数据等。然而，由于海量数据的采集、传输和处理，使得虚拟电厂中的数据隐私问题变得越来越严重，尤其是敏感数据的获取存在直接暴露用户的隐私信息的风险。


技术实现要素：

4.鉴于此，本发明提出了一种基于隐私保护的虚拟电厂数据处理方法及装置，以解决现有虚拟电厂中的数据隐私问题。
5.第一方面，本发明实施例提供了一种基于隐私保护的虚拟电厂数据处理方法，包括：获取当前时刻下所采集到的当前节点的原始数据以及所接收到的当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，其中，所述当前节点和所述其它节点位于虚拟电厂的同一个信任域；基于所述当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关估计矩阵；将零均值噪声投影到所述最新的自相关估计矩阵，得到最新的自相关估计噪声；将所述最新的自相关估计噪声添加到所述当前节点的原始数据中，得到当前时刻下当前节点的最终隐私保护后的数据。
6.进一步地，所述基于所述当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关估计矩阵，包括：基于所述当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关矩阵；通过估计法计算所述最新的自相关矩阵，得到最新的自相关估计矩阵。
7.进一步地，所述基于所述当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关矩阵，包括：采用下式构建最新的自相关矩阵c：
8.c＝e{m(t)}；
9.m(t)＝m(t(m(t)
t
；
10.m(t)＝[m1(t)...mk(t)]
t
；
[0011]
其中，t为当前时刻，m1(t)...mk(t)为t时刻下所接收到的当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，t为矩阵的转置，k为正整数。
[0012]
进一步地，所述通过估计法计算所述最新的自相关矩阵，得到最新的自相关估计矩阵，包括：使用指数衰减窗口估计所述最新的自相关矩阵，得到最新的自相关估计矩阵r(t)：
[0013][0014]
其中，t为当前时刻。
[0015]
进一步地，若所述最新的自相关矩阵数据不全，则在所述基于所述当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关矩阵之后，还包括：补全所述最新的自相关矩阵。
[0016]
进一步地，所述补全所述最新的自相关矩阵，包括：采用不精确拉格朗日乘子法补全所述最新的自相关矩阵。
[0017]
进一步地，所述将零均值噪声投影到所述最新的自相关估计矩阵，得到最新的自相关估计噪声，包括：将零均值噪声向量n(t)投影到所述最新的自相关估计矩阵，得到最新的自相关估计噪声向量如下：其中，u1为主要特征向量，通过所述最新的自相关估计矩阵的特征值分解得到，t为矩阵的转置，t为当前时刻。
[0018]
第二方面，本发明实施例还提供了一种基于隐私保护的虚拟电厂数据处理装置，包括：数据获取单元，用于获取当前时刻下所采集到的当前节点的原始数据以及所接收到的当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，其中，所述当前节点和所述其它节点位于虚拟电厂的同一个信任域；自相关估计矩阵构建单元，用于基于所述当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关估计矩阵；噪声投影单元，用于将零均值噪声投影到所述最新的自相关估计矩阵，得到最新的自相关估计噪声；加噪单元，用于将所述最新的自相关估计噪声添加到所述当前节点的原始数据中，得到当前时刻下当前节点的最终隐私保护后的数据。
[0019]
进一步地，所述自相关估计矩阵构建单元，包括：自相关矩阵构建单元，用于基于所述当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关矩阵；计算单元，用于通过估计法计算所述最新的自相关矩阵，得到最新的自相关估计矩阵。
[0020]
进一步地，所述自相关矩阵构建单元，还用于：采用下式构建最新的自相关矩阵c：
[0021]
c＝e{m(t)}；
[0022]
m(t)＝m(t)m(t)
t
；
[0023]
m(t)＝[m1(t)...mk(t)]
t
；
[0024]
其中，t为当前时刻，m1(t)...mk(t)为t时刻下所接收到的当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，t为矩阵的转置，k为正整数。
[0025]
进一步地，所述计算单元，还用于：使用指数衰减窗口估计所述最新的自相关矩阵，得到最新的自相关估计矩阵r(t)：
[0026][0027]
其中，t为当前时刻。
[0028]
进一步地，若所述最新的自相关矩阵数据不全，则所述装置还包括数据补全单元，用于：在所述基于所述当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关矩阵之后，补全所述最新的自相关矩阵。
[0029]
进一步地，所述数据补全单元，还用于：采用不精确拉格朗日乘子法补全所述最新的自相关矩阵。
[0030]
进一步地，所述噪声投影单元，还用于：将零均值噪声向量n(t)投影到所述最新的自相关估计矩阵，得到最新的自相关估计噪声向量如下：其中，u1为主要特征向量，通过所述最新的自相关估计矩阵的特征值分解得到，t为矩阵的转置，t为当前时刻。
[0031]
第三方面，本发明实施例还提供了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，该程序被处理器执行时实现本发明各实施例提供的方法。
[0032]
第四方面，本发明实施例还提供了一种计算设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述存储器中存储的计算机程序以实现本发明各实施例提供的基于隐私保护的虚拟电厂数据处理方法的步骤。
[0033]
本发明实施例提供的基于隐私保护的虚拟电厂数据处理方法及装置，通过基于所接收到的当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关估计矩阵，并将零均值噪声投影到最新的自相关估计矩阵，得到最新的自相关估计噪声，之后将最新的自相关估计噪声添加到当前节点的原始数据中，得到当前节点最终的隐私保护后的数据，实现给原始数据加难以去除的噪声来避免数据被恶意重构，解决了现有虚拟电厂不同信任域中的数据隐私问题，降低了由于数据加密造成的额外通信开销，有效确保了数据的隐私安全。
附图说明
[0034]
图1为本发明一个示例性的实施例提供的基于隐私保护的虚拟电厂数据处理方法的流程图；
[0035]
图2为本发明一个示例性的实施例提供的构建最新的自相关估计矩阵方法的流程图；
[0036]
图3为本发明一个示例性的实施例提供的基于隐私保护的虚拟电厂数据处理装置的结构示意图；
[0037]
图4为本发明一个示例性的实施例提供的自相关估计矩阵构建单元的结构示意图。
具体实施方式
[0038]
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示
例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
[0039]
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
[0040]
图1为本发明一个示例性的实施例提供的基于隐私保护的虚拟电厂数据处理方法的流程图。
[0041]
如图1所示，该方法包括：
[0042]
步骤s101：获取当前时刻下所采集到的当前节点的原始数据以及所接收到的当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，其中，当前节点和其它节点位于虚拟电厂的同一个信任域。
[0043]
虚拟电厂的一个信任域由k个节点组成，每个节点可以采集该节点当前时刻的原始数据，并将该原始数据进行隐私保护处理后发送至其他节点。对于当前节点k可以通过数据采集模块采集当前时刻t下当前节点的原始数据以及通过数据接收模块接收当前时刻t下当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据m1(t)...mk(t)，其中，和m1(t)...mk(t)均为向量形式，k、k均为正整数，且0≤k≤k。需要了解的是，当前时刻t下，所接收到的当前节点k发送的初始隐私保护后的数据mk(t)，通过上一时刻t-1下的自相关估计矩阵r(t-1)加噪处理后得到。
[0044]
步骤s102：基于当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关估计矩阵。
[0045]
图2为本发明一个示例性的实施例提供的构建最新的自相关估计矩阵方法的流程图。
[0046]
如图2所示，步骤s102，包括：
[0047]
步骤s1021：基于当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关矩阵。
[0048]
基于虚拟电厂的一个信任域中所有节点的隐私保护后的数据，构建该信任域最新的相关矩阵，即最新的自相关矩阵。
[0049]
进一步地，步骤s1021，包括：
[0050]
采用下式构建最新的自相关矩阵c：
[0051]
c＝e{m(t)}；
[0052]
m(t)＝m(t)m(t)
t
；
[0053]
m(t)＝[m1(t)...mk(t)]
t
；
[0054]
其中，t为当前时刻，m1(t)...mk(t)为t时刻下所接收到的当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，t为矩阵的转置，k为正整数。
[0055]
步骤s1023：通过估计法计算最新的自相关矩阵，得到最新的自相关估计矩阵。
[0056]
进一步地，步骤s1023，包括：
[0057]
使用指数衰减窗口估计最新的自相关矩阵，得到最新的自相关估计矩阵r(t)：
[0058][0059]
其中，t为当前时刻。
[0060]
基于平均遍历定理，使用指数衰减窗口来估计最新的自相关矩阵c，得到最新的自相关估计矩阵r(t)，其中，t趋近于∞时，r(t)约等于r(t-1)，即当t趋近于∞时，r(t)的值趋近于一个稳定值。其中，当t＝1时，最新的自相关估计矩阵r(t)的初始值为：r(1)＝m(1)＝m(1)m(1)
t
，即为在时刻1的采集数据向量乘以它的转置向量。
[0061]
需要了解的是，当前节点会存储当前时刻得到的最新的自相关估计矩阵，以供下一时刻得到当前节点的初始隐私保护后的数据使用。
[0062]
进一步地，若最新的自相关矩阵数据不全，则在步骤s1021之后，还包括：
[0063]
步骤s1022：补全最新的自相关矩阵。
[0064]
在实际环境中由于各种原因导致会每个节点采集的数据不全，从而使得当前节点接收到的数据不全，因此需要把缺失的数据进行补全后再计算得到最新的自相关估计矩阵。可以采用拉格朗日乘子法进行数据补全。
[0065]
进一步地，步骤s1022，包括：
[0066]
采用不精确拉格朗日乘子法补全最新的自相关矩阵。
[0067]
为了把缺失的数据补全，采用了一种不精确拉格朗日乘子法。该方法是对拉格朗日乘子法的一种改进算法，它的收敛速度几乎与拉格朗日乘子法一样快，但所需的部分奇异值分解的数目要少得多。
[0068]
不精确拉格朗日乘子法将矩阵补全问题视为robust pca问题的特例，将矩阵补全问题建模为如下形式：
[0069][0070]
s.t.a+e＝d，p
ω
(e)＝0；
[0071]
其中，观测矩阵d为m(t)分解为一个低秩矩阵a和一个独立同分布的高斯矩阵e，经过多次更新计算，得到收敛后的a和e，最后完成补全。
[0072]
采样符号p
ω
的定义为：
[0073][0074]
其中，||a||
*
为矩阵a的核范数，其等于矩阵a的奇异值之和。
[0075]
为解决该矩阵补全问题，首先构造增广拉格朗日函数，再使用交替方法求解该问题。精确拉格朗日乘子法在计算过程中要多次更新，进行多次奇异值分解，而不精确拉格朗日乘子法大大减少计算量。
[0076]
该矩阵补全问题的部分增广拉格朗日函数表示为：
[0077][0078]
其中，正则化参数u＞0，l()表示拉格朗日函数，是f范数的平方，矩阵a和矩阵e是由矩阵d分解得到的。
[0079]
当y＝yk,u＝uk时，拉格朗日乘子法使用交替方法求解优化问题：然而不精确拉格朗日乘子法改善了拉格朗日乘子法，它不需要求的精确解，即矩阵a和e的迭代更新公式如下：
[0080][0081][0082]
不精确拉格朗日乘子法具体流程如下：
[0083]
输入：不完整的矩阵d
i,j
，i,j∈ω，它是的部分数据，此处即为矩阵m(t)；
[0084]
输出：(ak,ek)。
[0085]
1：y0＝0；e0＝0；u0＞0；ρ＞1；k＝0；
[0086]
2：while循环计算，直到收敛：
[0087]
3：//步骤4-5是为了解决问题；
[0088]
4：
[0089]
5：
[0090]
6：//步骤7是为了解决问题；
[0091]
7：
[0092]
8：y
k+1
＝yk+uk(d-a
k+1-e
k+1
)；
[0093]
9：将uk更新为u
k+1
；
[0094]
10：将k更新为k+1；
[0095]
11：end while。
[0096]
上述实施例，通过采用不精确拉格朗日乘子法补全最新的自相关矩阵，克服了由于通信链路数据丢包等问题造成的信息缺失问题，由于不依赖于完整的监测数据信息，能够有效降低由于数据丢包重传等造成的额外通信开销，实现虚拟电厂中横向数据的高效传输和安全保护。
[0097]
步骤s103：将零均值噪声投影到最新的自相关估计矩阵，得到最新的自相关估计噪声。
[0098]
进一步地，步骤s103，包括：
[0099]
将零均值噪声向量n(t)投影到最新的自相关估计矩阵，得到最新的自相关估计噪声向量如下：
(r)...mk(t)，其中，和m1(r)...mk(t)均为向量形式，k、k均为正整数，且0≤k≤k。需要了解的是，当前时刻t下，所接收到的当前节点k发送的初始隐私保护后的数据mk(t)，通过上一时刻t-1下的自相关估计矩阵r(t-1)加噪处理后得到。
[0115]
自相关估计矩阵构建单元302，用于基于当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关估计矩阵。
[0116]
图4为本发明一个示例性的实施例提供的自相关估计矩阵构建单元的结构示意图。
[0117]
如图4所示，自相关估计矩阵构建单元302，包括：
[0118]
自相关矩阵构建单元3021，用于基于当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关矩阵。
[0119]
基于虚拟电厂的一个信任域中所有节点的隐私保护后的数据，构建该信任域最新的相关矩阵，即最新的自相关矩阵。
[0120]
进一步地，自相关矩阵构建单元3021，还用于：
[0121]
采用下式构建最新的自相关矩阵c：
[0122]
c＝e{m(t)}；
[0123]
m(t)＝m(t)m(t)
t
；
[0124]
m(t)＝[m1(t)...mk(t)]
t
；
[0125]
其中，t为当前时刻，m1(t)...mk(t)为t时刻下所接收到的当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，t为矩阵的转置，k为正整数。
[0126]
计算单元3023，用于通过估计法计算最新的自相关矩阵，得到最新的自相关估计矩阵。
[0127]
进一步地，计算单元3023，还用于：
[0128]
使用指数衰减窗口估计最新的自相关矩阵，得到最新的自相关估计矩阵r(t)：
[0129][0130]
其中，t为当前时刻。
[0131]
基于平均遍历定理，使用指数衰减窗口来估计最新的自相关矩阵c，得到最新的自相关估计矩阵r(t)，其中，t趋近于∞时，r(t)约等于r(t-1)，即当t趋近于∞时，r(t)的值趋近于一个稳定值。其中，当t＝1时，最新的自相关估计矩阵r(t)的初始值为：r(1)＝m(1)＝m(1)m(1)
t
，即为在时刻1的采集数据向量乘以它的转置向量。
[0132]
需要了解的是，当前节点会存储当前时刻得到的最新的自相关估计矩阵，以供下一时刻得到当前节点的初始隐私保护后的数据使用。
[0133]
进一步地，若最新的自相关矩阵数据不全，则该装置还包括数据补全单元3022，用于：
[0134]
在基于所述当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关矩阵之后，补全最新的自相关矩阵。
[0135]
在实际环境中由于各种原因导致会每个节点采集的数据不全，从而使得当前节点接收到的数据不全，因此需要把缺失的数据进行补全后再计算得到最新的自相关估计矩
阵。可以采用拉格朗日乘子法进行数据补全。
[0136]
进一步地，数据补全单元3022，还用于：
[0137]
采用不精确拉格朗日乘子法补全最新的自相关矩阵。
[0138]
为了把缺失的数据补全，采用了一种不精确拉格朗日乘子法。该方法是对拉格朗日乘子法的一种改进算法，它的收敛速度几乎与拉格朗日乘子法一样快，但所需的部分奇异值分解的数目要少得多。
[0139]
不精确拉格朗日乘子法将矩阵补全问题视为robust pca问题的特例，将矩阵补全问题建模为如下形式：
[0140][0141]
s.t.a+e＝d，p
ω
(e)＝0；
[0142]
其中，观测矩阵d为m(t)分解为一个低秩矩阵a和一个独立同分布的高斯矩阵e，经过多次更新计算，得到收敛后的a和e，最后完成补全。
[0143]
采样符号p
ω
的定义为：
[0144][0145]
其中，||a||
*
为矩阵a的核范数，其等于矩阵a的奇异值之和。
[0146]
为解决该矩阵补全问题，首先构造增广拉格朗日函数，再使用交替方法求解该问题。精确拉格朗日乘子法在计算过程中要多次更新，进行多次奇异值分解，而不精确拉格朗日乘子法大大减少计算量。
[0147]
该矩阵补全问题的部分增广拉格朗日函数表示为：
[0148][0149]
其中，正则化参数u＞0，l()表示拉格朗日函数，是f范数的平方，矩阵a和矩阵e是由矩阵d分解得到的。
[0150]
当y＝yk,u＝uk时，拉格朗日乘子法使用交替方法求解优化问题：然而不精确拉格朗日乘子法改善了拉格朗日乘子法，它不需要求的精确解，即矩阵a和e的迭代更新公式如下：
[0151][0152][0153]
不精确拉格朗日乘子法具体流程如下：
[0154]
输入：不完整的矩阵d
i,j
，i,j∈ω，它是的部分数据，此处即为矩阵m
(t)；
[0155]
输出：(ak,ek)。
[0156]
1：y0＝0；e0＝0；u0＞0；ρ＞1；k＝0；
[0157]
2：while循环计算，直到收敛：
[0158]
3：//步骤4-5是为了解决问题；
[0159]
4：
[0160]
5：
[0161]
6：//步骤7是为了解决问题；
[0162]
7：
[0163]
8：y
k+1
＝yk+uk(d-a
k+1-e
k+1
)；
[0164]
9：将uk更新为u
k+1
；
[0165]
10：将k更新为k+1；
[0166]
11：end while。
[0167]
上述实施例，通过采用不精确拉格朗日乘子法补全最新的自相关矩阵，克服了由于通信链路数据丢包等问题造成的信息缺失问题，由于不依赖于完整的监测数据信息，能够有效降低由于数据丢包重传等造成的额外通信开销，实现虚拟电厂中横向数据的高效传输和安全保护。
[0168]
噪声投影单元303，用于将零均值噪声投影到最新的自相关估计矩阵，得到最新的自相关估计噪声。
[0169]
进一步地，噪声投影单元303，还用于：
[0170]
将零均值噪声向量n(t)投影到最新的自相关估计矩阵，得到最新的自相关估计噪声向量如下：
[0171][0172]
其中，u1为主要特征向量，通过最新的自相关估计矩阵的特征值分解得到，t为矩阵的转置，t为当前时刻。
[0173]
通过将零均值噪声向量n(t)投影到r(t)的估计主成分上，可以在加噪模块处估计相关噪声，即通过r(t)的特征值分解：
[0174]
r(t)＝uσu
t
；
[0175]
其中，是由r(t)的k个特征向量组成，σ＝diag(σ1,...,σk)是特征值按降序排列的对角矩阵。
[0176]
则所提出的投影可以表示为矩阵形式：其中u1是主要特征向量，其对应于最大特征值为σ1。
[0177]
加噪单元304，用于将最新的自相关估计噪声添加到当前节点的原始数据中，得到当前时刻下当前节点的最终隐私保护后的数据。
[0178]
将最新的自相关估计噪声添加到当前节点的原始数据中，以生成混淆后的数据，当前时刻下当前节点的最终隐私保护后的数据mk(t)如下式：
[0179][0180]
最终的加噪后的mk(t)，即最终的隐私保护后的mk(t)的相关矩阵主成分很好的对应于原始数据的数据自相关矩阵的主成分的估计结果。更重要的是，这种噪声不能被轻易过滤掉，因为它反映了时间序列的主要趋势。
[0181]
上述实施例，通过基于所接收到的当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关估计矩阵，并将零均值噪声投影到最新的自相关估计矩阵，得到最新的自相关估计噪声，之后将最新的自相关估计噪声添加到当前节点的原始数据中，得到当前节点的最终隐私保护后的数据，实现给原始数据加难以去除的噪声来避免数据被恶意重构，解决了现有虚拟电厂不同信任域中的数据隐私问题，降低了由于数据加密造成的额外通信开销，有效确保了数据的隐私安全。
[0182]
本发明还提供了一种计算机可读存储介质，存储有一个或者一个以上程序，该程序被一个或者一个以上的处理器用来执行时实现上述任一种基于隐私保护的虚拟电厂数据处理方法。
[0183]
本发明还提供了一种计算设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述存储器中存储的计算机程序以实现上述任一种基于隐私保护的虚拟电厂数据处理方法的步骤。
[0184]
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
[0185]
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
[0186]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0187]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0188]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特
定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0189]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0190]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

技术特征：
1.一种基于隐私保护的虚拟电厂数据处理方法，其特征在于，所述方法包括：获取当前时刻下所采集到的当前节点的原始数据以及所接收到的当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，其中，所述当前节点和所述其它节点位于虚拟电厂的同一个信任域；基于所述当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关估计矩阵；将零均值噪声投影到所述最新的自相关估计矩阵，得到最新的自相关估计噪声；将所述最新的自相关估计噪声添加到所述当前节点的原始数据中，得到当前时刻下当前节点的最终隐私保护后的数据。2.根据权利要求1所述的方法，其特征在于，所述基于所述当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关估计矩阵，包括：基于所述当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关矩阵；通过估计法计算所述最新的自相关矩阵，得到最新的自相关估计矩阵。3.根据权利要求2所述的方法，其特征在于，所述基于所述当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关矩阵，包括：采用下式构建最新的自相关矩阵c：c＝e{m(t)}；m(t)＝m(t)m(t)
t
；m(t)＝[m1(t)...m
k
(t)]
t
；其中，t为当前时刻，m1(f)...m
k
(f)为t时刻下所接收到的当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，t为矩阵的转置，k为正整数。4.根据权利要求3所述的方法，其特征在于，所述通过估计法计算所述最新的自相关矩阵，得到最新的自相关估计矩阵，包括：使用指数衰减窗口估计所述最新的自相关矩阵，得到最新的自相关估计矩阵r(t)：其中，t为当前时刻。5.根据权利要求2所述的方法，其特征在于，若所述最新的自相关矩阵数据不全，则在所述基于所述当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关矩阵之后，还包括：补全所述最新的自相关矩阵。6.根据权利要求5所述的方法，其特征在于，所述补全所述最新的自相关矩阵，包括：采用不精确拉格朗日乘子法补全所述最新的自相关矩阵。7.根据权利要求1所述的方法，其特征在于，所述将零均值噪声投影到所述最新的自相关估计矩阵，得到最新的自相关估计噪声，包括：将零均值噪声向量n(t)投影到所述最新的自相关估计矩阵，得到最新的自相关估计噪声向量如下：
其中，u1为主要特征向量，通过所述最新的自相关估计矩阵的特征值分解得到，t为矩阵的转置，t为当前时刻。8.一种基于隐私保护的虚拟电厂数据处理装置，其特征在于，所述装置包括：数据获取单元，用于获取当前时刻下所采集到的当前节点的原始数据以及所接收到的当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，其中，所述当前节点和所述其它节点位于虚拟电厂的同一个信任域；自相关估计矩阵构建单元，用于基于所述当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关估计矩阵；噪声投影单元，用于将零均值噪声投影到所述最新的自相关估计矩阵，得到最新的自相关估计噪声；加噪单元，用于将所述最新的自相关估计噪声添加到所述当前节点的原始数据中，得到当前时刻下当前节点的最终隐私保护后的数据。9.根据权利要求8所述的装置，其特征在于，所述自相关估计矩阵构建单元，包括：自相关矩阵构建单元，用于基于所述当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关矩阵；计算单元，用于通过估计法计算所述最新的自相关矩阵，得到最新的自相关估计矩阵。10.根据权利要求9所述的装置，其特征在于，若所述最新的自相关矩阵数据不全，则所述装置还包括数据补全单元，用于：在所述基于所述当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关矩阵之后，补全所述最新的自相关矩阵。11.一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，该程序被处理器执行时实现如权利要求1-7任一所述的方法。12.一种计算设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述存储器中存储的计算机程序以实现如权利要求1-7任一所述的基于隐私保护的虚拟电厂数据处理方法的步骤。

技术总结
一种基于隐私保护的虚拟电厂数据处理方法及装置，该方法包括：获取当前时刻下所采集到的当前节点的原始数据以及所接收到的当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据；基于当前节点发送的初始隐私保护后的数据和其它节点发送的隐私保护后的数据，构建最新的自相关估计矩阵；将零均值噪声投影到最新的自相关估计矩阵，得到最新的自相关估计噪声；将最新的自相关估计噪声添加到当前节点的原始数据中，得到当前时刻下当前节点的最终隐私保护后的数据。通过本发明实施例提供的方法及装置，解决了现有虚拟电厂不同信任域中的数据隐私问题，降低了由于数据加密造成的额外通信开销，有效确保了数据的隐私安全。隐私安全。隐私安全。


技术研发人员：左娟 刘海涛 吕广宪 杨红磊 寇凌峰 王文博
受保护的技术使用者：国网浙江省电力有限公司 国家电网有限公司
技术研发日：2022.02.15
技术公布日：2023/8/28