一种电力数据预测方法、装置及电子设备

本发明涉及数据处理，尤其涉及一种电力数据预测方法、装置及电子设备。

背景技术：

1、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。常见的电力数据预测方案包括回归分析(regression analysis)、灰色模糊预测(grey prediction)、长短期记忆神经网络(long short-term memory neural network)等等。这些预测方法在明文数据预测上都有着很好的预测结果。但由于电力数据的隐私性，将明文数据直接用于预测会造成电力数据信息泄露。

2、利用同态加密(homomorphic encryption)的性质，在密文上进行同态运算的结果解密后等同于明文直接进行对应同态运算的结果。这一性质使得在密文上直接进行预测成为可能。因此，如何在密文上对电力数据进行预测而不过度降低精确度成为了众多学者的研究方向。相比于直接在明文上进行预测，在密文上进行预测所遇到的问题包括密文数据语义丧失，难以用于计算，密文长度过长，以及加解密时间开销过大等。

3、随着基于同态加密的预测方案研究不断深入，基于同态加密的神经网络预测方案不断被提出。例如陈嘉翊等人提出的基于联邦学习和同态加密的电力数据预测模型本地保护，他采用lstm神经网络，将联邦学习与paillier半同态加密算法相结合，实现了对电力数据和本地模型参数的保护。虽然lstm能够捕捉到密文序列中的长期依赖关系，同时可自动提取特征。但是，lstm模型采用串行的方式处理数据，且同态密文比明文需要更长的预测时间，很可能需要难以接受的训练预测时间；此外因为同态加密通常仅支持有限次乘法，多次的重缩放会导致预测结果不可用。因此，密文预测领域的准确性和计算性能仍然存在挑战。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题，实现对电力数据准确、高效地密文预测，提供一种电力数据预测方法、装置及电子设备。

2、为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一种电力数据预测方法，包括：获取时间长度大于一个时间步长的电力数据时间序列，电力数据包括多维特征，将所述电力数据时间序列作为明文序列；基于全同态加密算法对明文序列进行加密获得密文序列；将密文序列输入训练好的预测模型，所述预测模型输出下一时间步长的密文预测结果；其中，预测模型包括依次连接的特征加权单元、线性层、卷积层、预测全连接层和输出层，所述特征加权单元基于注意力权重矩阵对密文序列中各维特征进行加权处理；基于全同态加密算法对密文预测结果进行解密获得下一时间步长的明文预测结果。

3、为了实现本发明的上述目的，根据本发明的第二个方面，本发明提供了一种电力数据预测装置，实现本发明第一方面所述的电力数据预测方法，包括：明文序列获取模块，用于获取时间长度大于一个时间步长的电力数据时间序列，电力数据包括多维特征，将所述电力数据时间序列作为明文序列；加密模块，基于全同态加密算法对明文序列进行加密获得密文序列；预测模块，将密文序列输入训练好的预测模型，所述预测模型输出下一时间步长的密文预测结果；其中，预测模型包括依次连接的特征加权单元、线性层、卷积层、预测全连接层和输出层，所述特征加权单元基于注意力权重矩阵对密文序列中各维特征进行加权处理；解密模块，基于全同态加密算法对密文预测结果进行解密获得下一时间步长的明文预测结果。

4、为了实现本发明的上述目的，根据本发明的第三个方面，本发明提供了一种电子设备，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明第一方面所述的电力数据预测方法。

5、为了实现本发明的上述目的，根据本发明的第四个方面，本发明提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如本发明第一方面所述的电力数据预测方法。

6、本发明的有益技术效果为：本发明利用全同态加密算法对电力数据时间序列进行加密，实现密文预测，确保了电力数据的隐私性和安全性；预测模型采用卷积神经网络结构，特征向量仅在卷积层中进行了一次同态乘法，只需要进行一次重缩放，大大保证了密文的计算速度和可用性(由于随着重缩放次数的增加，准确度会逐渐降低，最终导致数据不可用)；在预测模型中采用特征加权单元基于注意力权重矩阵对密文序列中各维特征进行加权处理，使预测模型更倾向于权重高的特征，以得到更准确的预测结果。

技术特征：

1.一种电力数据预测方法，其特征在于，包括：

2.如权利要求1所述的电力数据预测方法，其特征在于，所述注意力权重矩阵通过训练权重神经网络获得，包括：

3.如权利要求2所述的电力数据预测方法，其特征在于，所述特征加权单元基于注意力权重矩阵对密文序列中各维特征进行加权处理，具体为：

4.如权利要求1或2或3所述的电力数据预测方法，其特征在于，所述线性层对特征加权单元输出的加权特征数据按照如下公式进行特征变换：

5.如权利要求4所述的电力数据预测方法，其特征在于，所述卷积层使用一维卷积，卷积核k的大小为(1，f,1)，f是电力数据的特征维数，卷积层的操作为：z′＝z×k；

6.如权利要求5所述的电力数据预测方法，其特征在于，所述预测全连接层对卷积层的输出特征的展平结果进行如下处理：

7.如权利要求1或2或3或5或6所述的电力数据预测方法，其特征在于，所述全同态加密算法为改进的ckks同态加密算法，在改进的ckks同态加密算法中基于快速傅里叶变换进行密文之间相乘。

8.如权利要求7所述的电力数据预测方法，其特征在于，第一密文和第二密文相乘操作过程为：

9.一种电力数据预测装置，实现如权利要求1-8之一所述的电力数据预测方法，其特征在于，包括：

10.一种电子设备，其特征在于，所述电子设备包括：

技术总结
本发明提供了一种电力数据预测方法、装置及电子设备。电力数据预测方法包括：获取电力数据时间序列作为明文序列；基于全同态加密算法对明文序列进行加密获得密文序列；将密文序列输入训练好的预测模型输出下一时间步长的密文预测结果；预测模型包括依次连接的特征加权单元、线性层、卷积层、预测全连接层和输出层，特征加权单元基于注意力权重矩阵对密文序列中各维特征进行加权处理；对密文预测结果进行解密获得下一时间步长的明文预测结果。实现了密文预测，确保电力数据的隐私性和安全性；预测模型的卷积层仅执行一次密文乘法，提高了密文计算速度和可用性；特征加权单元使预测模型更倾向于权重高的特征，以便得到更准确的预测结果。

技术研发人员：艾逸明,胡春强,陈禹硕,张苏鹏,夏晓峰,蔡斌
受保护的技术使用者：重庆大学
技术研发日：
技术公布日：2024/1/13