一种基于联邦学习的能源大数据安全保护方法与流程

本技术涉及密钥优化处理，具体涉及一种基于联邦学习的能源大数据安全保护方法。

背景技术：

1、随着能源行业的数字化转型和大数据的广泛应用，能源大数据的安全性和隐私保护成为亟待解决的重要问题。传统的数据管理方法往往难以有效应对分布式、多源的电力大数据，而在这个背景下，基于联邦学习的方法为分布式的能源大数据提供隐私安全的机制，其目的在于解决数据的协作和隐私保护问题，这一方法不仅满足了当前电力大数据管理的紧迫需求，同时为未来能源领域的智能化、安全化发展提供了强有力的技术支持，助推能源行业朝着更加安全、高效、可持续的方向迈进。

2、然而，联邦学习的成功依赖于各方的合作和信任，如果有一方恶意参与或者存在安全漏洞，可能影响整个系统的安全性。且联邦学习采用了差分隐私等技术来保护数据隐私，这种方法会引入额外的噪声，在敏感较高的任务中无法兼顾模型准确性以和对隐私数据的保护，需要对此进行改进。

技术实现思路

1、为了解决上述技术问题，本发明提供一种基于联邦学习的能源大数据安全保护方法，以解决现有的问题。

2、本发明的一种基于联邦学习的能源大数据安全保护方法采用如下技术方案：

3、本发明一个实施例提供了一种基于联邦学习的能源大数据安全保护方法，该方法包括以下步骤：

4、获取各采集周期的能源数据；基于监测的系统性能以及设备管理数据构建各采集周期的系统能源监控数据矩阵以及电网设备监控数据矩阵；

5、将系统能源监控数据矩阵和电网设备监控数据矩阵每行数据均转换为频域信号，根据频域信号在每行数据之间的整体频率-幅度对应关系分别构建第一平均频域信号和第二平均频域信号；基于两个平均频域信号的平稳运行过程以及互相关关系获取频域信息；根据频域信息获取两个矩阵之间的运行性能同步指数；

6、对于系统能源监控数据矩阵每行数据，根据每行数据与预测之后的差异程度获取聚类后各聚类簇的异常模式影响；根据各异常点与所属聚类簇整体的数值位置分布差异以及各聚类簇的异常模式影响获取每行数据的异常模式影响因子；结合两个矩阵之间的运行性能同步指数以及系统能源监控数据矩阵每行数据的异常模式影响因子构建两个矩阵之间的整体异常互影响因子；

7、基于整体异常互影响因子以及预设密钥长度阈值确定密钥长度，将各采集周期的能源数据根据对应周期的密钥长度进行加密得到密文数据，将所有周期的密文数据进行整合并上传服务器，实现能源大数据的加密优化。

8、优选的，所述基于监测的系统性能以及设备管理数据构建各采集周期的系统能源监控数据矩阵以及电网设备监控数据矩阵，包括：

9、将监测系统性能的各种类数据的数据序列组成系统能源监控数据矩阵；所述各种类数据包括但不限于：电力负荷数据、电网状态数据以及能源生产数据；

10、将电网各设备在不同采集时刻的压力、温度数据分别作为电网设备监控数据矩阵各行向量，其中，同一设备不同采集时刻的压力、温度数据在电网设备监控数据矩阵中为相邻的两个行向量。

11、优选的，所述将系统能源监控数据矩阵和电网设备监控数据矩阵每行数据均转换为频域信号，包括：

12、采用快速傅里叶变换分别将系统能源监控数据矩阵、电网设备监控数据矩阵中的每行数据转换为频域信号。

13、优选的，所述根据频域信号在每行数据之间的整体频率-幅度对应关系分别构建第一平均频域信号和第二平均频域信号，包括：

14、对于系统能源监控数据矩阵，将所有行之间具有相同频率的幅度计算幅度均值，将所有频率的幅度均值按照频率从小到大组成系统能源监控数据矩阵的平均频域信号，记为第一平均频域信号；

15、采用与系统能源监控数据矩阵的平均频域信号相同的计算方法构建电网设备监控数据矩阵的平均频域信号，记为第二平均频域信号。

16、优选的，所述基于两个平均频域信号的平稳运行过程以及互相关关系获取频域信息，包括：

17、获取两个平均频域信号的功率谱密度，分别记为第一功率谱密度和第二功率谱密度；

18、将两个矩阵的平均频率信号采用逆傅里叶变换得到互相关函数；获取互相关函数的峰值。

19、优选的，所述根据频域信息获取两个矩阵之间的运行性能同步指数，包括：

20、对于矩阵在时域信号下的各采样频率，计算第一功率谱密度与第二功率谱密度在各采样频率下数值的比值；将1与所述比值的差值绝对值的相反数作为指数、将自然常数作为底数构建第一指数函数；计算所有采样频率的所述第一指数函数的计算结果的均值；

21、将所述峰值的相反数作为指数、将自然常数作为底数构建第二指数函数；将所述第二指数函数的计算结果与所述均值的乘积作为两个矩阵之间的运行性能同步指数。

22、优选的，所述根据每行数据与预测之后的差异程度获取聚类后各聚类簇的异常模式影响，包括：

23、采用arima模型对每行数据每个时刻的数据进行预测得到各预测值；计算各时刻数据点的实际值与预测值之间的残差，当数据点的残差大于预设阈值时，将数据点标记为异常点；

24、将每行数据进行聚类得到各聚类簇；获取各聚类簇内的元素数量和异常点数量；将异常点数量与元素数量的比值作为第一比值；获取各聚类簇内的元素数据均值和异常点数据均值；将异常点数据均值与元素数据均值的比值作为第二比值；

25、将1与第二比值的差值，乘以第一比值的计算结果作为各聚类簇的异常模式影响。

26、优选的，所述根据各异常点与所属聚类簇整体的数值位置分布差异以及各聚类簇的异常模式影响获取每行数据的异常模式影响因子，包括：

27、获取各异常点所属聚类簇内的元素数据均值、最大索引、最小索引；

28、对于每行数据的各异常点，计算最大索引与最小索引差值的一半；计算异常点索引与差值的一半的差值绝对值；计算差值绝对值与预设调节参数的和值；计算异常点数值与元素数据均值的差值作为第一差值；计算第一差值与和值的比值；

29、对于每行数据的各聚类簇，计算各聚类簇的异常模式影响与各异常点的比值的乘积，将每行数据的所有聚类簇与所有异常点之间的所述乘积的和值作为每行数据的异常模式影响因子。

30、优选的，所述结合两个矩阵之间的运行性能同步指数以及系统能源监控数据矩阵每行数据的异常模式影响因子构建两个矩阵之间的整体异常互影响因子，包括：

31、计算系统能源监控数据矩阵所有行数据的异常模式影响因子的和值；将所述和值与两个矩阵之间的运行性能同步指数的乘积的归一化值作为两个矩阵之间的整体异常互影响因子。

32、优选的，所述基于整体异常互影响因子以及预设密钥长度阈值确定密钥长度，包括：

33、当整体异常互影响因子大于0且小于等于第一预设长度阈值时，将密钥长度设置为128；当整体异常互影响因子大于第一预设长度阈值且小于等于第二预设长度阈值时，将密钥长度设置为192；当整体异常互影响因子大于第二预设长度阈值且小于等于1时，将密钥长度设置为256；其中，所述第一预设长度阈值小于第二预设长度阈值。

34、本发明至少具有如下有益效果：

35、本发明通过对监测的电力能源大数据的各种数据进行分析，综合采集多源数据使得溯源方法更具全面性、实用性，为电力能源大数据的处理提供更强力的支持；通过将两个矩阵从时域信号转换到频域信号，基于频域信号的特征获取两个矩阵之间的运行性能同步指数，通过分析两个矩阵在频域信号中的表现，挖掘两种不同类型数据组之间的共同频率成分以及时间延迟，从而构建能源大数据变化的特征，用于度量矩阵之间运行的相似情况，协助判断密钥长度的选择，使得改进密钥长度的过程更加全面；

36、通过对系统能源监控数据矩阵中每行数据的聚类后的异常点的密度分布进行分析，根据聚类簇内异常点的聚集、偏离程度因素衡量异常事件的发生情况，将系统能源监控数据矩阵中的每行数据的综合影响表示出来，即通过每行数据的异常数据反映的异常模式得到每行数据的影响程度因素；本发明将矩阵之间的运行性能同步指数与系统能源监控数据矩阵中每行数据的异常模式影响因子结合起来，共同构建整体异常互影响因子，用来表示矩阵之间的整体异常互影响的概率，揭示两个矩阵发生协同变化的概率情况，挖掘矩阵之间数据变化状态同步表现；本发明通过整体异常互影响因子的大小，改进加密算法的密钥长度，使其可以根据整体数据发生异常事件的情况自适应调整，增强了算法的鲁棒性与安全性，同时确保在基于联邦学习的过程中，不会轻易泄露个别子服务器的敏感信息，保障能源大数据安全。