凡 航，徐 葳，范曉昱，王云河

（1.清華大學五道口金融學院,北京市 100084；2.清華大學交叉信息研究院,北京市 100084；3.華控清交信息科技（北京）有限公司,北京市 100084）

0 引言

隨著“雙碳”政策的實施,能源行業(yè)進行數字化轉型、構建以新能源為主體的新型電力系統(tǒng)勢在必行［1］。新型電力系統(tǒng)是以創(chuàng)新為根本驅動力、以數智化為關鍵手段的新一代電力系統(tǒng)。它通過推動電力生產、傳輸、消費、儲蓄各環(huán)節(jié)的電力流、信息流、價值流的融會貫通和綜合調配,建成綠色低碳、安全可控、經濟高效、柔性開放、數字賦能的電力系統(tǒng)［2］。

在建設新型電力系統(tǒng)進行的數智化過程中,日益增加的傳感器設備使得數據量快速增長,豐富的電網大數據為數據挖掘提供了充分的資源,使得先進的人工智能算法在電網新能源功率預測［3］、負荷預測［4］、設備故障監(jiān)測［5］等全產業(yè)鏈多場景中得到了廣泛且深入的應用。在電網形態(tài)方面,相比于傳統(tǒng)電力系統(tǒng)單級逐級輸電為主的模式,新型電力系統(tǒng)包含交直流混聯(lián)大電網、微電網、局部直流電網和可調節(jié)負荷,其參與主體更加多元化。因為形態(tài)的特點,在運行特性上,相比于傳統(tǒng)電網一體化控制的模式,新型電力系統(tǒng)涉及源-網-荷-儲的動態(tài)實時交互和協(xié)調,其中也涉及多參與主體之間的數據交互。

數據的安全性和經濟性日益受到重視,數據要素化也被列入頂層設計,倡導基于開放、市場化、流通的數據創(chuàng)新創(chuàng)業(yè)。2019 年10 月,《中共中央關于堅持和完善中國特色社會主義制度 推進國家治理體系和治理能力現(xiàn)代化若干重大問題的決定》［6］提出了健全勞動、資本、土地、知識、技術、管理、數據等生產要素由市場評價貢獻、按貢獻決定報酬的機制。2020 年7 月,全國人大審議通過了《中華人民共和國數據安全法（草案）》［7］,鼓勵數據依法、合理、有效利用,保障數據依法有序自由流動,促進以數據為關鍵要素的數字經濟發(fā)展,增進人民福祉。而在能源行業(yè),文獻［8］也對能源互聯(lián)網中數據交易的架構和關鍵技術進行了系統(tǒng)性總結和討論。南方電網也在2021 年2 月推出并發(fā)布了《中國南方電網有限責任公司數據資產定價方法（試行）》［9］,對電力數據資產的基本特征、產品類型、成本構成、定價方法和相關費用標準進行了整理和總結。

在數據流通使用和數據資產化的過程中,會直接涉及數據隱私泄露的風險。按照傳統(tǒng)的電網大數據挖掘方式,如果直接將數據進行共享,那么不可避免地會造成數據的濫用。2016 年4 月14 日,歐洲議會投票通過了General Data Protection Regulation（通用數據保護條例,GDPR）,該法案于2018 年5 月25 日正式生效,旨在對隱私數據進行保護,并規(guī)范數據的使用方式。2022 年12 月19 日,中共中央國務院也發(fā)布了《關于構建數據基礎制度更好發(fā)揮數據要素作用的意見》［10］,強調了建立安全可控、彈性包容的數據要素治理制度。作為一種與國家安全和經濟發(fā)展緊密關聯(lián)的數據,電網數據在使用上具有更嚴格的限制,以確保不會發(fā)生信息泄露等威脅國家安全的事件［11］。保證新型電力系統(tǒng)的數據安全,是新型電力系統(tǒng)網絡安全防護的重要環(huán)節(jié)［12］。

上述法律法規(guī)的相關要求雖然保證了數據安全,但從一定程度上限制了數據的流通和信息的挖掘。隱私計算技術,作為一種能夠實現(xiàn)數據“可用而不可見”的方法,通過對數據的加密處理,能夠在挖掘數據本身信息的同時不泄露數據,在金融、醫(yī)療等對信息安全要求很高的場景中得到了廣泛應用。能源行業(yè)也逐漸開展了一些利用隱私計算技術進行探索的應用,但隱私計算作為一種涉及密碼學、數論、博弈論和計算機科學等多學科交叉融合和衍生的方法與技術,在新型電力系統(tǒng)的實際應用中存在一定的困難。為此,本文對常見的隱私計算技術進行了闡述,總結了隱私計算技術在電網場景中的應用現(xiàn)狀,并對其應用趨勢和未來發(fā)展進行了展望和建議,希望能給后續(xù)隱私計算的研發(fā)以及電網數字化的推行提供一些參考,從而促進“雙碳”政策實施中數據的安全、高效流通。

1 隱私計算的基本概念

人工智能、區(qū)塊鏈、云計算和大數據技術的發(fā)展,不僅對電網的安全穩(wěn)定經濟運行方式帶來了革命性的改變,其數據量的積累和分析能力的增強也帶來了隱私泄露的風險。隱私計算技術,通常也稱隱私保護計算技術,是指在保護數據不對外泄露的情況下實現(xiàn)數據聯(lián)合分析的技術集合［13-14］。通常情況下,隱私計算技術根據其信任基礎的不同可以分為3 部分的內容,如圖1 所示,分別為以多方安全計算（secure multi-party computation,MPC）為代表的密文計算、以聯(lián)邦學習為代表的明文類計算以及可信執(zhí)行環(huán)境（trusted execution environment,TEE）等［14］?；诿艽a學方法信任的基礎是密碼學理論,一般都有嚴格的數學和密碼學理論保證數據的安全性和計算結果的正確性,可實現(xiàn)密文下的無損計算?；诮y(tǒng)計學安全的方法來源于統(tǒng)計學習和分布式機器學習的實踐過程,但通過統(tǒng)計學的推斷依然存在一定的數據泄露風險,在實際使用中一般需要與密碼學方法及可信執(zhí)行環(huán)境相結合?；诳尚庞布姆椒ㄖ饕蕾囉谟布目尚旁O計。

圖1 隱私計算技術的相關內容Fig.1 Contents related to privacy-preserving computation technologies

1.1 基于密碼學安全的隱私計算方法

基于密碼學的隱私計算算法主要包括同態(tài)加密和MPC 等。同態(tài)加密是一種經典的保護數據隱私的加密方法,它通過直接對明文進行加密,在密文下進行各種運算,最后得到結果的密文。同態(tài)加密根據是否支持無限次數的任意同態(tài)操作的程度,可以分 為 全 同 態(tài)（fully homomorphic）、特 定 同 態(tài)（somewhat homomorphic）和 半 同 態(tài)（partially homomorphic）［15-16］。同態(tài)加密可在無須解密的情況下對密文結果進行任意計算,但是一般而言,根據IBM 在2018 年發(fā)布的同態(tài)加密算法庫,在運算速度上明文要比同態(tài)加密快100 萬倍,故計算速度制約了同態(tài)加密的應用［17］。

MPC 技術包含秘密分享、不經意傳輸和混淆電路等多種技術,主要來源于姚期智院士在1982 年提出并解答的“百萬富翁問題”［18］。1986 年,姚院士又提出混淆電路理論,成為首個通用的MPC 方案［19］。

近年來,隨著對各類技術方案的進一步優(yōu)化,MPC 已到達實際應用階段。在2012 年,文獻［20］針對實際應用的需求,對SPDZ 協(xié)議進行一定程度優(yōu)化,并提出了SPDZ-2 方案。而2014 年文獻［21］所提出的free-XOR 技術與2015 年文獻［22］所提出的半門（half-gates）技術,則進一步降低了混淆電路方案的通信量。到了最近的2018 年,文獻［23］提出PrivPy 技術方案,在總結前人技術積累基礎上進行了自主創(chuàng)新,支持模塊化開發(fā)和高精度實數計算,進一步提升了計算效率,密文下計算速度僅比明文下慢1～2 個數量級?；贛PC 的相關協(xié)議可開發(fā)相關的場景應用,具體原理如圖2 所示。

圖2 基于MPC 的平臺設計和場景應用Fig.2 Platform design and scenario applications based on MPC

1.2 基于統(tǒng)計學安全的隱私計算方法

基于統(tǒng)計學安全的方法主要包括聯(lián)邦學習和差分隱私方法等。其中,聯(lián)邦學習是最為典型和常見的方法。聯(lián)邦學習是2016 年由Google 提出的一種分布式機器學習方法［24］,能夠讓多個互不信任的訓練數據提供方在不交換原始數據的情況下,通過交換梯度或參數等中間計算結果協(xié)同訓練機器學習模型。根據參與方間的數據分布不同,一般把聯(lián)邦學習分為橫向聯(lián)邦、縱向聯(lián)邦和聯(lián)邦遷移3 種:橫向聯(lián)邦主要用于業(yè)態(tài)相同或相似的雙方間進行樣本聯(lián)合,參與各方數據中特征重疊多,但用戶數重疊較少；縱向聯(lián)邦主要用于業(yè)態(tài)不同但用戶相同或相似的雙方間進行特征聯(lián)合,參與各方數據中特征重疊少,但用戶重疊較多；聯(lián)邦遷移主要用于業(yè)態(tài)和用戶均交集較少的雙方間的前移學習,參與各方數據中特征和用戶的重疊均較少。但由于在2019 年,文獻［25-26］研究證明聯(lián)邦學習過程中交換的梯度或參數可被用來推斷甚至恢復原始數據信息,當前,交換過程通常需采用基于密碼學的技術（如MPC）或同態(tài)加密技術來規(guī)避這些風險。

差分隱私是一種通過在原始數據中添加噪聲從而對數據進行加密的方法［27］。通常情況下,適用于對數據擾動不太敏感的場景［28］。

1.3 基于硬件安全的方法

基于硬件安全的方法一般是指可信執(zhí)行環(huán)境。可信執(zhí)行環(huán)境是基于硬件機制的物理隔離,采用硬件倒沙盒（enclave）模型保證數據和計算的安全性和完整性。在計算過程中,參與計算的數據以加密形式進入可信執(zhí)行環(huán)境,并解密為明文進行計算。因此,可信執(zhí)行環(huán)境的硬件隔離保證了環(huán)境內部明文數據和計算邏輯的安全以及結果的準確性,但可信執(zhí)行環(huán)境的容量限制及數據出入環(huán)境時的加密和解密過程對整體計算性能有一定的損耗。

從安全角度考慮,可信執(zhí)行環(huán)境能為數據提供強大的硬件安全容器,但其安全性和可控性仍有待進一步論證。一方面,可信執(zhí)行環(huán)境關于安全的可信性主要建立在對技術和硬件提供方的信任基礎之上,但目前相關技術和硬件多依賴于IBM、ARM 等境外企業(yè),其安全性和可控性尚不明晰；另一方面,基于2020 年Khandaker 等的研究［29］,可信執(zhí)行環(huán)境的軟件架構設計若存在缺陷,將會導致嚴重的數據泄露風險。通用性方面,可信執(zhí)行環(huán)境的運行需要獲得硬件提供商的授權,在場景應用方面有所受限。

1.4 隱私計算的技術特點與適用場景

不同隱私計算方法的安全性包含了不同的安全假設,在不同假設下算法的計算性能也有著較大的差異?；诿艽a學的方法可以在密文下進行接近無損的計算,通用性較高,可適用于查詢統(tǒng)計和機器學習等多個場景,但計算速度相對較慢。基于統(tǒng)計學安全的隱私計算方法,作為一種計算精度上有損失的隱私計算方法,在計算速度上較快。為了提升聯(lián)邦學習等統(tǒng)計學方法的安全性,通常還會與同態(tài)加密和MPC 技術相結合?；谟布踩姆椒ㄓ嬎氵^程與明文具有一定的相似性,但安全性主要依賴于Intel 等公司的硬件。而在具體方案的選擇上,還需要結合具體場景對于計算速度、精度以及經濟性的需求進行綜合考量。

在應用隱私計算并進行場景驗證時,往往需要利用隱私計算框架輔助實現(xiàn)加密功能。而隱私計算框架往往包含了密碼學安全方法、統(tǒng)計學安全方法和硬件安全方法等多種技術,基于底層的密碼學協(xié)議進行封裝,提供通用的隱私求交、隱匿查詢、聯(lián)合統(tǒng)計和聯(lián)合建模等功能和接口。開發(fā)者可在此基礎上調用相關接口結合領域知識進行開發(fā)。當前,適合進行隱私計算開發(fā)的框架也較多,較為經典的有國 外 開 源 組 織OpenMined 提 供 的PySyft［30］,Google公司在其人工智能框架上開源的Tensorflow Federated［31］,以 及Facebook 公 司 在PyTorch 基 礎上開源的Crypten［32］。國內機構也相應推出了隱私計算相關平臺和計算環(huán)境。例如,騰訊微眾銀行提供的FATE 環(huán)境［33］、清華大學團隊研發(fā)的PrivPy 工具箱［23］,以及螞蟻集團開源的Secretflow等產品。

本文將在第2 章針對不同主體,對常見應用場景按照所采用的不同隱私計算方案進行討論。

2 隱私計算在新型電力系統(tǒng)中的應用現(xiàn)狀分析

隨著能源行業(yè)對于隱私數據的重視,在進行數據分析時考慮用戶的隱私已經逐漸成為一種趨勢,故在隱私保護方面也有了一些相關研究。根據隱私計算在電力系統(tǒng)中應用主體的不同,可將其分為4 類:發(fā)電側的應用、輸電網側的應用、用電側的應用、儲能側的應用。各主體之間連接緊密,如圖3所示。

圖3 新型電力系統(tǒng)多主體示意圖Fig.3 Schematic diagram of multi-agent in new power system

而在每一類新型電力系統(tǒng)的主體中,也存在多個應用場景。例如,在發(fā)電側的應用包含新能源功率預測、新能源數據的分布建模以及發(fā)電的競價交易等；在輸電側的應用包含電力系統(tǒng)多能源系統(tǒng)優(yōu)化調度和最優(yōu)潮流等；在用電側的應用包含用戶行為特征分析、碳排放估計、電動汽車的規(guī)劃等。通過文獻收集與整理,本文在2.1 至2.3 節(jié)對當前常見的應用場景按照前述隱私計算技術類型進行了詳細總結,并將結果整理在了表1 中。需要說明的是,新型電力系統(tǒng)中各主體間數據交互日益頻繁和復雜,難以窮盡相關應用,且多種技術之間也存在著交叉和組合。因此,本文的主要目的在于通過一些經典場景的分析,盡可能地總結出隱私計算在新型電力系統(tǒng)中應用的特點和規(guī)律。

表1 隱私計算技術在新型電力系統(tǒng)中的應用Table 1 Applications of privacy-preserving computation technologies in new power system

2.1 基于密碼學安全的應用場景

2.1.1 同態(tài)加密

同態(tài)加密,因其可直接在密文上進行與明文上等效的操作,更容易被使用者所理解。有部分研究者將其應用于電網領域,這類應用一般是小規(guī)模數據量,并且沒有高實時性要求。例如,文獻［33］使用Fan-Vercauteren 特定同態(tài)實現(xiàn)了激活函數和神經網絡,并在由10 戶家庭組成的小公寓綜合體上驗證了預測性能,通過相關改進,可以在30 s 內得到預測結果,而且可通過并行計算技術將預測時間縮短到4 s 以內。但由于同態(tài)加密復雜的計算量及國內外相關標準的缺失,在電力系統(tǒng)中的直接應用相對較少。

同態(tài)加密除直接應用于數據的聯(lián)合建模運算以外,還常與聯(lián)邦學習方法相結合,用于聯(lián)邦學習中梯度傳遞過程的加密,以及強化模型數據的隱私。文獻［34］提出一種模糊k-means 方法并用于智能電表的數據分析和聚類,為了保護數據隱私,各電表間在傳遞梯度和交換信息時采用了全同態(tài)方法進行加密。文獻［35］采用縱向聯(lián)邦學習的思路并融合中國移動和電網公司的數據用于負荷預測,其中,為了增強聯(lián)邦學習梯度傳遞的安全性,采用Paillier 半同態(tài)加密的方法進行保護。文獻［36］采用了基于容錯學習（learning with error,LWE）的格同態(tài)密碼算法,用于中小型電網的數據共享和聚合,并采用了后量子隱私數據聚合方案,用于中大型電網的數據聚合。

2.1.2 MPC

MPC 因其安全性及相對于同態(tài)加密在計算效率上的明顯優(yōu)勢,在電力系統(tǒng)中得到了較為廣泛的應用。業(yè)界通常將MPC 的應用場景分為隱私求交、隱匿查詢、聯(lián)合統(tǒng)計和聯(lián)合建模等,而這4 類場景在新型電力系統(tǒng)中均有著豐富的應用。

隱私求交是指多方參與者在不共享原始數據的情況下求解相應的數據交集,而隱匿查詢是一種不對外泄露查詢條件和查詢結果的隱私計算技術。二者通常廣泛應用于電網數據和銀行、政府等外部數據的交互查詢過程。當前,由于智能電表被大量裝設,電網能夠獲取到居民用戶以及企業(yè)用戶較為精細化的用電數據,通過對這些用電數據和電費繳納情況進行建模,能夠對居民生活習慣、企業(yè)經營狀況等進行一定程度的了解［37］,相關結果可用于銀行的風控及保險定價等,如圖4 所示。然而,直接對居民和企業(yè)用戶的用電量數據進行分析會侵犯居民和企業(yè)用戶的相關隱私。因此,用電行為的特征分析可采用隱私計算的方法進行解決。國網浙江省電力有限公司利用MPC 技術與地方農業(yè)局合作,精準靶向定位閑置農房。國網河北省電力有限公司完成了電力側至政府側云端隱私計算平臺,從而助力政府對企業(yè)生產經營狀況的把控。相關場景采用MPC 的意義在于,銀行和政府部門可在不獲取原始用電數據和特征的情況下,實現(xiàn)對居民、企業(yè)的肖像刻畫。文獻［38］通過對兩方安全計算的協(xié)議進行改進,提出了適應于兩方數據安全聚合和查詢的高效解決方案。

圖4 基于電網用電數據的銀行風控Fig.4 Bank risk control based on electricity consumption data of power grid

聯(lián)合統(tǒng)計是指在不暴露各方隱私的情況下實現(xiàn)統(tǒng)計功能,可應用于新能源發(fā)電集群內不同電站發(fā)電量的統(tǒng)計和排序等。在電力系統(tǒng)中應用最為廣泛的是聯(lián)合建模的場景,通常在新能源功率預測、多能源系統(tǒng)建模和共享儲能等場景中有著較為廣泛的應用。

對新能源進行準確的功率預測,對于電網調度和新能源消納都具有重要意義［39］。當前,新能源的接入多以集群的形式存在,新能源的時空相關性對于預測精度的提升非常重要。以風電場功率預測為例,當前的風電場功率預測多依賴于風電場本身的數據,但相鄰風電場的功率和風速具有較為強烈的時間和空間上的相關性,通過利用其時空相關性可以提升預測的精度?？紤]到相鄰風電場可能屬于不同的運營主體,且由于政策法規(guī)和運營規(guī)則的限制,無法直接對其數據進行共享。因此,可以采用隱私計算的方法,實現(xiàn)新能源數據的“可用而不可見”,在此基礎上,聯(lián)合訓練風電場的功率預測模型［39-40］。文獻［41］采用MPC 構建了一種縱向XGBoost 方法,能夠聯(lián)合多個風電場利用時空相關性訓練模型,提升預測的精度。

基于開源框架MPyC,文獻［42］提出一種MPC和分布式優(yōu)化相結合的方法,可用于多個分區(qū)電網在保護各自區(qū)域內狀態(tài)數據隱私的情況下進行聯(lián)合經濟調度。該方法采用MPC 技術所帶來的計算開銷可以接受,在全密文環(huán)境下求得多能源系統(tǒng)的優(yōu)化問題的最優(yōu)解是可行的,相關方法具有高度的可拓展性,可拓展到多能源系統(tǒng)的能量管理等領域。文獻［43］提出一種基于MPC 的二次規(guī)劃求解算法,可在保護數據隱私的情況下應用于含網絡約束的P2P 能源交易出清結果計算。

在共享儲能的調配方面,隨著新能源的逐漸接入,新型電力系統(tǒng)中儲能容量也會大量增加,對多個儲能系統(tǒng)進行聯(lián)合調配能夠顯著增加電網運行的安全性和經濟性,故出現(xiàn)了共享儲能的商業(yè)模式?？紤]到儲能的聯(lián)合調控需要各個主體間的用電需求數據和儲能狀態(tài)信息共享,而儲能可能屬于不同甚至相互競爭的運營主體。因此,隱私保護方面的考慮也制約了儲能聯(lián)合調控的發(fā)展。文獻［44］采用MPC 和區(qū)塊鏈技術在保護數據隱私的情況下實現(xiàn)了共享儲能。

2.1.3 其他加密方法

密碼學是一個廣闊的分支,除同態(tài)加密和MPC以外,也存在矩陣加密等多種保護數據隱私的方法。文獻［45］采用Lasso-VAR 的方法進行了風電場集群的超短期功率預測,并采用交替方向乘子法（alternating direction method of multipliers,ADMM）對模型進行求解。在求解過程中,同樣采用加密矩陣變換的方法保證各個風電場之間通信的數據隱私。但在聯(lián)合預測時,用到的模型為線性模型,沒有很好地考慮風電場功率預測中的非線性特征。當前,考慮隱私的非線性風電場功率預測方法分為采用分布式機器學習和聯(lián)邦學習的方法,但由于梯度傳遞等原因,其在保護隱私方面不夠徹底,需要有更加高效且安全的方法,能在保留風電功率預測模型高精度的同時對原始數據進行保護。文獻［46］提出一種基于模型線性映射的信息偽裝算法,在線性優(yōu)化、二次規(guī)劃和混合整數二次規(guī)劃問題上具有較好的擴展性。文獻［47］采用一種外包加密的方法用于智能電網中邊緣計算數據的保護和共享。文獻［48］提出一種基于概率公鑰加密算法和區(qū)塊鏈架構的電力業(yè)務交易數據的隱私保護方法。文獻［49］提出一種分布式優(yōu)化方法用于跨區(qū)跨省交易的最優(yōu)潮流模型,可以有效避免集中式求解最優(yōu)潮流方法的隱私泄露風險。文獻［50］設計了面向海量靈活性資源的兩階段分布式共識算法,可在保護數據隱私的同時,實現(xiàn)海量資源的靈活性調度。

2.2 基于統(tǒng)計學安全的應用場景

2.2.1 聯(lián)邦學習

聯(lián)邦學習主要起源于分布式機器學習理論,因此,在電力系統(tǒng)中的機器學習場景,如負荷預測和負荷數據分析、新能源預測及新能源場景生成等多個場景中應用非常廣泛。

文獻［51］提出將聯(lián)邦學習用于智能電網,并采用聯(lián)邦學習的方法對負荷進行預測。傳統(tǒng)的居民用電量預測是將數據收集在一起,采用集中式的方法和深度學習進行預測,這類方法雖然預測精度高,但也造成了用戶隱私的泄漏。因此,該論文采用了邊緣計算和聯(lián)邦學習相結合的方法。文獻［35］主要對智能電網中的聯(lián)邦學習技術進行了總結,介紹了通用的橫向聯(lián)邦學習和縱向聯(lián)邦學習,并單獨針對橫向聯(lián)邦學習和縱向聯(lián)邦學習在電網中的應用進行了闡述。在橫向聯(lián)邦學習中,采用了長短期記憶（long short-term memory,LSTM）網絡和聯(lián)邦學習相結合的方法進行了電量預測。在縱向聯(lián)邦學習應用中,拼接了國家電網有限公司和中國移動的數據用于電量的預測。在利用用電數據對電力系統(tǒng)用戶的用電行為進行分析時,考慮到不同的智能電表屬于不同的用戶,可能不便于直接共享相關數據,文獻［52］提出了聯(lián)邦學習的解決方法,能夠在保護用戶隱私的情況下進行主成分分析。文獻［53］提出一種在聯(lián)邦學習框架下計算信息熵的方法,用于用電異常數據的檢測。文獻［54-55］采用聯(lián)邦學習方法分別用于電網的入侵檢測和車聯(lián)網（vehicle to grid,V2G）網絡中的分布式拒絕服務（distributed denial of service,DDoS）攻擊檢測場景。文獻［56］總結了聯(lián)邦學習在電網用電數據分析中的場景和應用。

文獻［57］采用橫向聯(lián)邦學習的方法設計了保護風電場隱私的風速預測方案,并采用多輸入內積函數加密的方法進一步保護梯度數據的隱私。在保護隱私的情況下進行新能源集群的功率預測是一個經典的涉及多方數據交互的場景,如圖5 所示,但該場景對精度要求相對較高。因此,該場景應該更多地采用聯(lián)邦學習和MPC 等無損的加密方法去平衡精度和計算時間,如果采用差分隱私方法在原始數據中添加噪聲,反而會造成精度的下降。同時,在聯(lián)邦學習中對多個風電場數據進行聯(lián)合建模與預測時,為消除數據分布差異帶來的精度問題,往往會采用個性化聯(lián)邦學習的方法［58］。

圖5 考慮數據隱私的分布式預測算法Fig.5 Distributed prediction algorithm considering data privacy

新能源的場景生成在新能源系統(tǒng)的調度和決策中具有重要的意義。通常,為了更好地生成新能源場景,需要利用多個新能源場站的數據。為了保護風電場數據的隱私,文獻［59］對高斯混合模型（Gaussian mixture model,GMM）進行了改進,使之也能在獲取各個風電場數據分布的同時,保護數據隱私。文獻［60］討論了如何利用多個新能源場站的數據結合聯(lián)邦學習的方法,提取多個新能源場站間的時空相關性,從而進行場景生成。該場景同樣對計算結果的精度要求較高。因此,也多采用聯(lián)邦學習、MPC 等能夠實現(xiàn)無損計算的方法。

聯(lián)邦學習在應用場景中還常與強化學習和遷移學習相結合。文獻［61］設計了一種聯(lián)邦強化學習的方法,能夠在保護數據隱私的情況下,采用強化學習對樓宇間的儲能裝置進行調控。

2.2.2 差分隱私

差分隱私的方法主要用于明文數據中,在不過度影響數據分析準確度的情況下,通過添加相關的噪聲來保護數據的隱私,其實施方法具有便捷性,但不適用于對輸入數據精度要求較高的場景。

用戶用電行為的分析多為分類問題,對輸入數據具有一定的魯棒性,因此,采用差分隱私的方法對數據進行加密在用戶行為分析中有較多應用［62］。文獻［62］主要討論了非侵入式分解技術中的隱私保護技術。論文不僅討論了在基于壓縮感知的框架下,通過采用差分隱私的方法進行非侵入式負荷監(jiān)測（non-intrusive load monitoring,NILM）分解,而且討論了差分隱私中的參數ε對于NILM 分解的精度。文獻［63］提出一種差分隱私的技術來保護用戶的電表數據,在差分隱私的基礎上,采用強化學習來訓練得到電池的充放電策略,使得用戶可以節(jié)省一部分開支。該方法不僅可以為用戶節(jié)約用電成本,而且可以保護用戶的隱私。文獻［64］從電力數據收集和電力數據分析兩個層面,對智能電網環(huán)境下的隱私保護技術進行了研究。首先,提出了無可信第三方電網架構下的隱私保護用戶計費方案；其次,提出了滿足差分隱私保護的智能電網用電數據聚類算法；最后,設計實現(xiàn)了差分隱私保護下的智能電網電力負荷聚類系統(tǒng),能夠對電力用戶進行隱私保護條件下的高效聚類。

在一些需要保護隱私的調度場景中,因其計算結果同樣具有一定的魯棒性,也可采用差分隱私進行加密。文獻［65］主要從智能電網的用電側隱私保護、運營方隱私激勵、供電方隱私保護3 個層面進行探索,提出了有效的隱私保護機制。首先,文獻［66］提出一種針對連續(xù)負載的隱私保護用電調度算法；其次,論文提出一種考慮離散負載的隱私保護用電調度算法；再次,基于差分隱私提出一種基于契約理論的運營方隱私激勵機制；最后,基于ADMM 提出一種隱私保護的分布式最優(yōu)潮流計算方法。文獻［67］將差分隱私的保護方法用于配電網的最優(yōu)潮流中。

2.3 基于硬件安全的應用場景

基于硬件安全的技術方案主要包含可信執(zhí)行環(huán)境。硬件中,寄存器、內存和中斷等資源只能按照預先設定的方式調用,從而保證執(zhí)行程序的可控性和加密性。文獻［68］采用可信執(zhí)行環(huán)境保護從電網智能設備收集數據的隱私,并驗證了在10 000 個用戶的場景下,1 s 內可進行數十萬次運算,具有很高的計算效率。文獻［69］基于可信執(zhí)行環(huán)境的智能變頻器架構,利用硬件和基于軟件的隔離,防止篡改變頻器的遙測數據。此外,文獻［69］還提供了在ARM TrustZone 平臺上使用Raspberry-Pi 上的開放式便攜式可信執(zhí)行環(huán)境（OP-TEE）來實現(xiàn)擬議的架構,并在一組網絡安全指標下,對所開發(fā)的實施方案進行了評估。但因可信執(zhí)行環(huán)境主要依賴于ARM 或Intel 公司可信空間方案的安全性,以及可信執(zhí)行環(huán)境只能按照預先設定的方式執(zhí)行,導致可拓展性較低和應用成本較高,在電網中的應用也相對較少。

2.4 隱私計算在新型電力系統(tǒng)中的應用現(xiàn)狀總結

前述現(xiàn)狀分析表明,新型電力系統(tǒng)中多主體涌現(xiàn),在隱私計算技術選取時,需要綜合考慮不同主體的數據形式、計算能力、控制架構以及具體應用場景下對計算性能和隱私保護的需求,有針對性地給出不同的隱私計算解決方案。這是一種高度定制化的隱私計算技術應用方式。

另外,通過前述的分析可以發(fā)現(xiàn),新型電力系統(tǒng)在與政府和銀行等外部機構進行數據共享時,多采用的是隱私求交、隱匿查詢和聯(lián)合統(tǒng)計等較為簡單的算法邏輯,而在電力系統(tǒng)內部經典場景應用中,多采用的是較為復雜的聯(lián)合建模算法。新型電力系統(tǒng)中數據驅動的聯(lián)合建模應用,雖然場景各異,但在數學形式上可主要分為機器學習問題和優(yōu)化問題（雖然機器學習也是廣義的優(yōu)化問題,但本文所指的優(yōu)化主要是指最優(yōu)潮流和經濟調度相關的凸優(yōu)化和二次規(guī)劃等相關的經典優(yōu)化問題）,其計算過程涉及大量的隱私保護。例如,在機器學習問題中,數據的特征或標簽均需作為隱私量參與計算；在優(yōu)化問題中,目標函數、約束條件或模型的參數都需要作為隱私量進行保護,這使得這些算法邏輯的實現(xiàn)都呈現(xiàn)出極高的復雜性。

3 隱私計算在智能電網中的應用問題分析

通過上述分析可以發(fā)現(xiàn),隱私計算在電網全產業(yè)鏈的多個場景中都有著豐富的應用和嘗試,但多為單場景下分散化的研究和測試,距離真正的產品技術落地、打通數據壁壘、促進電網數據的高效流通還存在一定的距離。通過分析發(fā)現(xiàn),當前的隱私計算使用還至少存在以下4 個方面的問題:

1）隱私計算算法邏輯復雜,軟硬件成本較高。電力系統(tǒng)應用場景中,隱私計算算法邏輯非常復雜,存在較高的研發(fā)成本。電網研發(fā)人員在使用隱私計算解決人工智能問題時,需要時刻考慮“多方”的概念,如“多方”之間共享的信息是什么,什么是可以暴露的,什么是不可以暴露的,需要同時了解密碼學、分布式計算和人工智能的領域知識,以及考慮從底層基礎技術實現(xiàn)到頂層應用邏輯之間的對應關系,這導致該領域對交叉型人才的需求非常高,人力成本支出相比其他領域偏高。同時,由于隱私計算涉及密碼學運算,為實現(xiàn)相同功能,運算量通常會比明文計算高出幾個數量級,所需硬件算力成本也很高。

2）隱私計算平臺種類繁多,互聯(lián)互通困難。當前的各個數據源,雖然已經采用了隱私計算的相關技術,但可能在不同場景中采用的是不同的隱私計算框架和密碼學協(xié)議,在數據跨平臺應用時面臨著技術上的互聯(lián)互通問題（也就是“技術孤島”問題）,進一步制約了數據在更廣范圍內的流通。在實際中,往往在一個場景加密后的計算結果需要被用于另外的加密場景。例如,新能源在加密情況下的預測結果可能會被用于保護隱私的調度場景,而此時由于隱私計算平臺和底層技術的不同,轉換較為困難。

3）缺乏隱私計算數據共享過程的監(jiān)督。當前,隱私計算在電力系統(tǒng)中的應用沒有充分考慮數據使用的監(jiān)管問題。雖然隱私計算能夠實現(xiàn)數據的“可用而不可見”,但仍不能徹底地避免數據的濫用,在不可見的情況下仍可能存在數據的違規(guī)使用問題。例如,各風電場約定利用各方功率數據用于保護隱私的功率預測,但在實際操作中,由于管理上的漏洞,這些數據仍可能被用于新能源的數據分布建模、風電場建設選址以及電力交易分析等多種場景。也就是說,雖然計算過程保證了數據的隱私,但數據使用仍遠遠超出了預先約定的范圍和目的。

4）缺乏合理、有效的數據共享激勵機制。采用隱私計算技術的數據流通需要多方的積極參與,有數據供應方、算法供應方、算力供應方（角色也可能重疊）,這些參與方都有不同的利益訴求。在實施過程中,需要良好的利益分配機制,否則無法激勵各方參與到數據的共享使用中,甚至還可能存在一些惡意參與者采用數據投毒的方式破壞整個數據共享聯(lián)盟。

4 隱私計算在新型電力系統(tǒng)中的應用展望

針對當前隱私計算在新型電力系統(tǒng)中應用的現(xiàn)狀和存在的問題,本文從以下幾個方面進行討論,并提出相關建議。

4.1 通用化能源隱私計算平臺的構建

針對隱私計算應用場景定制化和分散化以及研發(fā)軟硬件成本較高的問題,本文認為隨著電網大數據技術的發(fā)展,參與數據流通的主體類型和場景會更加豐富。因此,需要開發(fā)更加通用化且可拓展的隱私計算平臺,節(jié)約技術研發(fā)的成本,實現(xiàn)規(guī)模效應。具體而言,可以設計更加通用化的隱私計算平臺和技術底座,通過相關程序和編程接口的設計,使得保護數據隱私的數據挖掘和流通過程與傳統(tǒng)電網數據分析方法更為接近,開發(fā)人員更能接受,在無須深度掌握密碼學、網絡通信邏輯和分布式計算知識的情況下,利用電網的領域知識設計隱私計算算法,從而降低使用隱私計算算法的門檻和難度。同時,能源隱私計算平臺也應該實現(xiàn)數據、算法和算力間的解耦,以及明密文的混合計算功能,以方便用戶針對應用對運算速度、精度和經濟性的需求靈活選用和裁剪方法,從而更加靈活地支持不同的場景和數據類型。

4.2 隱私計算平臺間的互聯(lián)互通

針對隱私計算平臺種類繁多、數據共享困難的問題,可以研發(fā)多種隱私計算加密技術之間的互聯(lián)互通方法,如此即便采用不同廠商的隱私計算框架,各個數據源依然能夠比較方便地接入數據市場中,從而避免重復建設,減少數據市場的建設成本。在互聯(lián)互通的場景下,每個主體的隱私計算平臺類似于電力系統(tǒng)中的自治系統(tǒng),對內采用當前合適的隱私計算技術進行計算和驗證,再采用跨域數據交換（inter-domain data exchange,IDDE）協(xié)議連接不同的系統(tǒng)和平臺,如圖6 所示。因為各平臺采用了相同的交換協(xié)議,無須兩兩單獨互聯(lián),也減少了互聯(lián)的難度和成本。

圖6 隱私計算平臺互聯(lián)互通示意圖Fig.6 Schematic diagram of interconnected privacypreserving computation platforms

4.3 能源智能計算合約的設計

隱私計算雖然實現(xiàn)了數據的“可用而不可見”,但在電網應用的過程中,如果使用方式沒有取得各方共識,依然可能存在數據濫用的問題,而且電網數據作為一種價值量很高的生產要素,在流通之后產生的價值也需要合理的計量和分配。作為一種可追溯、不可篡改的分布式賬本技術,區(qū)塊鏈技術可以對數據流通使用的整個過程進行記錄。區(qū)塊鏈中的智能合約技術［70］,作為一種可自動執(zhí)行、可監(jiān)管、執(zhí)行過程不可逆和流程可追溯的工具,相關實施過程如圖7 所示,可以應用于電網隱私計算的場景中,對數據的使用流程進行約束,以達到數據使用全生命周期的“可控可計量”。

圖7 計算合約示意圖Fig.7 Schematic diagram of computation contract

在具體的電網大數據分析應用場景中,根據電網數據算法邏輯（體現(xiàn)了數據用途）選擇合適的合約模板,以及確定數據源和結果執(zhí)行等核心要素；然后,各參與方可通過電子簽名確認,達成共識。在數據流通中,各方可按照約定的算法邏輯進行數據分析和操作,并可隨時核驗合約（核驗不通過可以終止算法流程）,對執(zhí)行過程進行存證,實現(xiàn)數據使用的可控。在執(zhí)行完電網數據分析的場景之后,結算階段各方可利用區(qū)塊鏈對計算結果和計算流程的存證進行結算和收益分配。

由于智能合約的計算過程在區(qū)塊鏈上進行了存證,可對數據共享的關鍵環(huán)節(jié)（如數據輸出和接收等）進行回溯和監(jiān)管。即使數據流通過程發(fā)生了失控現(xiàn)象,也可以定位出錯誤環(huán)節(jié),后續(xù)再進行修復。

4.4 能源數據和模型共享市場

電力系統(tǒng)中的數據挖掘問題通常較為復雜,使用單一的數據或者模型進行預測通常難以準確地對非線性和線性過程進行建模。而在人工智能領域中,為了解決復雜問題,在多個參與者之間共享數據或者模型的方法已逐漸得到重視和應用。2008 年,經濟學領域中就提出了預測市場的概念,旨在融合不同參與者對于未來的預測,以提升預測的精度［71］。2016 年,文獻［72］對預測市場能夠收集多方預測數據,從而提升預測精度或者對沖由于預測誤差帶來的損失的特點進行了總結。而充足的訓練數據和復雜的神經網絡模型也帶來了“涌現(xiàn)”的智能,從而催生了大語言模型等生成式人工智能的浪潮［73］。

因此,如圖8 所示,可利用隱私計算和區(qū)塊鏈技術構建能源數據和模型的交易市場,讓參與者在保護數據隱私的前提下貢獻原始數據、預測結果或者預測模型,從而利用多智能體的智慧提升模型精度、助力新型電力系統(tǒng)建設。例如,可以利用區(qū)塊鏈結合MPC 的技術,構建新能源的數據共享平臺［74-75］,從而促進各個風電場利用更為高質量和充裕的數據訓練模型,提升預測的精度。因為預測市場具備對沖風險的功能,通過構建電力系統(tǒng)的數據和模型市場,在一些新能源場景中可以降低參與者在電力市場中因預測不準確而帶來的損失［76］。在數據和模型共享市場中,也可采用Shapley 值等博弈論和計算經濟學的方法對信息價值進行計算,對各方的收益進行衡量和分配,從而使市場的參與主體在數據的規(guī)?；魍ㄖ蝎@益［77-78］。

圖8 能源數據交易市場示意圖Fig.8 Schematic diagram of energy data trading market

5 結語

當前,新型電力系統(tǒng)建設和隱私保護技術本身都在不斷迭代更新。隨著數字化電力系統(tǒng)建設加速,以及人們對隱私保護、數據要素的深刻認識,在電力系統(tǒng)的規(guī)劃、設計和運行中,采用隱私計算保護數據并同時應用智能計算技術將會具有越來越重要的意義。

本文分析了新型電力系統(tǒng)隱私計算技術應用現(xiàn)狀,總結出當前隱私計算技術在落地時存在應用定制化程度高、應用算法復雜等特點,從而導致未來大規(guī)模數據共享研發(fā)成本高、互聯(lián)互通困難等問題。同時,當前的隱私計算應用中缺少數據共享過程的監(jiān)督以及合理、有效的數據共享激勵機制。針對隱私計算應用中存在的問題,本文也有針對性地提出了通用化能源隱私計算平臺、平臺間互聯(lián)互通、能源智能計算合約設計,以及構建能源數據和模型共享市場的解決方案。希望相關研究能夠為新型電力系統(tǒng)的建設、能源數據的共享和流通提供參考。