CN112465301B - 一种基于差分隐私机制的边缘智能电网协作决策方法 - Google Patents

一种基于差分隐私机制的边缘智能电网协作决策方法 Download PDF

Info

Publication number
CN112465301B
CN112465301B CN202011227792.8A CN202011227792A CN112465301B CN 112465301 B CN112465301 B CN 112465301B CN 202011227792 A CN202011227792 A CN 202011227792A CN 112465301 B CN112465301 B CN 112465301B
Authority
CN
China
Prior art keywords
decision
smart grid
edge
grid node
edge smart
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011227792.8A
Other languages
English (en)
Other versions
CN112465301A (zh
Inventor
于东晓
陈姝祯
李峰
陶又铭
李冬
马超
刘荫
俞俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202011227792.8A priority Critical patent/CN112465301B/zh
Priority to DE112020007603.2T priority patent/DE112020007603T5/de
Priority to PCT/CN2020/138454 priority patent/WO2022095246A1/zh
Publication of CN112465301A publication Critical patent/CN112465301A/zh
Application granted granted Critical
Publication of CN112465301B publication Critical patent/CN112465301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于差分隐私机制的边缘智能电网协作决策方法，包括以下步骤：初始化边缘智能电网系统；边缘智能电网节点通过差分隐私机制对自己选择的决策方案进行加噪处理；边缘智能电网节点将经过加噪处理的决策方案通过随机游走方式传递给其它电网节点；每个边缘智能电网节点根据上一阶段传来的所有的决策方案选择一个决策方案作为候选决策方案；每个边缘智能电网节点根据最新观测的随机信号质量确定是否采用候选决策方案。该方法通过随机游走、差分隐私机制保护的方法，使得各电网节点通过协作决策实现电网整体决策过程最优，并且在一定程度上保证了电网中每个节点的本地决策数据的隐私安全，满足差分隐私的要求。

Description

一种基于差分隐私机制的边缘智能电网协作决策方法
技术领域
本发明属于分布式边缘智能计算电网技术领域，特别涉及一种基于差分隐私机制的边缘智能电网协作决策方法。
背景技术
当前，我国经济由高速增长阶段转向高质量发展阶段，电力在能源转型中的中心地位进一步凸显，经济社会发展的电气化水平不断提升，保障能源供给面临突出的结构性矛盾，这些都对加快电网发展、强化电网功能作用，提出更高要求。因此，我国大力推进智能电网建设，促进智能电网和泛在电力物联网融合发展，加速能源流、业务流、数据流“多流合一”，为优化配置能源资源、满足多元用能需要提供有力支撑，实现传统电网向能源互联网的转型跨越。
在大电网智能化的建设过程中，电力系统融合了大量的终端节点，这些终端节点通过感知周围环境产生数据并上传。随着计算技术和电网技术的进步，在电网中大量部署具有一定计算能力和通讯能力的智能计算节点成为了可能。这些智能设备的数量迅猛增长，作为传统核心电网的外延，它们连结成了若干个有组织的电网感知网络，参与电网运行状况的感知、监测及警报功能，特定区域内的多个智能电网节点构成了分布式的电网边缘智能网络。在电网的运行中，会因为各种因素的影响导致电网故障或处于受威胁的状态，通过分布式的电网边缘智能网络多节点的协同决策，进而给出最有效、最准确的电网监测报告，为工作人员的研判电网运行风险因素及高效调度电网资源提供强有力的支撑。
在电网运行状况的监测中，所给出监测结果的质量是未知的，能够准确的反映现场情况及风险级别难度较高，而如何在未知结果收益的情况下，通过合理的设计电网边缘智能网络各节点的协作学习及决策模式来得到最准确、能反应事实情况的监测报告甚至是非常有必要的。正式地说，可以描述为：给定一组产生未知随机回报的选项，学习最大化预期回报收益的最佳选项，该问题在人类社会学、经济学和生物学等领域也广泛出现。同时，上述问题也可归结为如下顺序决策问题:在每一步中，每个节点确定选择一个选项，并获得该选项所产生的回报；目的是让所有的节点在线进行顺序选择决策，从而在不了解选项性质的前提下，找出累积回报收益最大的最佳选择。
在边缘智能电网中，每个边缘智能电网节点都可以通过互相通信交换信息来模仿其他节点的数据处理策略，从而提高分布式协作决策的效率。经典的协作决策方法分为两个阶段：1抽样，在每一步中，每个节点根据选项的受欢迎程度选择一个选项作为候选决策方案，2采用，根据选项的随机奖励信号确定是否采用此候选选项。此“抽样-采用”两步骤协作决策方法不需要维护任何历史观察，但是它需要全局信息作为输入来计算选项的受欢迎程度，而且电网中所有的节点信息的获取导致巨大的开销。
2017年，L.Elisa Celis等人在Proceedings of the ACM Symposium onPrinciples of Distributed Computing会议上发表的论文中，研究了分布式节点在计算能力有限、存储大小有限的情况下通过协作决策，边缘智能电网节点的累积回报收益渐进最佳。
在基于边缘智能电网的分布式协作决策过程中，各电网节点互相交换信息提高学习的效率，但是互相分享的数据信息涉及节点隐私时，节点考虑保护自己的数据而不参与协作决策过程。所以，在分布式协作决策过程中，有效的提供节点本地数据隐私保护可以激励节点积极参与学习过程，从而促进学习过程的进行。
本地化差分隐私是一种密码学技术，可以以数学度量数据库中的每一条信息的安全保护程度。本地化差分隐私技术通过适当地对数据库统计查询结果添加扰动，保证数据库中任意一条记录的隐私安全。通过使用对查询结果添加噪声的方法模糊查询的输出达到一定程度的加密。在多跳的边缘智能电网中进行协作决策，通过引入本地化差分隐私技术进行本地数据库的保护是一种新的尝试。此外，如何减少加入隐私保护之后对协作决策任务的效率和收敛性的影响也是值得探讨的问题。
发明内容
为解决上述技术问题，本发明提供了一种基于差分隐私机制的边缘智能电网协作决策方法，利用本地化差分隐私机制实现边缘智能电网节点本地数据的隐私的保护，并且在一定程度上通过在初始化阶段中尽量调整节点数量平衡由于数据加噪而对边缘智能电网协作决策效率和收敛性的影响。
为达到上述目的，本发明的技术方案如下：
一种基于差分隐私机制的边缘智能电网协作决策方法，包括以下步骤：
步骤一，初始化边缘智能电网协作决策过程的全局参数，准备进入协作决策过程；
步骤二，加噪处理阶段：边缘智能电网节点对自己选择的决策方案进行加噪处理，保证自己的决策方案不被窥探；
步骤三，信息传播阶段：边缘智能电网节点将上一阶段经过加噪处理的决策方案通过随机游走方式传递给其它边缘智能电网节点；
步骤四，抽样阶段：每个边缘智能电网节点根据上一阶段传来的所有的决策方案选择一个决策方案作为候选决策方案；
步骤五，采用阶段：每个边缘智能电网节点根据最新观测的随机信号质量确定是否采用上一阶段产生的候选决策方案；
步骤六，按照步骤二至步骤五开展多轮迭代，直到所有的边缘智能电网节点统一选到质量最高的决策方案。
上述方案中，所述全局参数包括边缘智能电网节点初始决策数据、候选决策方案的个数、对决策方案的质量评估、数据噪声大小、随机游走的数量、随机游走的长度、决策过程的迭代次数、节点之间的通信量。
进一步的技术方案中，所述步骤一具体方法如下：
(1)设置边缘智能电网节点i的初始决策数据向量
Figure BDA0002764167610000031
其中，
Figure BDA0002764167610000032
的上标1代表第一轮，
Figure BDA0002764167610000033
表示边缘智能电网节点是否选择编号为j的决策方案，
Figure BDA0002764167610000034
取值为0或者1，1代表边缘智能电网节点i选择编号为j的决策方案，0代表边缘智能电网节点i没有选择编号为j的决策方案，设置决策过程的迭代次数和选项的个数M，调整边缘智能电网节点的数量N；
(2)设置模型参数的初始值ηj,ηj表示决策方案质量好坏程度，取η1>η2≥…ηj…≥ηM，保证基于当前电网环境的最优决策方案是唯一的一个；
(3)设置添加噪声的参数ε<1，选取ε值满足差分隐私机制的定义保护边缘智能电网节点的决策数据，并且定量权衡隐私保护力度和通信开销大小；
(4)设置随机游走的数量hg(N),随机游走的长度Ο(logN)，其中，h＝240/(1-β)，β>1/2，g(N)＝ωlnN，ω≥4，h、g(N)和ω表示量级参数，以保证随机游走实现数据渐进意义上的均匀分布；
(5)设置迭代次数R，当R大于
Figure BDA0002764167610000035
时保证决策过程收敛到最优，其中
Figure BDA0002764167610000036
m表示决策方案的数量，RT表示最小迭代轮数。
进一步的技术方案中，所述步骤二具体方法如下：
(1)在第r轮迭代时，边缘智能电网节点从本地数据库中取出决策数据向量
Figure BDA0002764167610000037
并存入内存中；
(2)根据本地化差分隐私保护方法对取得的决策数据向量的每一个元素
Figure BDA0002764167610000038
随机翻转，得到干扰后的偏好向量
Figure BDA0002764167610000039
其中，
Figure BDA00027641676100000310
表示边缘智能电网节点是否选择编号为j的决策方案干扰后的偏好数据，上标r代表第r轮。
进一步的技术方案中，所述步骤三具体方法如下：
(1)首先根据边缘智能电网中各节点的度的信息计算Metropolis-Hasting随机游走的转移概率矩阵；
(2)初始化先进先出的存储队列，等待接收边缘智能电网中其它节点根据上个步骤计算的概率矩阵传递的决策数据向量；
(3)对得到的决策数据向量
Figure BDA0002764167610000041
开始hg(N)个长度为Ο(logN)的Metropolis-Hasting随机游走；
(4)随机游走的长度减小到0时到达一个边缘智能电网节点，同时携带的数据被此边缘智能电网节点采样，存入内存中；所有的随机游走的长度减小到0时，第r轮的信息传播结束。
进一步的技术方案中，所述步骤四具体方法如下：
(1)每一个边缘智能电网节点在上一步信息传播结束时得到一组加噪干扰的决策数据向量，存入集合
Figure BDA0002764167610000042
(2)每个边缘智能电网节点根据数据向量集合，通过方法
Figure BDA0002764167610000043
Figure BDA0002764167610000044
计算每一个决策方案的当前受欢迎程度；其中，
Figure BDA0002764167610000045
表示决策数据向量集合中选择编号为j的决策方案的边缘智能电网节点的数量，
Figure BDA0002764167610000046
表示当前编号为j的决策方案的占比，即受欢迎程度，ε表示差分隐私机制参数大小；
(3)对得到的
Figure BDA0002764167610000047
通过方法
Figure BDA0002764167610000048
进行处理得到归一化的选项受欢迎程度；
(4)根据
Figure BDA0002764167610000049
从所有的决策方案中随机选取一个决策方案作为候选决策方案。
进一步的技术方案中，所述步骤五具体方法如下：
(1)候选决策方案根据ηj为参数的伯努利分布产生随机数0或者1，如果是0，边缘智能电网节点以β的概率确定采用此候选决策方案，如果是1，电网节点以(1-β)的概率确定采用此候选决策方案；否则，节点放弃选择任何一个选项；根据此方法形成边缘智能电网节点的决策数据向量
Figure BDA00027641676100000410
(2)边缘智能电网节点将决策数据向量
Figure BDA00027641676100000411
存入本地数据库。
通过上述技术方案，本发明提供的一种基于差分隐私机制的边缘智能电网协作决策方法，具有以下有益效果：
1)本发明考虑边缘智能电网中的分布式协作决策算法，每一个智能电网节点不需要存储历史信息，在传输带宽有限，各电网节点无须占用大量计算资源的前提下，利用各电网节点通信实现信息互相传递的情况下实现协作决策学习目标的最终收敛。
2)本发明引入了本地化差分隐私机制，各电网节点对其本地存储中的数据进行加噪处理以保护节点数据隐私，在协作决策过程中，即使噪声对数据的随机扰动导致协作决策所需信息不完整，依然通过随机游走等方法保证整个边缘智能电网协作决策过程的最终收敛。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例所公开的一种基于差分隐私机制的边缘智能电网协作决策方法阶段示意图；
图2为本发明实施例所公开的一种基于差分隐私机制的边缘智能电网协作决策方法具体流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种基于差分隐私机制的边缘智能电网协作决策方法，如图1所示，该方法可以利用本地化差分隐私技术实现对边缘智能电网节点本地数据隐私的保护，并且在一定程度上通过调整节点数量平衡了由于数据加噪而对协作决策效率和收敛性的影响。
如图2所示，具体实施例如下：
一种基于差分隐私机制的边缘智能电网协作决策方法，包括以下步骤：
(1)初始化阶段：
(1.1)设置边缘智能电网节点i的初始决策数据向量
Figure BDA0002764167610000051
其中，
Figure BDA0002764167610000052
的上标1代表第一轮，
Figure BDA0002764167610000053
表示边缘智能电网节点是否选择编号为j的决策方案，
Figure BDA0002764167610000054
取值为0或者1，1代表边缘智能电网节点i选择编号为j的决策方案，0代表边缘智能电网节点i没有选择编号为j的决策方案，设置决策过程的迭代次数和选项的个数M，调整边缘智能电网节点的数量N；
(1.2)设置模型参数的初始值ηj,ηj表示决策方案质量好坏程度，取η1>η2≥…ηj…≥ηM，保证基于当前电网环境的最优决策方案是唯一的一个。
(1.3)设置添加噪声的参数ε,通过取合适的值满足本地化差分隐私机制的定义保护边缘智能电网节点的决策数据，并且定量权衡隐私保护力度和通信开销大小。
(1.4)设置随机游走的数量hg(N),随机游走的长度Ο(logN)，其中，h＝240/(1-β)，β>1/2，g(N)＝ωlnN，ω≥4，h、g(N)和ω表示量级参数，以保证随机游走实现数据渐进意义上的均匀分布；
(1.5)设置迭代次数R，当R大于
Figure BDA0002764167610000061
时保证决策过程收敛到最优，其中
Figure BDA0002764167610000062
m表示决策方案的数量，RT表示最小迭代轮数。
(2)加噪处理阶段：
(2.1)在第r轮迭代时，边缘智能电网节点从本地数据库中取出决策数据向量
Figure BDA0002764167610000063
并存入内存中。
(2.2)根据本地化差分隐私保护方法对取得决策数据向量的每一个元素
Figure BDA0002764167610000064
随机翻转，得到干扰后的偏好向量
Figure BDA0002764167610000065
其中，
Figure BDA0002764167610000066
表示边缘智能电网节点是否选择编号为j的决策方案干扰后的偏好数据，上标r代表第r轮。
(3)信息传播阶段：
(3.1)首先根据边缘智能电网中各节点的度的信息计算Metropolis-Hasting随机游走的转移概率矩阵。
(3.2)初始化先进先出的存储队列，等待接收边缘智能电网中其它节点根据上个步骤计算的概率矩阵传递的决策数据向量。
(3.3)对得到的决策数据向量
Figure BDA0002764167610000067
开始hg(N)个长度为Ο(logN)的Metropolis-Hasting随机游走。
(3.4)随机游走的长度减小到0时到达一个边缘智能电网节点，同时携带的数据被此边缘智能电网节点采样，存入内存中，所有的随机游走的长度减小到0时，第r轮的信息传播结束。
(4)抽样阶段：
(4.1)每一个边缘智能电网节点在上一步信息传播结束时得到一组加噪干扰的决策数据向量，存入集合
Figure BDA0002764167610000068
(4.2)每个边缘智能电网节点根据数据向量集合，通过方法
Figure BDA0002764167610000069
Figure BDA0002764167610000071
计算每一个决策方案的当前受欢迎程度。其中，
Figure BDA0002764167610000072
表示决策数据向量集合中选择编号为j的决策方案的边缘智能电网节点的数量，
Figure BDA0002764167610000073
表示当前编号为j的决策方案的占比(受欢迎程度)，ε表示本地化差分隐私机制参数大小。
(4.3)对得到的
Figure BDA0002764167610000074
通过方法
Figure BDA0002764167610000075
进行处理得到归一化的选项受欢迎程度。
(4.4)根据
Figure BDA0002764167610000076
从所有的决策方案中随机选取一个决策方案作为候选决策方案。
(5)采用阶段：
(5.1)候选决策方案根据ηj为参数的伯努利分布产生随机数0或者1，如果是0，边缘智能电网节点以β的概率确定采用此候选决策方案，如果是1，电网节点以(1-β)的概率确定采用此候选决策方案；否则，节点放弃选择任何一个选项。根据此方法形成边缘智能电网节点的决策数据向量
Figure BDA0002764167610000077
(5.2)边缘智能电网节点将决策数据向量
Figure BDA0002764167610000078
存入本地数据库。
(6)结束过程：
按照步骤(2)至步骤(5)开展多轮迭代，直到达到迭代轮数范围要求，所有的边缘智能电网节点统一选到质量最高的决策方案，决策目标完成。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种基于差分隐私机制的边缘智能电网协作决策方法，其特征在于，包括以下步骤：
步骤一，初始化边缘智能电网协作决策过程的全局参数，准备进入协作决策过程；
步骤二，加噪处理阶段：边缘智能电网节点对自己选择的决策方案进行加噪处理，保证自己的决策方案不被窥探；
步骤三，信息传播阶段：边缘智能电网节点将上一阶段经过加噪处理的决策方案通过随机游走方式传递给其它边缘智能电网节点；
步骤四，抽样阶段：每个边缘智能电网节点根据上一阶段传来的所有的决策方案选择一个决策方案作为候选决策方案；
步骤五，采用阶段：每个边缘智能电网节点根据最新观测的随机信号质量确定是否采用上一阶段产生的候选决策方案；
步骤六，按照步骤二至步骤五开展多轮迭代，直到所有的边缘智能电网节点统一选到质量最高的决策方案；
所述步骤一具体方法如下：
(1)设置边缘智能电网节点i的初始决策数据向量
Figure FDA0003826095290000011
其中，
Figure FDA0003826095290000012
的上标1代表第一轮，
Figure FDA0003826095290000013
表示边缘智能电网节点是否选择编号为j的决策方案，
Figure FDA0003826095290000014
取值为0或者1，1代表边缘智能电网节点i选择编号为j的决策方案，0代表边缘智能电网节点i没有选择编号为j的决策方案，设置决策过程的迭代次数和选项的个数M，调整边缘智能电网节点的数量N；
(2)设置模型参数的初始值ηj,ηj表示决策方案质量好坏程度，取η1＞η2≥…ηj...≥ηM，保证基于当前电网环境的最优决策方案是唯一的一个；
(3)设置添加噪声的参数ε＜1，选取ε值满足差分隐私机制的定义保护边缘智能电网节点的决策数据，并且定量权衡隐私保护力度和通信开销大小；
(4)设置随机游走的数量hg(N),随机游走的长度O(log N)，其中，h＝240/(1-β)，β＞1/2，g(N)＝ωln N，ω≥4，h、g(N)和ω表示量级参数，以保证随机游走实现数据渐进意义上的均匀分布；
(5)设置迭代次数R，当R大于
Figure FDA0003826095290000015
时保证决策过程收敛到最优，其中
Figure FDA0003826095290000016
m表示决策方案的数量，RT表示最小迭代轮数；
所述步骤二具体方法如下：
(1)在第r轮迭代时，边缘智能电网节点从本地数据库中取出决策数据向量
Figure FDA0003826095290000017
并存入内存中；
(2)根据本地化差分隐私保护方法对取得的决策数据向量的每一个元素
Figure FDA0003826095290000021
随机翻转，得到干扰后的偏好向量
Figure FDA0003826095290000022
其中，
Figure FDA0003826095290000023
表示边缘智能电网节点是否选择编号为j的决策方案干扰后的偏好数据，上标r代表第r轮；
所述步骤三具体方法如下：
(1)首先根据边缘智能电网中各节点的度的信息计算Metropolis-Hasting随机游走的转移概率矩阵；
(2)初始化先进先出的存储队列，等待接收边缘智能电网中其它节点根据上个步骤计算的概率矩阵传递的决策数据向量；
(3)对得到的决策数据向量
Figure FDA0003826095290000024
开始hg(N)个长度为O(log N)的Metropolis-Hasting随机游走；
(4)随机游走的长度减小到0时到达一个边缘智能电网节点，同时携带的数据被此边缘智能电网节点采样，存入内存中；所有的随机游走的长度减小到0时，第r轮的信息传播结束。
2.根据权利要求1所述的一种基于差分隐私机制的边缘智能电网协作决策方法，其特征在于，所述全局参数包括边缘智能电网节点初始决策数据、候选决策方案的个数、对决策方案的质量评估、数据噪声大小、随机游走的数量、随机游走的长度、决策过程的迭代次数、节点之间的通信量。
3.根据权利要求1所述的一种基于差分隐私机制的边缘智能电网协作决策方法，其特征在于，所述步骤四具体方法如下：
(1)每一个边缘智能电网节点在上一步信息传播结束时得到一组加噪干扰的决策数据向量，存入集合
Figure FDA0003826095290000025
(2)每个边缘智能电网节点根据数据向量集合，通过方法
Figure FDA0003826095290000026
Figure FDA0003826095290000027
计算每一个决策方案的当前受欢迎程度；其中，
Figure FDA0003826095290000028
表示决策数据向量集合中选择编号为j的决策方案的边缘智能电网节点的数量，
Figure FDA0003826095290000029
表示当前编号为j的决策方案的占比，即受欢迎程度，ε表示差分隐私机制参数大小；
(3)对得到的
Figure FDA00038260952900000210
通过方法
Figure FDA00038260952900000211
进行处理得到归一化的选项受欢迎程度；
(4)根据
Figure FDA00038260952900000212
从所有的决策方案中随机选取一个决策方案作为候选决策方案。
4.根据权利要求3所述的一种基于差分隐私机制的边缘智能电网协作决策方法，其特征在于，所述步骤五具体方法如下：
(1)候选决策方案根据ηj为参数的伯努利分布产生随机数0或者1，如果是0，边缘智能电网节点以β的概率确定采用此候选决策方案，如果是1，电网节点以(1-β)的概率确定采用此候选决策方案；否则，节点放弃选择任何一个选项；根据此方法形成边缘智能电网节点的决策数据向量
Figure FDA0003826095290000031
(2)边缘智能电网节点将决策数据向量
Figure FDA0003826095290000032
存入本地数据库。
CN202011227792.8A 2020-11-06 2020-11-06 一种基于差分隐私机制的边缘智能电网协作决策方法 Active CN112465301B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011227792.8A CN112465301B (zh) 2020-11-06 2020-11-06 一种基于差分隐私机制的边缘智能电网协作决策方法
DE112020007603.2T DE112020007603T5 (de) 2020-11-06 2020-12-23 Verfahren zur kollaborativen Entscheidungsfindung eines Edge-Smart-Grids basierend auf einem differentiellen Datenschutzmechanismus
PCT/CN2020/138454 WO2022095246A1 (zh) 2020-11-06 2020-12-23 一种基于差分隐私机制的边缘智能电网协作决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011227792.8A CN112465301B (zh) 2020-11-06 2020-11-06 一种基于差分隐私机制的边缘智能电网协作决策方法

Publications (2)

Publication Number Publication Date
CN112465301A CN112465301A (zh) 2021-03-09
CN112465301B true CN112465301B (zh) 2022-12-13

Family

ID=74825763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011227792.8A Active CN112465301B (zh) 2020-11-06 2020-11-06 一种基于差分隐私机制的边缘智能电网协作决策方法

Country Status (3)

Country Link
CN (1) CN112465301B (zh)
DE (1) DE112020007603T5 (zh)
WO (1) WO2022095246A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113301134B (zh) * 2021-05-14 2022-01-07 山东大学 一种适用于边缘物联代理装置的容错型协作决策的方法
CN113886889B (zh) * 2021-10-26 2024-04-09 重庆邮电大学 一种基于联合随机翻转的差分隐私保护方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530097A (zh) * 2016-10-11 2017-03-22 中国人民武装警察部队工程大学 一种基于随机游走机制的有向社交网络关键传播节点发现方法
CN106886524A (zh) * 2015-12-15 2017-06-23 天津科技大学 一种基于随机游走的社会网络社区划分方法
CN108427891A (zh) * 2018-03-12 2018-08-21 南京理工大学 基于差分隐私保护的邻域推荐方法
CN108959956A (zh) * 2018-06-07 2018-12-07 广西师范大学 基于贝叶斯网络的差分隐私数据发布方法
CN109726587A (zh) * 2018-12-21 2019-05-07 盐城师范学院 一种基于差分隐私的空间数据划分方法
CN111353103A (zh) * 2020-03-03 2020-06-30 京东数字科技控股有限公司 用于确定用户社群信息的方法和装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105372534A (zh) * 2015-12-04 2016-03-02 国网河南省电力公司电力科学研究院 一种多传感器多参量信息智能融合系统
CN110869918A (zh) * 2017-06-30 2020-03-06 费赛特实验室有限责任公司 用于管理极端数据的智能端点系统
CN109635917B (zh) * 2018-10-17 2020-08-25 北京大学 一种多智能体合作决策及训练方法
CN110119881A (zh) * 2019-04-12 2019-08-13 国网河北省电力有限公司邢台供电分公司 基于用电感知的电力决策方法、装置及终端
CN110351751B (zh) * 2019-06-24 2020-08-14 山东大学 一种基于抽样的动态分布式系统的共识方法
CN111343023B (zh) * 2020-02-28 2021-10-26 电子科技大学 自适应机动网络节点运动控制的分布式协同决策方法
CN111445111B (zh) * 2020-03-09 2022-10-04 国网江苏省电力有限公司南京供电分公司 一种基于边缘协同的电力物联网任务分配方法
CN111768268B (zh) * 2020-06-15 2022-12-20 北京航空航天大学 一种基于本地化差分隐私的推荐系统
CN111814189B (zh) * 2020-08-21 2022-10-18 安徽大学 一种基于差分隐私的分布式学习隐私保护方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106886524A (zh) * 2015-12-15 2017-06-23 天津科技大学 一种基于随机游走的社会网络社区划分方法
CN106530097A (zh) * 2016-10-11 2017-03-22 中国人民武装警察部队工程大学 一种基于随机游走机制的有向社交网络关键传播节点发现方法
CN108427891A (zh) * 2018-03-12 2018-08-21 南京理工大学 基于差分隐私保护的邻域推荐方法
CN108959956A (zh) * 2018-06-07 2018-12-07 广西师范大学 基于贝叶斯网络的差分隐私数据发布方法
CN109726587A (zh) * 2018-12-21 2019-05-07 盐城师范学院 一种基于差分隐私的空间数据划分方法
CN111353103A (zh) * 2020-03-03 2020-06-30 京东数字科技控股有限公司 用于确定用户社群信息的方法和装置

Also Published As

Publication number Publication date
DE112020007603T5 (de) 2023-06-29
CN112465301A (zh) 2021-03-09
WO2022095246A1 (zh) 2022-05-12

Similar Documents

Publication Publication Date Title
Li et al. Wind power forecasting considering data privacy protection: A federated deep reinforcement learning approach
Chu A compact artificial bee colony optimization for topology control scheme in wireless sensor networks
Hao et al. Deep reinforcement learning for edge service placement in softwarized industrial cyber-physical system
CN107579518B (zh) 基于mhba的电力系统环境经济调度方法和装置
CN112465301B (zh) 一种基于差分隐私机制的边缘智能电网协作决策方法
Li et al. Federated Learning-Based Ultra-Short term load forecasting in power Internet of things
Zeng et al. Trust-based multi-agent imitation learning for green edge computing in smart cities
Shi et al. Services management and distributed multihop requests routing in mobile edge networks
Chen et al. A3C-based and dependency-aware computation offloading and service caching in digital twin edge networks
CN107153889A (zh) 水质采样巡航船路径规划最优化方法
CN116247676A (zh) 一种基于实时市场电价的配电网拓扑推导方法
Zuo et al. Intelligent Smart Community Public Service Supply Optimization Algorithm under Big Data Background for Smart City
CN107911763B (zh) 一种基于QoS的智能配用电通信网EPON网络规划方法
Zhou et al. Binary quantum elite particle swarm optimization algorithm for spectrum allocation in cognitive wireless medical sensor network
CN109038569A (zh) 一种配电网重构方法、装置、系统及计算机可读存储介质
Shang et al. An Information Security Solution for Vehicle-to-grid Scheduling by Distributed Edge Computing and Federated Deep Learning
Zhao et al. Selfish-aware and learning-aided computation offloading for edge-cloud collaboration network
Wang Optimization of wireless network node deployment in smart city based on adaptive particle swarm optimization
CN112766602A (zh) 一种改进的分布式电源选址定容方法
Sun et al. Wireless sensor network path optimization based on hybrid algorithm
Yarmohamadi et al. Capacitor Placement Optimization in Transmission System Using Hybrid PSO and HBMO Algorithms
Li et al. A cost and load balancing based FiWi network ONU planning method for multimedia services
Wang et al. Attention-aided Federated Learning for Dependency-Aware Collaborative Task Allocation in Edge-Assisted Smart Grid Scenarios
Cao et al. A Cooperative Edge Caching Approach Based on Multi-Agent Deep Reinforcement Learning
Ye Mobile intelligence sharing based on agents in mobile peer-to-peer environment

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant