CN114298862A - 一种基于区块链的智能电网隐私保护及窃电检测方法 - Google Patents
一种基于区块链的智能电网隐私保护及窃电检测方法 Download PDFInfo
- Publication number
- CN114298862A CN114298862A CN202111634473.3A CN202111634473A CN114298862A CN 114298862 A CN114298862 A CN 114298862A CN 202111634473 A CN202111634473 A CN 202111634473A CN 114298862 A CN114298862 A CN 114298862A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- electricity
- electricity stealing
- carrying
- 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.)
- Withdrawn
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于区块链的智能电网隐私保护及窃电检测方法,设计合理实用性强、安全、高效。本发明包括如下步骤:1)、系统初始化;2)、数据聚合请求;3)、数据聚合请求回复;4)、用户报告生成;5)、安全数据聚合;6)、数据聚合恢复;7)、控制中心CC对用电数据进行检测和分析,从而检测用户的窃电行为。本发明可以满足实际应用中资源受限的智能电表,实现智能电网通信中的隐私保护和完整性保护,利用安全、高效、可溯源的用户群数据,对用电数据进行分析检测用户的用电行为,实现对窃电行为的发现,并对结果进行安全传输。
Description
技术领域
本发明涉及一种基于区块链的智能电网隐私保护及窃电检测方法。
背景技术
为保护用户的隐私问题,很多电网隐私保护方案都采用了语义上安全的Paillier加密算法对密文进行加密,然而,Paillier算法计算量大,增加了智能电表的计算负担,并不适用于资源受限的智能电表。尽管已经提出了一些在智能电网中保护隐私的数据聚合的解决方案,但大多数现有的工作都是基于计算开销操作,这些方法不适用于计算能力有限、资源受限的智能电表。
然而,上述方案都存在着很难找到一个所有用户都信任的聚合器的问题,在数据聚合的可信方的可用性存在很大的挑战,并且这些方案都是集中式结构,存在单点故障、恶意篡改数据的风险。为提供一种可靠安全的数据存储方法,将区块链技术应用到智能电网中,用于解决设备间的交互安全问题。区块链是比特币等加密货币背后的分布式账本技术,可以有效地解决上述中心化难题。区块链技术能够加速能源网络的去中心化进程,使得电网系统能够实现去中心化的调控与监测。区块链的开放性和透明性使设备免于恶意攻击和篡改。
另外,针对窃电行为的检测方面,一些研究已将状态估计、矩阵分解、博弈论、机器学习等多种方法应用到智能电网监测窃电行为上,其中经典的基于状态估计的解决方案引入一些集成的分布状态估计技巧来实现。在状态估计结果之后,使用方差分析(ANOVA)创建一个可疑用户列表,并对用户点数据的使用情况进行评估并估算实际使用情况。状态估计利用电力网络来做估计得到偏差,以实现窃电检测。该方法正确度高,但不适用于海量数据的检测,同时缺乏可塑性。窃电行为的博弈模型是基于窃电用户和电力公司之间的。由于客观存在窃电行为,基于博弈的模型可以给出一个稳定合理的降低电能损失的解决方案,这种方法包括从历史数据集训练一个SVM,然后在不同的数据集下测试支持向量机以找出客户的异常用电。但是,基于SVM技术来做窃电检测通常需要从智能电表所收集的大量历史用电量数据作为训练数据来获取特性。随着技术发展,我们可以收集和存储长时间的功率数据。基于大量的数据,我们可以挖掘用户的电力消费行为模式,建立一个基于电量消费的样本库的正常的用电行为模型。深度学习也更用于构建海量数据的复杂模型,在数据挖掘和异常检测中也越来越受欢迎。
智能电网结合了传统电网和信息控制技术,在交互性、智能性和安全性等方面有着突出优势,现已发展成为电网建设的主流趋势,并带来巨大的社会效益。智能电网通过在电力和通信的双向流动中部署各种传感器,收集大量的实时数据并上报给控制中心(CC),对电网的健康状况进行及时监测和分析。
其中,智能电表作为先进的计量基础设施(AMI),定期记录电力消耗,实时采集控制中心的电网运行和状态信息,并将计量数据进行报告。
一方面,报告中所含详细的用电信息与用户的生活方式密切相关,因此保护用户的隐私至关重要。由于用户的用电信息在传输中是可能会被攻击者窃取,从而导致用户隐私信息的泄露,所以,需保证用户电力数据传输的安全性。其次,电网数据由可靠的中心节点存储和共享。这种集中式数据存储方法面临着中心节点单点失效、恶意篡改数据等安全问题。因此,需设计一种安全可靠的数据存储方法。
另一方面,由于智能电网中的智能电表易受到攻击,非法用户为了获得更多的经济利益,窃电行为不断发生。然而,窃电行为对于整个电力系统来说都是一个非常严重的问题,它将会对电力公司和合法用户造成巨大的经济损失,同时对于电网的正常运行进行干扰甚至使得设备出现故障或损坏。因此将采集的数据进行进一步的分析和处理时,其中为维护智能电网的安全,保护用户和供应商等多方利益,检测窃电的行为是极其必要的。
因此,如何实现一种实用性强、安全的智能电网通信数据聚合方案仍需研究。同时维护智能电网良好环境和高效运行依旧必不可少。
发明内容
本发明的目的在于克服现有技术中存在的上述不足,而提供一种设计合理实用性强、安全、高效的基于区块链的智能电网隐私保护及窃电检测方法。
本发明解决上述问题所采用的技术方案是:一种基于区块链的智能电网隐私保护及窃电检测方法,其特征在于:包括如下步骤:
1)、系统初始化;
系统初始化由电网运营商PS负责执行,包括如下步骤:
(2)PS通过使用电表的伪随机数生成器随机生成了一个智能电表的伪身份PIDi和一个用户的密钥ki,并分配给用户SMi;
2)、数据聚合请求;
在当前报告时间点tps,PS执行以下过程来发起数据聚合请求:
(2)进行hash处理:Hi=h(Xi||ki||T1),Hps=h(Kps||tps);
(3)PS导出信息:(X,H)={(X1,H1)||(X2,H2)||…||(Xn,Hn)};
(4)计算:R={(X,H)||Hps||tps};
(5)将R发布给预选记账节点ZSM;
3)、数据聚合请求回复;
(1)在当前的报告时间点tZ1,各预选记账节点ZSM接收R后,验证tps和Hps,防止重放攻击,并进行PS身份认证;
(2)进行hash处理:Yi=h(Xi||Xi||ki||tZ1);
(3)发送Yi给用户SMi;
4)、用户报告生成;
5)、安全数据聚合;
(4)各预选记账节点将Z发送给当前主节点,主节点将聚合数据及报文记录到新产生的区块中;
6)、数据聚合恢复;
7)、控制中心CC对用电数据进行检测和分析,从而检测用户的窃电行为。
本发明所述的步骤4)的具体步骤为:
(1)验证T1,tZ1,Hi和Xi,防止重放攻击,进行ZSM身份认证,并确认信息传输正确;
(4)生成随机数N1;
(5)进行hash处理:Di=h(PIDi||ki||N1);
本发明所述的步骤6)之后还包括以下步骤:用户密钥更新和伪身份更新,具体包括如下步骤:
(a)伪身份生成和传输;
(4)进行hash操作:V1=h(Kps||x);
(5)进行hash操作:V2=h(T||y||ki);
(6)发送{x,y,V1,V2,tps1}给ZSM;
(b)ZSM密钥更新;
在当前的报告时间点tz3,新的ZSM接收{x,y,V1,V2,tps1},并执行以下步骤:
(1)验证tps1,V1,防止重放攻击,并进行PS身份认证;
(4)发送{(y,V2,tz3)}给SMi;
(c)用户密钥更新和伪身份更新;
SMi接收{(y,V2,tz3)},并执行以下步骤:
(1)验证tz3,V2,防止重放攻击,进行PS身份认证;
本发明步骤7)具体包括如下步骤:
(1)数据处理;
如果由于智能电表原因,造成用电数据经常丢失或出现错误的值,在此将利用插值方法,根据以下等式来恢复缺失值:
其中xi表示一段时间:内的用电量数据中的值;如果xi是空字符或非数字字符,将其表示为NaN;
此外,还发现有离群值中的电力消耗数据,根据三西格马定律,通过以下方程恢复值:
,根据三西格马定律,通过以下方程恢复值:
其中x是由xi逐日组成的向量,avg(x)是x的平均值,std(x)是x的标准差,该方法可以有效的减轻离群值;
在处理完缺失值和离群值后,由于神经网络对不同数据的敏感性,对用电量数据进行归一化,具体来说,采用最大最小尺度法对数据进行归一化,其公式如下:
其中min(x)是x中的最小值,max(x)是x中的最大值;
(2)建模;
构建神经网络模型,利用样本数据对模型训练调优;
选择宽分量来学习特征的频繁共现,全连接层中的神经元都根据以下等式,利用一维用电数据计算自己的score:
其中yj是第j个神经元中全连接层的输出,n是1-D输入数据(x)的长度,wi,j表示第i个输入值和第j个神经元之间的神经元权值,b1是偏差;
计算完成后,通过激活函数将该值发送给上层连接的单元,以确定该值对下一步预测的贡献程度,激活函数如下:
uj:=f(yj)=max(0,yj),
其中uj是激活计算后的输出,f(·)是激活函数;
利用一个深度CNN组件以二维方式处理耗电量数据,具体来说,将一维电力消耗数据按周转换为二维数据;
接下来,让深度CNN分量在二维耗电量数据上进行训练;
以Sigmoid为输出层的全连接层对目标进行分类,显示两种类别,窃电或没有;如果窃电概率大于目标正常值,可以认为该用电异常,反之亦然;
窃电检测的结果表示为1或0,其中异常数据表示记为1,而正常数据表示为0;当电网运营商完成窃电检测后,将报文加密并发送到新产生的区块中。
本发明步骤7)之后,还包括如下步骤:
CC通过步骤7)判断出来存在窃电嫌疑的用户,将它们加入窃电嫌疑列表,在后续的数据获取及处理中,对列表内用户进行着重分析,实现嫌疑用户的重点监测;一旦确认出现违法行为,可联合PS对该用户采取惩罚措施;
窃电问题的善后处理方案流程:设备先提交它们的信誉值给反馈处理智能合约,由合约发布确认窃电行为的通知;智能手机接收到确认窃电行为通知的报文时,可根据自身情况进行是否提交异议申请的选择,若不提交申请,则进行罚金的缴纳,扣除用户相应的金额,降低其信用值;若提交申请,则需向智能合约缴纳一定以太币作为申请金,防止恶意申请;诊断结束后,若非窃电用户则返还申请金,若为窃电用户则没收申请金并进行罚金的缴纳,并降低相应的信用值。
反馈处理智能合约由窃电反馈、缴纳保证金、缴纳罚金和降低信誉值四部分组成;当解密用电数据后,电网供应商通过基于窃电检测判断是否用户由窃电行为,如果存在窃电行为则会在智能电表端产生警报,并发送报文到用户手机端;若提出异议申请则进行缴纳保证金函数部分,没有异议则进入缴纳罚金函数部分,电网运营商查验用户的账户金额剩余情况,依据不同的电费情况设定相应的智能合约;当用户的缴纳欠费时,智能电表会触发智能合约,发送消息到用户手机端,通知用户及时缴纳电费;当用户已严重欠费时,智能电表会跳闸,以强制用户缴纳电费;同时,确定窃电的用户也将通过降低信誉值部分对其进行信誉值降低操作,并记录进区块链中。
本发明与现有技术相比,具有以下优点和效果:
1、数据完整性:通过单向非冲突哈希函数确保数据完整性。基于联盟链技术,各节点的数据和窃电的结果都将由当前主节点记录在不可篡改和永久保存的区块链中。因此新的区块一旦产生,则包含的数据的完整性则可以被保证。如果敌手试图重新发送或修改数据,能有效地检测这些恶意行为,以确保数据完整性。
2、不可抵赖性:各节点在联盟链发布信息及双向交互时以独一无二的ID作为标识,接收者仅能获取某ID对应的用电数据,而对该ID对应的用户隐私并不知晓。各节点发布信息时都包含其ID,并且各节点发布的信息都经过签名,所有方案具有不可抵赖性。
3、容错性:在数据聚合操作中预选的记账节点若因自生或其他因素不执行工作将重新投票将其从预选节点剔除出去来保证后续聚合正常进行,对于进行窃电检测的所提供的用户用电数据若有所缺失或明显错误,利用前向插值法将缺失值恢复,继续进行后续的检测行为;对于窃电检测的结果的发生错误时利用基于智能合约的窃电处理方案做出应对。
具体实施方式
下面通过实施例对本发明作进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
本发明实施例包括:
(1)基于联盟区块链的轻量级数据聚合方法,满足实际应用中资源受限的智能电表,实现智能电网通信中的隐私保护和完整性保护。
(2)基于卷积神经网络的窃电检测方法,利用(1)中提供的安全、高效、可溯源的用户群数据,建立模型对用电数据进行分析检测用户的用电行为,实现对窃电行为的发现,并对结果进行安全传输。
(3)基于区块链的窃电行为处理方法,将其智能合约技术用于处理窃电检测的后续问题中,以实现智能电网的高效运行和人性化机制。
下表为本发明实施例一些主要符号的含义说明。
一、基于联盟区块链的轻量级数据聚合方法,包括如下步骤:
1、系统初始化。
系统初始化由PS负责执行,PS为电网运营商,包括如下步骤:
(2)PS通过使用电表的伪随机数生成器(PRNG)随机生成了一个智能电表的伪身份PIDi和一个用户的密钥ki,并分配给用户SMi。每轮聚合操作都将不断更新伪身份PIDi,其中电网供应商和主节点之间的共享的密钥Kps,则根据所选择的主节点的密钥ki进行更替。
2、数据聚合请求。
在当前报告时间点tps,PS执行以下过程来发起数据聚合请求:
计算:
进行hash处理,具体来说是SHA-256算法:Hi=h(Xi||ki||T1),Hps=h(Kps||tps);
PS导出信息,就是把之前的信息做一个总结:(X,H)={(X1,H1)||(X2,H2)||…||(Xn,Hn)};
计算:R={(X,H)||Hps||tps},R是{}内消息的赋值,就是用R代表这则消息;
将R发布给DPOS共识机制选取的预选记账节点ZSM。
3、数据聚合请求回复。
在当前的报告时间点tZ1,各预选记账节点ZSM接收R后,验证tps和Hps,防止重放攻击,并进行PS身份认证;
进行hash处理,具体来说是SHA-256算法:Yi=h(Xi||Hi||ki||tZ1);
发送Yi给用户SMi,其中i=1,2,...,n。
4、用户报告生成。
(4)生成随机数N1;
(5)计算:进行hash处理,具体来说是SHA-256算法:Di=h(PIDi||ki||N1);
5、安全数据聚合。
(4)各预选记账节点将Z发送给当前主节点,主节点将聚合数据及报文记录到新产生的区块中。新的区块被广播出去,各节点将其添加到各自维护的区块链上。
6、数据聚合恢复。
7、用户密钥更新和伪身份更新。
(a)伪身份生成和传输。
(4)计算:进行hash操作:V1=h(Kps||x);
(5)计算:进行hash操作:V2=h(T||y||ki);
(6)发送{x,y,V1,V2,tps1}给ZSM。
(b)ZSM密钥更新。
在当前的报告时间点tz3,新的ZSM接收{x,y,V1,V2,tps1},并执行以下步骤:
(1)验证tps1,V1,防止重放攻击,并进行PS身份认证;
(4)发送{(y,V2,tz3)}给SMi。
(c)用户密钥更新和伪身份更新。
SMi接收{(y,V2,tz3)},并执行以下步骤:
(1)验证tz3,V2,防止重放攻击,进行PS身份认证;
以上各步骤中,i=1,2,...,n,n指的是用户数量。
二、基于卷积神经网络的窃电检测方法。
经过上述基于联盟区块链的轻量级数据聚合方法,电网运营商把加密后的聚合数据进行解密,然后将获取的用电数据传送给控制中心CC。
控制中心CC利用卷积神经网络对用电数据进行检测,针对用户用电行为的周期性,建立组合的CNN模型,以此对用电数据进行分析,从而检测用户的窃电行为。包括如下步骤:
1、数据处理。
由于智能电表故障、测量数据传输不可靠等原因,造成用电数据经常丢失或出现错误的值,在此将利用插值方法,根据以下等式来恢复缺失值。
其中xi表示一段时间(例如一天)内的用电量数据中的值。如果xi是空字符或非数字字符,将其表示为NaN(NaN是一个集合)。
此外,还发现有离群值中的电力消耗数据。具体地说,根据三西格马定律,通过以下方程恢复值:
其中x是由xi逐日组成的向量,avg(x)是x的平均值,std(x)是x的标准差,该方法可以有效的减轻离群值。
在处理完缺失值和离群值后,由于神经网络对不同数据的敏感性,对用电量数据进行归一化。具体来说,采用最大最小尺度法对数据进行归一化,其公式如下:
其中min(x)是x中的最小值,max(x)是x中的最大值。
2、建模。
构建神经网络模型,利用样本数据对模型训练调优。
The wide component是一个全连接的神经网络层,它从1-D(一维)的用电数据中学习全局知识,通过记忆1-D时间序列数据来学习特征的频繁出现。用户的用电量是不时波动的,而正常用电表现出周期性,偷电者的用电量具有较低的周期性或非周期性。一个客户的电力消耗本质上是一维时间序列数据。通过记忆1-D时间序列数据,选择宽分量来学习特征的频繁共现。全连接层中的神经元都根据以下等式,利用1-D用电数据计算自己的score。
其中yj是第j个神经元中全连接层的输出,n是1-D输入数据(x)的长度,wi,j表示第i个输入值和第j个神经元之间的神经元权值,b1是偏差。
计算完成后,通过激活函数将该值发送给上层连接的单元,以确定该值对下一步预测的贡献程度。激活函数如下:
uj:=f(yj)=max(0,yj),
其中uj是激活计算后的输出,f(·)是激活函数。此功能可以有效防止过拟合。此过程称为正推传递(The forward pass)。
The deep CNN component从正常用电的周期性和偷电的非周期性考虑,然而,由于每天的用电量以相对独立的方式波动,从1-D用电量数据中很难识别出用电量的周期性或非周期性。但是,通过比对几个星期的用电数据来分析用电情况,可以很容易地识别出异常的用电情况。因此,利用一个深度CNN组件以2-D(二维)方式处理耗电量数据。具体来说,将1-D电力消耗数据按周转换为2-D(二维)数据。
接下来,让深度CNN分量在二维耗电量数据上进行训练。
以Sigmoid为输出层的全连接层对目标进行分类,显示两种类别,窃电或没有。如果窃电概率大于目标正常值,可以认为该用电异常,反之亦然。
窃电检测的结果表示为1或0,其中异常数据表示记为1,而正常数据表示为0。当电网运营商完成窃电检测后,将报文加密并发送到新产生的区块中。
三、基于区块链的窃电行为处理方法。
CC通过基于卷积神经网络的窃电检测方法判断出来存在窃电嫌疑的用户,将它们加入窃电嫌疑列表,在后续的数据获取及处理中,对列表内用户进行着重分析,实现嫌疑用户的重点监测。一旦确认出现违法行为,可联合PS对该用户采取多缴费等惩罚措施。
窃电问题的善后处理方案流程:设备先提交它们的信誉值给反馈处理智能合约,由合约发布确认窃电行为的通知。智能手机接收到确认窃电行为通知的报文时,可根据自身情况进行是否提交异议申请的选择,若不提交申请,则进行罚金的缴纳,扣除用户相应的金额,降低其信用值;若提交申请,则需向智能合约缴纳一定以太币作为申请金,防止恶意申请。诊断结束后,若非窃电用户则返还申请金,若为窃电用户则没收申请金并进行罚金的缴纳,并降低相应的信用值。
反馈处理智能合约主要由窃电反馈,缴纳保证金,缴纳罚金和降低信誉值四部分组成。当解密用电数据后,电网供应商通过基于窃电检测判断是否用户由窃电行为,如果存在窃电行为则会在智能电表端产生警报,并发送报文到用户手机端。若提出异议申请则进行缴纳保证金函数部分,没有异议则进入缴纳罚金函数部分,电网运营商查验用户的账户金额剩余情况,依据不同的电费情况设定相应的智能合约。当用户的缴纳欠费时,智能电表会触发智能合约,发送消息到用户手机端,通知用户及时缴纳电费。当用户已严重欠费时,智能电表会跳闸,以强制用户缴纳电费。同时,确定窃电的用户也将通过降低信誉值部分对其进行信誉值降低操作,并记录进区块链中。
此外,需要说明的是,本说明书中所描述的具体实施例,其零、部件的形状、所取名称等可以不同,本说明书中所描述的以上内容仅仅是对本发明结构所作的举例说明。凡依据本发明专利构思所述的构造、特征及原理所做的等效变化或者简单变化,均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (5)
1.一种基于区块链的智能电网隐私保护及窃电检测方法,其特征在于:包括如下步骤:
1)、系统初始化;
系统初始化由电网运营商PS负责执行,包括如下步骤:
(2)PS通过使用电表的伪随机数生成器随机生成了一个智能电表的伪身份PIDi和一个用户的密钥ki,并分配给用户SMi;
2)、数据聚合请求;
在当前报告时间点tps,PS执行以下过程来发起数据聚合请求:
(2)进行hash处理:Hi=h(Xi||ki||T1),Hps=h(Kps||tps);
(3)PS导出信息:(X,H)={(X1,H1)||(X2,H2)||…||(Xn,Hn)};
(4)计算:R={(X,H)||Hps||tps};
(5)将R发布给预选记账节点ZSM;
3)、数据聚合请求回复;
(1)在当前的报告时间点tZ1,各预选记账节点ZSM接收R后,验证tps和Hps,防止重放攻击,并进行PS身份认证;
(2)进行hash处理:Yi=h(Xi||Hi||ki||tZ1);
(3)发送Yi给用户SMi;
4)、用户报告生成;
5)、安全数据聚合;
(4)各预选记账节点将Z发送给当前主节点,主节点将聚合数据及报文记录到新产生的区块中;
6)、数据聚合恢复;
7)、控制中心CC对用电数据进行检测和分析,从而检测用户的窃电行为。
3.根据权利要求1所述的基于区块链的智能电网隐私保护及窃电检测方法,其特征在于:所述的步骤6)之后还包括以下步骤:用户密钥更新和伪身份更新,具体包括如下步骤:
(a)伪身份生成和传输;
(4)进行hash操作:V1=h(Kps||x);
(5)进行hash操作:V2=h(T||y||ki);
(6)发送{x,y,V1,V2,tps1}给ZSM;
(b)ZSM密钥更新;
在当前的报告时间点tz3,新的ZSM接收{x,y,V1,V2,tps1},并执行以下步骤:
(1)验证tps1,V1,防止重放攻击,并进行PS身份认证;
(4)发送{(y,V2,tz3)}给SMi;
(c)用户密钥更新和伪身份更新;
SMi接收{(y,V2,tz3)},并执行以下步骤:
(1)验证tz3,V2,防止重放攻击,进行PS身份认证;
4.根据权利要求1所述的基于区块链的智能电网隐私保护及窃电检测方法,其特征在于:步骤7)具体包括如下步骤:
(1)数据处理;
如果由于智能电表原因,造成用电数据经常丢失或出现错误的值,在此将利用插值方法,根据以下等式来恢复缺失值:
其中xi表示一段时间:内的用电量数据中的值;如果xi是空字符或非数字字符,将其表示为NaN;
此外,还发现有离群值中的电力消耗数据,根据三西格马定律,通过以下方程恢复值:
,根据三西格马定律,通过以下方程恢复值:
其中x是由xi逐日组成的向量,avg(x)是x的平均值,std(x)是x的标准差,该方法可以有效的减轻离群值;
在处理完缺失值和离群值后,由于神经网络对不同数据的敏感性,对用电量数据进行归一化,具体来说,采用最大最小尺度法对数据进行归一化,其公式如下:
其中min(x)是x中的最小值,max(x)是x中的最大值;
(2)建模;
构建神经网络模型,利用样本数据对模型训练调优;
选择宽分量来学习特征的频繁共现,全连接层中的神经元都根据以下等式,利用一维用电数据计算自己的score:
其中yj是第j个神经元中全连接层的输出,n是1-D输入数据(x)的长度,wi,j表示第i个输入值和第j个神经元之间的神经元权值,b1是偏差;
计算完成后,通过激活函数将该值发送给上层连接的单元,以确定该值对下一步预测的贡献程度,激活函数如下:
uj:=f(yj)=max(0,yj),
其中uj是激活计算后的输出,f(·)是激活函数;
利用一个深度CNN组件以二维方式处理耗电量数据,具体来说,将一维电力消耗数据按周转换为二维数据;
接下来,让深度CNN分量在二维耗电量数据上进行训练;
以Sigmoid为输出层的全连接层对目标进行分类,显示两种类别,窃电或没有;如果窃电概率大于目标正常值,可以认为该用电异常,反之亦然;
窃电检测的结果表示为1或0,其中异常数据表示记为1,而正常数据表示为0;当电网运营商完成窃电检测后,将报文加密并发送到新产生的区块中。
5.根据权利要求1所述的基于区块链的智能电网隐私保护及窃电检测方法,其特征在于:步骤7)之后,还包括如下步骤:
CC通过步骤7)判断出来存在窃电嫌疑的用户,将它们加入窃电嫌疑列表,在后续的数据获取及处理中,对列表内用户进行着重分析,实现嫌疑用户的重点监测;一旦确认出现违法行为,可联合PS对该用户采取惩罚措施;
窃电问题的善后处理方案流程:设备先提交它们的信誉值给反馈处理智能合约,由合约发布确认窃电行为的通知;智能手机接收到确认窃电行为通知的报文时,可根据自身情况进行是否提交异议申请的选择,若不提交申请,则进行罚金的缴纳,扣除用户相应的金额,降低其信用值;若提交申请,则需向智能合约缴纳一定以太币作为申请金,防止恶意申请;诊断结束后,若非窃电用户则返还申请金,若为窃电用户则没收申请金并进行罚金的缴纳,并降低相应的信用值。
反馈处理智能合约由窃电反馈、缴纳保证金、缴纳罚金和降低信誉值四部分组成;当解密用电数据后,电网供应商通过基于窃电检测判断是否用户由窃电行为,如果存在窃电行为则会在智能电表端产生警报,并发送报文到用户手机端;若提出异议申请则进行缴纳保证金函数部分,没有异议则进入缴纳罚金函数部分,电网运营商查验用户的账户金额剩余情况,依据不同的电费情况设定相应的智能合约;当用户的缴纳欠费时,智能电表会触发智能合约,发送消息到用户手机端,通知用户及时缴纳电费;当用户已严重欠费时,智能电表会跳闸,以强制用户缴纳电费;同时,确定窃电的用户也将通过降低信誉值部分对其进行信誉值降低操作,并记录进区块链中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111634473.3A CN114298862A (zh) | 2021-12-29 | 2021-12-29 | 一种基于区块链的智能电网隐私保护及窃电检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111634473.3A CN114298862A (zh) | 2021-12-29 | 2021-12-29 | 一种基于区块链的智能电网隐私保护及窃电检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298862A true CN114298862A (zh) | 2022-04-08 |
Family
ID=80970993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111634473.3A Withdrawn CN114298862A (zh) | 2021-12-29 | 2021-12-29 | 一种基于区块链的智能电网隐私保护及窃电检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298862A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648255A (zh) * | 2022-05-18 | 2022-06-21 | 国网浙江省电力有限公司 | 基于营销业务风险数字化内控体系的稽查方法及平台 |
CN115101067A (zh) * | 2022-06-16 | 2022-09-23 | 陈明华 | 一种基于区块链技术的智能电网语音系统 |
-
2021
- 2021-12-29 CN CN202111634473.3A patent/CN114298862A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648255A (zh) * | 2022-05-18 | 2022-06-21 | 国网浙江省电力有限公司 | 基于营销业务风险数字化内控体系的稽查方法及平台 |
CN115101067A (zh) * | 2022-06-16 | 2022-09-23 | 陈明华 | 一种基于区块链技术的智能电网语音系统 |
CN115101067B (zh) * | 2022-06-16 | 2024-04-16 | 陈明华 | 一种基于区块链技术的智能电网语音系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yao et al. | Energy theft detection with energy privacy preservation in the smart grid | |
Ferrag et al. | DeepCoin: A novel deep learning and blockchain-based energy exchange framework for smart grids | |
Nabil et al. | PPETD: Privacy-preserving electricity theft detection scheme with load monitoring and billing for AMI networks | |
Hu et al. | A collaborative intrusion detection approach using blockchain for multimicrogrid systems | |
Xu et al. | Efficient and privacy-preserving truth discovery in mobile crowd sensing systems | |
Kurt et al. | Secure distributed dynamic state estimation in wide-area smart grids | |
Xiang et al. | Power system reliability evaluation considering load redistribution attacks | |
Yang et al. | On false data injection attacks against Kalman filtering in power system dynamic state estimation | |
CN110008720B (zh) | 基于联盟链的物联网动态数据溯源方法及装置 | |
Bitirgen et al. | A hybrid deep learning model for discrimination of physical disturbance and cyber-attack detection in smart grid | |
CN109274498A (zh) | 一种基于联盟链的智能电网数据聚合及监控方法 | |
McLaughlin et al. | AMIDS: A multi-sensor energy theft detection framework for advanced metering infrastructures | |
CN114298862A (zh) | 一种基于区块链的智能电网隐私保护及窃电检测方法 | |
CN107438230A (zh) | 安全无线测距 | |
Badr et al. | Privacy-preserving and communication-efficient energy prediction scheme based on federated learning for smart grids | |
Kim et al. | Smart grid security: Attacks and defence techniques | |
Mirzaee et al. | Smart grid security and privacy: From conventional to machine learning issues (threats and countermeasures) | |
Zhang et al. | Blockchain-based secure equipment diagnosis mechanism of smart grid | |
CN108717666A (zh) | 基于区块链的个性化车险计算方法、系统和终端 | |
CN112702341A (zh) | 一种基于隐私保护的用户用电数据共享方法及系统 | |
CN117557270A (zh) | 移动终端安全支付管理方法及系统 | |
CN116913071A (zh) | 一种基于车路云协同的自动驾驶车辆编队方法 | |
Zhang et al. | Antiquantum privacy protection scheme in advanced metering infrastructure of smart grid based on consortium blockchain and rlwe | |
Zhao et al. | Privacy-preserving electricity theft detection based on blockchain | |
Guo et al. | Event-oriented dynamic security service for demand response in smart grid employing mobile networks |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220408 |