CN117874556A - 基于区块链的电力大数据安全共享方法 - Google Patents

Abstract

本发明涉及数据安全技术领域，具体涉及基于区块链的电力大数据安全共享方法，该方法包括：获取各电力时序数据序列；根据电力时序数据序列中的数据变化情况构建电力时序数据序列的电力能耗变动序列；构建各电力能耗变动序列的递变表征系数；计算不同电力时序数据序列之间的序列关联性系数，基于此计算电力时序数据序列的电力数据关系密切指数；计算电力时序变动序列的规律变化指数及电力时序平稳序列的季节变化指数，基于此计算电力时序数据序列的周期性确信指数，进而得到密钥长度调整系数，以自适应设定加密密钥长度，对电力数据进行加密，实现电力数据安全共享。本发明提高了数据保护性，保证电力数据的安全共享。

Description

基于区块链的电力大数据安全共享方法

技术领域

本申请涉及数据安全技术领域，具体涉及基于区块链的电力大数据安全共享方法。

背景技术

区块链技术是一种基于密码学以及分布式计算的数据存储和传输技术，它通过块链式数据结构对数据进行验证和存储、通过分布式节点共识算法对数据进行生成和更新、通过密码学技术保障传输数据与访问控制的安全、通过由自动化脚本代码组成的智能合约对数据进行编程和操作，是一种全新的分布式基础架构，具有去中心化、数据不可篡改、用户身份的匿名性等特点，已被广泛应用各个领域。

随着大数据以及人工智能的快速发展，电力大数据的重要性越来越高。但是科技信息技术的进步，无疑也会对信息的安全性带来很大的挑战。电力数据在共享过程中如果不做好加密处理，将会造成数据的损坏、信息的外泄，严重时将带来较大的经济损失，因此需要在电力数据共享过程中进行加密处理。但在电力数据中并非所有数据的机密性都是最高的，若全部采用相同的密钥长度，则有可能会导致机密性高的数据加密效果较差，而机密性低的数据解密消耗的时间长，进而浪费更多的时间和资源。

在众多加密算法中，AES加密算法是加密效果较好、应用领域较为广泛的加密算法之一，常被用于各种敏感数据的加密中。但由于AES加密算法需要预先设定固定的密钥长度，密钥长度越长，加密效果越好，但也会消耗更多的解密资源，密钥长度越短，加密效果越差，但解密速度会得到提升，因此选取一个合适的密钥长度可以更好地对数据进行加密。

发明内容

为了解决上述技术问题，本发明提供基于区块链的电力大数据安全共享方法，以解决现有的问题。

本发明的基于区块链的电力大数据安全共享方法采用如下技术方案：

本发明一个实施例提供了基于区块链的电力大数据安全共享方法，该方法包括以下步骤：

采集各种电力数据在不同时间的数据，按照时间排序组成各电力数据的电力时序数据序列；

对于各电力时序数据序列，根据电力时序数据序列中的数据变化情况构建电力时序数据序列的电力能耗变动序列；构建各电力能耗变动序列的递变表征系数；根据电力时序数据序列之间的皮尔逊相关系数以及杰卡德距离构建电力时序数据序列之间的序列关联性系数；根据电力时序数据序列与其他各电力时序数据序列之间的序列关联性系数以及各电力能耗变动序列的递变表征系数差异构建电力时序数据序列的电力数据关系密切指数；

结合电力时序数据序列的各电力能耗变动序列构建电力时序变动序列及电力时序平稳序列；根据各电力能耗变动序列的极差以及序列内元素的变化情况得到各电力能耗变动序列的变动表征系数；根据电力时序变动序列的ApEn值及对应电力时序数据序列的各电力能耗变动序列的变动表征系数变化情况得到电力时序变动序列的规律变化指数；根据电力时序平稳序列的各元素之间的关系以及季节性强度得到电力时序平稳序列的季节变化指数；将规律变化指数与季节变化指数的和值作为对应电力时序数据序列的周期性确信指数；

电力时序数据序列的电力数据关系密切指数与周期性确信指数的乘积得到电力时序数据序列的密钥长度调整系数；采用聚类算法结合密钥长度调整系数对各电力时序数据序列进行划分，并自适应设定加密密钥长度；通过AES加密算法完成电力数据的加密，实现电力数据安全共享。

进一步地，所述电力时序数据序列的电力能耗变动序列包括：

将电力时序数据序列作为变点检测算法的输入，提取电力时序数据序列的各变点，将任意两个变点之间的所有数据组成电力时序数据序列的各电力能耗变动序列。

进一步地，所述构建各电力能耗变动序列的递变表征系数包括：

对于各电力时序数据序列，统计电力时序数据序列n的第m个电力能耗变动序列的最后一个数据对应的时刻、第m+1个电力能耗变动序列/>的第一个数据对应的时刻，分别记为/>；统计电力时序数据序列n的第m个电力能耗变动序列的持续时间长度，记为/>；电力时序数据序列n的第m个电力能耗变动序列的递变表征系数/>的表达式为：

式中，分别为第m个电力能耗变动序列中的第i个、第i-1个数据，N为第m个电力能耗变动序列的数据个数。

进一步地，所述序列关联性系数包括：

计算不同电力时序数据序列之间的皮尔逊相关系数以及杰卡德距离，计算所述杰卡德距离与预设数值的和值，将所述皮尔逊相关系数的绝对值与所述和值的比值作为不同电力时序数据序列之间的序列关联性系数。

进一步地，所述电力数据关系密切指数的表达式为：

式中，为电力时序数据序列n的电力数据关系密切指数，U为电力时序数据序列总数，/>为电力时序数据序列n与电力时序数据序列u的序列关联性系数，p为电力时序数据序列n与电力时序数据序列u中电力能耗变动序列个数的最小值，e为自然常数，/>分别为电力时序数据序列n、电力时序数据序列u的第m个电力能耗变动序列的递变表征系数。

进一步地，所述构建电力时序变动序列及电力时序平稳序列包括：

将包含元素个数最多的电力能耗变动序列作为电力时序数据序列的基准序列，将电力时序数据序列的其他各电力能耗变动序列进行均值填充达到与基准序列元素数量相同；

从电力时序数据序列中剔除除电力能耗变动序列中的数据以外的数据，将电力时序数据中剩余的数据按照时间顺序排序组成电力时序变动序列，将剔除的数据按照时间顺序排序组成电力时序平稳序列。

进一步地，所述各电力能耗变动序列的变动表征系数包括：

对于各电力能耗变动序列，计算电力能耗变动序列的极差及均值，获取电力能耗变动序列的各元素与所述均值的差值绝对值，计算电力能耗序列中所有元素获取的所述差值绝对值的和值，将所述和值与所述极差的乘积作为电力能耗变动序列的变动表征系数。

进一步地，所述电力时序变动序列的规律变化指数包括：

对于电力时序数据序列的各电力能耗变动序列，统计电力能耗变动序列的个数以及所有电力能耗变动序列的变动表征系数的最小值，计算各电力能耗变动序列的变动表征系数与所述最小值的差值绝对值，获取所有电力能耗变动序列的所述差值绝对值的和值，将所述和值作为以自然常数为底数的指数函数的负指数；

对于电力时序数据序列所对应的电力时序变动序列，采用ApEn算法计算电力时序变动序列的ApEn值，其中将电力能耗变动数据序列之间的递变表征系数的差值绝对值作为度量距离；

计算所述个数与所述ApEn值的乘积的倒数，将所述倒数与所述指数函数的计算结果的乘积作为电力时序变动序列的规律变化指数。

进一步地，所述电力时序平稳序列的季节变化指数包括：

采用STL算法提取电力时序平稳序列S的季节项值、趋势性值和残差值，并利用季节项值和残差值计算电力时序平稳序列S的季节性强度，记为；

将电力时序平稳序列均分为多个子序列，子序列个数记为B，电力时序平稳序列S的季节变化指数的表达式为：

式中，z为子序列的数据总数，分别为第a个、第a+1个子序列的第y个元素，/>分别为第a个、第a+1个子序列的元素均值，exp()为以自然常数为底的指数函数。

进一步地，所述采用聚类算法结合密钥长度调整系数对各电力时序数据序列进行划分，并自适应设定加密密钥长度，包括：

将所有电力时序数据序列的密钥长度调整系数作为K-mediods聚类算法的输入，输出为3个聚类簇；

计算各聚类簇的密钥长度调整系数的均值，所述均值最大的聚类簇中所有电力时序数据序列的数据AES加密密钥长度为256位；所述均值最小的聚类簇中所有电力时序数据序列的数据AES加密密钥长度为128位；将剩余的最后一个聚类簇中所有电力时序数据序列的数据AES加密密钥长度设定为192位。

本发明至少具有如下有益效果：

本发明通过分析待共享分发的电力数据关联情况以及其自身的规律性特征，构建电力数据关系密切指数以及周期性确信指数，进而得到在使用AES加密算法时的加密长度调整系数，改进AES加密算法的密钥长度选择，对于不同加密需求的数据可自适应地调整加密时的密钥长度，解决了在使用AES加密算法对电力数据进行加密时固定密钥长度无法适应数据的机密性问题，提高了电力数据在进行共享过程中数据的安全性以及解密效率。

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和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明提供的基于区块链的电力大数据安全共享方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于区块链的电力大数据安全共享方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于区块链的电力大数据安全共享方法的具体方案。

本发明一个实施例提供的基于区块链的电力大数据安全共享方法，具体的，提供了如下的基于区块链的电力大数据安全共享方法，请参阅图1，该方法包括以下步骤：

步骤S001，在电力大数据云平台中采集各种电力数据，得到各电力时序数据序列。

在能源大数据中心采集待上传至区块链中共享分发的电力数据，获取每种电力数据在不同时间的数据值，其中，各种电力数据包括但不限于：发电量、发电功率、用电量、最大负荷等。将各种电力数据在不同时间的数据按照时间顺序进行排序构建各电力时序数据序列，其中，每种电力数据将对应一个电力时序数据序列。具体数据采集过程实施者根据实际情况而定，本实施例对此不做特殊限制。

至此，可获取各种用于共享的电力数据，得到各电力时序数据序列。

步骤S002，根据电力数据的变动情况以及与其余电力数据的关联性，构建电力数据关系密切指数；根据电能数据的自身规律性特征，构建周期性确信指数，得到密钥长度调整系数。

对于企业而言，电力在不同设备、工艺上的使用情况可以在一定程度上反应该企业的主要运营方向，甚至会在一定程度上表示该企业有意向的发展方向等，所以部分电力的使用数据对于某些企业而言属于高机密的数据，一旦在共享分发的过程中被攻击或是遭到泄露，则可能会对企业产生较大的损失，因此，在电力数据共享过程中，需要对其进行一定程度的加密。

数据的加密主要是指将明文经过密钥以及加密函数的转换，变成无意义的密文过程，对于想要破解加密数据的攻击者而言，明文数据的关联程度越大，密钥越简单越短，破解的难度则会相对降低，所以对于关联性较大的数据，更应该采用更长密钥长度进行加密。针对某个企业的电力使用数据，某些方面的电力使用存在一定的关联性，如企业工厂同一生产线上的生产设备用电，在进行产品生产时，该生产线上的设备都会同时进行工作使用电力，亦或是某时生产效率需要提升，则在提升相关设备的功率时，其一系列设备的耗电量也会提升，并且在高生产效率的持续时间内，其高耗电量的持续时间也较为接近，其关联性则较大，更容易遭到攻击或破解。针对电力时序数据序列，将电力时序数据序列n作为变点检测算法的输入，采用变点检测算法提取电力时序数据序列中的各变点。将任意两个变点之间的所有数据构建各电力能耗变动序列，并将其记录为/>，/>的含义为第n个电力时序序列中的第m个电力能耗变动序列。其中变点检测算法为公知技术，本实施例不再赘述其过程。构建电力时序数据序列的电力数据关系密切指数（O）：

式中，为电力时序数据序列n的第m个电力能耗变动序列的递变表征系数，分别为电力时序数据序列n的第m个和第m+1个电力能耗变动序列，/>为获取序列的最后一个数据对应的时刻数据函数，/>为电力时序数据序列n的第m个电力能耗变动序列的最后一个数据对应的时刻，/>为获取序列的第一个数据对应的时刻数据函数，/>为电力时序数据序列n的第m+1个电力能耗变动序列的第一个数据对应的时刻，/>分别为第m个电力能耗变动序列中的第i个、第i-1个数据，N为第m个电力能耗变动序列的数据个数，/>为计算序列持续时间长度函数，/>为电力时序数据序列n的第m个电力能耗变动序列的持续时间长度。

为电力时序数据序列n与电力时序数据序列u的序列关联性系数，/>为皮尔逊相关系数函数，/>为计算电力时序数据序列n与电力时序数据序列u的皮尔逊相关系数，/>为杰卡德距离函数，/>为电力时序数据序列n与电力时序数据序列u的杰卡德距离，/>为防止分母为0的系数，本实施例中/>。

为电力时序数据序列n的电力数据关系密切指数，U为电力时序数据序列总数，p为电力时序数据序列n与电力时序数据序列u中电力能耗变动序列个数的最小值，e为自然常数，/>分别为电力时序数据序列n、电力时序数据序列u的第m个电力能耗变动序列的递变表征系数。其中皮尔逊相关系数以及杰卡德距离均为公知技术，本实施例不再赘述其过程。

当电力时序数据序列n的第m个电力能耗变动序列中的最后一个数据对应时刻与下一个电力能耗变动序列中第一个数据对应时刻的差值越小，的值越小，说明两个相邻的电力能耗变动序列之间持续的时间越短。当电力时序数据序列n与电力时序数据序列u的相关性越大，/>的值越大，且两个序列越相似，/>的值越小，即/>越大，说明电力时序数据序列n与电力时序数据序列u的关联程度越高；/>越大且两者的电力能耗变动序列的递变表征系数越接近，/>的值越大，即/>越大，说明电力时序数据序列n与其余电力时序数据序列的数据关系更为密切，其被攻击者破解的可能性越大，需要加密的程度越高。

至此，获得每个电力时序数据序列的电力数据关系密切指数O。电力数据关系密切指数越大，对应电力时序数据序列越需要加长AES密钥长度的数据。

考虑到对于电力数据密切程度较低的序列，也并非都不需要加长其加密的密钥长度，因为电力的使用存在着一定的规律性，例如白天生产工作时间使用的较多，晚上生产停止使用较少，以致其电力数据自身存在一定的规律性变化，而规律性越明显，其加密后被破解的难度也相对较低，因此需要进行密钥长度的增加，也即需要对各电力时序数据序列进行进一步的规律性分析。

具体的，以第n个电力时序数据序列为例，针对其中的电力能耗变动序列的近似程度越高，且每个电力能耗变动序列的时间间隔越接近，说明该电力时序数据中的每次变化都存在着一定的周期性，并且变化的过程以及每次变化所带来的电力能耗峰值越接近，说明其每次使用电力的情况都较为相似，规律性较高。由于每一个电力能耗变动序列可能存在着数据量上的差异，现将所有电力能耗变动序列中包含元素个数最大的一个序列作为基准序列，并将基准序列长度其记录为L。对于数据量小于该基准序列的电力能耗变动序列，均采用均值填充的方法，将利用电力能耗变动序列中的元素均值进行数据填充，使得第n个电力时序数据序列中的所有电力能耗变动序列的数据量保持一致。其中均值填充法为公知技术，本实施例不再赘述其过程。

对于第n个电力时序数据序列，将除电力能耗变动序列中的数据以外的数据从第n个电力时序数据序列中剔除，并将剩余的数据按照时间顺序排序，构建电力时序变动序列，并将其记录为R。将剔除的数据按照时间顺序排序，构建电力时序平稳序列，并将其记录为S。将电力时序变动序列R作为输入，采用ApEn算法（Approximate Entropy），窗口长度设置为L，将电力能耗变动数据序列之间的递变表征系数M的差值绝对值作为度量距离，输出为电力时序变动序列的ApEn值。将电力时序平稳序列S作为STL算法的输入，STL算法的输出为电力时序平稳序列S的季节项值、趋势性值和残差值，并利用季节项值和残差值计算电力时序平稳序列S的季节性强度，并将其记录为。其中ApEn算法和STL算法均为公知技术，本实施例不再赘述其过程。最后针对电力时序平稳序列，将电力时序平稳序列均分为多个等长的子序列，子序列长度也即包含的数据总数，实施者自行设定，本实施例中子序列长度为100，构建电力时序数据序列的周期性确信指数（Z）：

式中，为第i个电力能耗变动序列的变动表征系数，/>为第i个电力能耗变动序列，为极差计算函数，/>为计算第i个电力能耗变动序列的极差，/>为第i个电力能耗变动序列中的第v个元素，/>为第i个电力能耗变动序列的元素均值，L为电力能耗变动序列中的元素总数。

为电力时序变动序列R的规律变化指数，/>为电力时序数据序列的电力能耗变动序列个数，/>为电力时序变动序列R的ApEn值，/>为第i个电力能耗变动序列的变动表征系数，/>电力时序数据序列的所有电力能耗变动序列的变动表征系数的最小值。

为电力时序平稳序列S的季节变化指数，/>为电力时序平稳序列S的季节性强度，B为子序列个数，z为子序列的数据总数，/>分别为第a个、第a+1个子序列的第y个元素，/>分别为第a个、第a+1个子序列的元素均值，exp()为以e为底的指数函数。

Z为电力时序数据序列的周期性确信指数。当第i个电力能耗变动序列的极差越大，且其中的每一个数据变化程度越大，的值越大，说明该电力能耗变动序列的数据变动特征越明显。而当电力时序变动序列R的ApEn值越小，且其中的电力能耗变动序列的变动表征系数差异越小，/>的值越大，说明该电力时序序列的元素变化越规律。当电力时序稳定序列S的季节性强度越大，且其中的子序列变化波动程度越相似，/>的值越大，说明电力时序稳定序列S的季节性程度越强。最终/>和/>越大，Z越大，即由电力时序变动序列R与电力时序平稳序列S组成的电力时序数据序列自身存在周期性的可能性越大，越应该进行更好的加密，以防止被攻击破解。

至此，获得每个电力时序数据序列的周期性确信指数Z。结合电力数据关系密切指数O，构建电力数据的密钥长度调整系数（A）：

式中，为第n个电力时序数据序列的密钥长度调整系数，/>为第n个电力时序数据序列的周期性确信指数，/>为第n个电力时序数据序列的电力数据关系密切指数。

当第n个电力时序数据序列自身的周期性越强，且与其余电力数据的关系密切程度越高，说明该数据被攻击破解的可能性越大，更需要选择密钥长度较长的进行加密，以免遭轻易破解。

步骤S003，结合各电力时序数据序列的密钥长度调整系数，结合加密算法对电力时序数据进行加密处理，保证电力大数据的安全共享。

将所有电力时序数据序列的密钥长度调整系数作为K-mediods聚类算法的输入，聚类类别个数设定为3，将电力时序数据序列之间的密钥长度调整系数的差值绝对值作为度量距离，输出为3个聚类簇，计算每个聚类簇中的密钥长度调整系数均值，将密钥长度调整系数均值最大的聚类簇中所有的电力时序数据采用AES加密中的256位密钥进行加密；将密钥长度调整系数均值最小的聚类簇中所有的电力时序数据采用AES加密中的128位密钥进行加密；将剩余的最后一个聚类簇中所有的电力时序数据采用AES加密中的192位密钥进行加密。

在能源大数据中心确定需要进行电力数据的共享分发时：

a）先从能源数据库中调出待共享分发的电力数据；

b）并确定需要进行共享的目标能源数据管理平台，并确认接收数据的能源管理平台访问数据权限是否符合规定；

c）将待共享分发的电力数据作为输入，采用AES加密算法进行加密，密钥长度的选择根据每个电力时序数据序列的密钥长度调整系数进行选择调整，输出为待共享分发的电力数据密文；

d）将待共享分发的电力数据密文传输至各个目标能源数据管理平台中；

e）各个能源数据管理平台利用提前获得的AES密钥对密文进行解密，进而获得能源大数据中心共享分发的电力数据，并将其存储至平台的数据库中。

其中K-mediods算法、AES加密算法以及数据的共享分发均为公知技术，本实施例不再赘述其过程，对于数据的共享分发过程实施者可自行选取其他方法，本实施例对此不做特殊限制。

至此，完成对电力数据的自适应密钥调整加密，保证电力数据共享安全，提高数据安全性，实现基于区块链的电力大数据的安全共享。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (5)

1.基于区块链的电力大数据安全共享方法，其特征在于，该方法包括以下步骤：

采集各种电力数据在不同时间的数据，按照时间排序组成各电力数据的电力时序数据序列；

对于各电力时序数据序列，根据电力时序数据序列中的数据变化情况构建电力时序数据序列的电力能耗变动序列；构建各电力能耗变动序列的递变表征系数；根据电力时序数据序列之间的皮尔逊相关系数以及杰卡德距离构建电力时序数据序列之间的序列关联性系数；根据电力时序数据序列与其他各电力时序数据序列之间的序列关联性系数以及各电力能耗变动序列的递变表征系数差异构建电力时序数据序列的电力数据关系密切指数；

结合电力时序数据序列的各电力能耗变动序列构建电力时序变动序列及电力时序平稳序列；根据各电力能耗变动序列的极差以及序列内元素的变化情况得到各电力能耗变动序列的变动表征系数；根据电力时序变动序列的ApEn值及对应电力时序数据序列的各电力能耗变动序列的变动表征系数变化情况得到电力时序变动序列的规律变化指数；根据电力时序平稳序列的各元素之间的关系以及季节性强度得到电力时序平稳序列的季节变化指数；将规律变化指数与季节变化指数的和值作为对应电力时序数据序列的周期性确信指数；

电力时序数据序列的电力数据关系密切指数与周期性确信指数的乘积得到电力时序数据序列的密钥长度调整系数；采用聚类算法结合密钥长度调整系数对各电力时序数据序列进行划分，并自适应设定加密密钥长度；通过AES加密算法完成电力数据的加密，实现电力数据安全共享；

所述构建各电力能耗变动序列的递变表征系数包括：

对于各电力时序数据序列，统计电力时序数据序列n的第m个电力能耗变动序列的最后一个数据对应的时刻、第m+1个电力能耗变动序列/>的第一个数据对应的时刻，分别记为/>；统计电力时序数据序列n的第m个电力能耗变动序列的持续时间长度，记为/>；电力时序数据序列n的第m个电力能耗变动序列的递变表征系数/>的表达式为：

式中，分别为第m个电力能耗变动序列中的第i个、第i-1个数据，N为第m个电力能耗变动序列的数据个数；

所述电力数据关系密切指数的表达式为：

式中，为电力时序数据序列n的电力数据关系密切指数，U为电力时序数据序列总数，为电力时序数据序列n与电力时序数据序列u的序列关联性系数，p为电力时序数据序列n与电力时序数据序列u中电力能耗变动序列个数的最小值，e为自然常数，/>分别为电力时序数据序列n、电力时序数据序列u的第m个电力能耗变动序列的递变表征系数；

所述构建电力时序变动序列及电力时序平稳序列包括：

将包含元素个数最多的电力能耗变动序列作为电力时序数据序列的基准序列，将电力时序数据序列的其他各电力能耗变动序列进行均值填充达到与基准序列元素数量相同；

从电力时序数据序列中剔除除电力能耗变动序列中的数据以外的数据，将电力时序数据中剩余的数据按照时间顺序排序组成电力时序变动序列，将剔除的数据按照时间顺序排序组成电力时序平稳序列；

所述各电力能耗变动序列的变动表征系数包括：

对于各电力能耗变动序列，计算电力能耗变动序列的极差及均值，获取电力能耗变动序列的各元素与所述均值的差值绝对值，计算电力能耗序列中所有元素获取的所述差值绝对值的和值，将所述和值与所述极差的乘积作为电力能耗变动序列的变动表征系数；

所述电力时序平稳序列的季节变化指数包括：

采用STL算法提取电力时序平稳序列S的季节项值、趋势性值和残差值，并利用季节项值和残差值计算电力时序平稳序列S的季节性强度，记为；

将电力时序平稳序列均分为多个子序列，子序列个数记为B，电力时序平稳序列S的季节变化指数的表达式为：

式中，z为子序列的数据总数，分别为第a个、第a+1个子序列的第y个元素，分别为第a个、第a+1个子序列的元素均值，exp()为以自然常数为底的指数函数。

2.如权利要求1所述的基于区块链的电力大数据安全共享方法，其特征在于，所述电力时序数据序列的电力能耗变动序列包括：

将电力时序数据序列作为变点检测算法的输入，提取电力时序数据序列的各变点，将任意两个变点之间的所有数据组成电力时序数据序列的各电力能耗变动序列。

3.如权利要求1所述的基于区块链的电力大数据安全共享方法，其特征在于，所述序列关联性系数包括：

计算不同电力时序数据序列之间的皮尔逊相关系数以及杰卡德距离，计算所述杰卡德距离与预设数值的和值，将所述皮尔逊相关系数的绝对值与所述和值的比值作为不同电力时序数据序列之间的序列关联性系数。

4.如权利要求1所述的基于区块链的电力大数据安全共享方法，其特征在于，所述电力时序变动序列的规律变化指数包括：

对于电力时序数据序列的各电力能耗变动序列，统计电力能耗变动序列的个数以及所有电力能耗变动序列的变动表征系数的最小值，计算各电力能耗变动序列的变动表征系数与所述最小值的差值绝对值，获取所有电力能耗变动序列的所述差值绝对值的和值，将所述和值作为以自然常数为底数的指数函数的负指数；

对于电力时序数据序列所对应的电力时序变动序列，采用ApEn算法计算电力时序变动序列的ApEn值，其中将电力能耗变动数据序列之间的递变表征系数的差值绝对值作为度量距离；

计算所述个数与所述ApEn值的乘积的倒数，将所述倒数与所述指数函数的计算结果的乘积作为电力时序变动序列的规律变化指数。

5.如权利要求1所述的基于区块链的电力大数据安全共享方法，其特征在于，所述采用聚类算法结合密钥长度调整系数对各电力时序数据序列进行划分，并自适应设定加密密钥长度，包括：

将所有电力时序数据序列的密钥长度调整系数作为K-mediods聚类算法的输入，输出为3个聚类簇；

计算各聚类簇的密钥长度调整系数的均值，所述均值最大的聚类簇中所有电力时序数据序列的数据AES加密密钥长度为256位；所述均值最小的聚类簇中所有电力时序数据序列的数据AES加密密钥长度为128位；将剩余的最后一个聚类簇中所有电力时序数据序列的数据AES加密密钥长度设定为192位。