(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211212969.6 (22)申请日 2022.09.29 (71)申请人 国网江苏省电力有限公司苏州供电 分公司 地址 215000 江苏省苏州市 劳动路555号 (72)发明人 杨钰　顾杨青　兴胜利　王劼　 (74)专利代理 机构 苏州创元专利商标事务所有 限公司 3210 3 专利代理师 乔峰 (51)Int.Cl. G06F 21/60(2013.01) G06F 21/62(2013.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种电力 信息加密方法 (57)摘要 本发明公开了一种电力信息加密方法， 包 括： 以机器学习的方式建立深度学习模型， 深度 学习模型包括表征模型， 表征模 型包括编码网络 和像素卷积网络， 将电力系统数据的非敏感输入 信息输入编码网络以得到表征信息， 进而得到表 征的经验分布； 将表征信息输入像素卷积网络以 得到预测分布， 根据表征模型的损失函数进行训 练以减少经验分布与预测分布的差异， 以优化表 征模型， 将优化后的表征模型输出的表征信息作 为加密信息进行传输； 通过预测电力需求任务测 试以所得表征为输入， 通过回归模 型的输出评估 以表征的可用性。 本发明提供的电力信息加密方 法利用深度学习对电力系统信息传输中潜在敏 感信息进行加密以及剔除， 实现数据传输时的安 全性。 权利要求书2页 说明书7页 附图2页 CN 115525915 A 2022.12.27 CN 115525915 A 1.一种电力 信息加密方法， 其特 征在于， 包括以下步骤： 以机器学习的方式对电力系统数据进行建立深度 学习模型， 所述深度 学习模型包括表 征模型， 所述表征模型包括编码网络和像素卷积网络， 将电力系统数据的非敏感输入信息 输入编码网络以得到表征信息， 进而得到表征 的经验分布； 所述像素卷积网络使用前面的 表征维度来预测后面的表征维度， 将所述表征信息输入所述像素卷积网络 以得到预测分 布， 根据所述表征模型 的损失函数进行训练以减少所述经验分布与所述预测分布的差异， 进而优化所述表征模型， 将优化后的表征模型输出的表征信息作为加密信息进行传输 。 2.根据权利要求1所述的电力信 息加密方法， 其特征在于， 所述编码网络定义两层神经 网络， 采用Relu激活函数作为层间激活函数， 采用Tanh激活函数作为尾层激活函数， 通过所 述编码网络进行表征的公式如下： z＝Tanh(W2×Relu(W1×x)) 式中， z为表征信息， x为非敏感输入信息， W1为第一层网络的权重， W2为第一层网络的权 重； 所述像素 卷积网络用前k ‑1项表征维度预测第k项表征维度信息， 其公式如下： 式中， zi表示第i个维度的特 征， m表示表征的特 征数量。 3.根据权利要求2所述的电力信 息加密方法， 其特征在于， 所述表征模型的损失函数如 下： 式中， β 是控制压缩率的参数,m表示表征的特 征数量， P表示经验分布， G表示预测分布。 4.根据权利要求3所述的电力信 息加密方法， 其特征在于， 给出所述深度 学习模型输入 数据(x， s， y)以及输出数据z的定义， x为非敏感输入信息， s为敏感输入信息， x和s根据下游 业务的任务需求进行区分， y为电量需求实际值， z为通过所述深度学习模型给出的电力数 据压缩表征； 所述深度学习模型还包括回归模型， 所述回归模型用于地区的 电量预测， 将深度学习 的模型输出表征作为回归模型 的输入， 以得到地区的电力需求预测值， 对所述电量需求预 测值进行考察以判断是否满足预测的准确 性和与敏感信息s的独立性要求， 若不满足预设 要求， 则需调整 所述表征模 型中的参数β， 进一步优化表征模 型， 直至满足预设要求， 将进一 步优化后的表征模型输出的表征信息作为加密信息进行传输 。 5.根据权利要求4所述的电力信 息加密方法， 其特征在于， 所述考察包括预测准确率考 察和差异性指标考 察， 其中， 所述预测准确率 考察利用以下公式进行， 式中， yi是区域i的电力需求实际值， 是深度学习模型 给出的电力需求预测值； 所述差异性指标考 察利用以下公式进行，权　利　要　求　书 1/2 页 2 CN 115525915 A 2根据电量需求将用户 划分为高需求用户 和低需求用户， 划分的阈值由实 际需求而定； TPs＝i是在i类数据上的预测为高需求用户实际也为高需求用户的数量； FPs＝i是在i类数据 上的预测为高需求用户实际为低需求用户的数量； Ns＝i是在i类数据上的用户的数量； TPs＝j 是在j类数据上的预测为高需求用户实际也为高需求用户的数量； FPs＝j是在j类数据上的预 测为高需求用户实际为低需求用户的数量； Ns＝j是在j类数据上的用户的数量。 6.根据权利要求5所述的电力信 息加密方法， 其特征在于， 若所述预测准确率满足要求 而所述差异 性指标不满足要求， 则需调高β 数值再次进 行学习优化， 若 所述差异 性指标满足 要求而所述预测准确率 不满足要求， 则需调低β 再次进行 学习优化。 7.根据权利要求4所述的电力信 息加密方法， 其特征在于， 所述 回归模型对应的回归 网 络记作f， 其对应的损失函数如下： 其中， 是回归阈值。 8.根据权利要求1所述的电力信 息加密方法， 其特征在于， 所述电力系统数据为上游向 下游输出的数据， 所述 非敏感输入信息的数据包括地域信息、 地区用电总量、 地区厂矿企业 数量、 地区规模以上厂矿企业数量、 地区经济情况、 地区地理属性、 居民人口数量信息， 敏感 输入信息的数据包括用于下游任务的训练数据中夹带的显式敏感特 征。 9.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1至8任一项所述 的电力信息加密方法。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该计算机程序被 处理器执行时实现权利要求1至8任一项所述的电力 信息加密方法。权　利　要　求　书 2/2 页 3 CN 115525915 A 3