配电网络中无模型隐私保护潮流分析
系统与控制
2025-02-28 v1 系统与控制
摘要
无模型潮流计算受智能电表(SM)数据兴起和网络拓扑缺失的驱动，通常依赖于人工智能神经网络(ANN)。然而，训练ANN需要大量SM数据，对配电网络中的家庭构成隐私风险。为确保客户在SM数据收集和在线共享过程中的隐私，我们引入了一种隐私保护潮流计算框架，由两种本地策略组成：本地随机化策略(LRS)和基于本地零知识证明(ZKP)的数据收集策略。首先，LRS用于对有功功率和无功功率数据进行不可逆变换和鲁棒的隐私保护，从而确保个人数据保持机密。随后，采用基于ZKP的数据收集策略安全地收集ANN的训练数据集，使SM能够在不暴露实际电压幅值的情况下与配电系统运营商交互。此外，为缓解负荷曲线季节性变化引起的精度损失，在在线应用中引入了增量学习策略。三个具有不同测量误差的数据集的结果表明，所提出的框架可在一小时内高效收集一个月的SM数据。此外，在多种测量误差和负荷曲线季节性变化下，它分别稳健地保持0.005 p.u.和0.014 p.u.的平均误差。
引用
@article{arxiv.2502.19912,
title = {Model-Free Privacy Preserving Power Flow Analysis in Distribution Networks},
author = {Dong Liu and Juan S. Giraldo and Peter Palensky and Pedro P. Vergara},
journal= {arXiv preprint arXiv:2502.19912},
year = {2025}
}