面向电力负荷画像的隐私保护分布式聚类
系统与控制
2020-03-02 v1 分布式、并行与集群计算
系统与控制
信号处理
摘要
电力负荷画像有助于零售商与配电网运营商更好地理解用户的用电行为。然而，传统的负荷画像聚类方法是集中式的，需要访问所有智能电表数据，从而给用户和零售商带来隐私问题。为解决此问题，我们提出了一种隐私保护分布式聚类框架，通过开发具有收敛性证明的隐私保护加速平均一致性（PP-AAC）算法来实现负荷画像。利用所提框架，我们改进了几种常用聚类方法，包括 k-means、模糊 C-means 和高斯混合模型，以提供隐私保护分布式聚类方法。如此，负荷画像仅通过本地计算与相邻数据拥有者间的信息共享即可完成，且不牺牲隐私。同时，相较于传统集中式聚类方法，各数据拥有者的计算时间显著减少。我们分析了所提隐私保护分布式聚类框架的隐私性与复杂度。使用真实爱尔兰居民数据集验证了所提框架及 PP-AAC 算法的正确性、效率、有效性与隐私保护特性。
引用
@article{arxiv.2002.12769,
title = {Privacy-Preserving Distributed Clustering for Electrical Load Profiling},
author = {Mengshuo Jia and Yi Wang and Chen Shen and Gabriela Hug},
journal= {arXiv preprint arXiv:2002.12769},
year = {2020}
}