基于安全多方计算的隐私保护超短期风电功率预测
密码学与安全
2023-02-01 v1
摘要
挖掘风电场输出数据的时空相关性有助于提高超短期风电功率预测的精度。然而，若风电场分属不同实体，出于隐私顾虑以及业务管理规制政策，它们可能不愿直接共享数据。尽管已有密码学方法被设计用于在数据共享过程中保护隐私，但在机器学习过程中对原始数据加密的同时提取多个风电场间的非线性关系仍是一项挑战。本文提出 pwXGBoost，一种基于机器学习树模型与安全多方计算（SMPC）的技术，能够在保护数据隐私的同时成功提取复杂关系。提出一种基于最大均值差异（MMD）的方案，有效选取相邻候选风电场参与协同模型训练，从而提高精度并减轻数据获取负担。所提方法在中国内蒙古一组风电场的真实世界数据上进行了评估，表明其能够在保护隐私的同时实现可观的效率与性能提升。
引用
@article{arxiv.2301.13513,
title = {Privacy Preserving Ultra-Short-term Wind Power Prediction Based on Secure Multi Party Computation},
author = {Hang Fan and Xiaoyu Fan and Tianyi Hao and Wei Wei and Kun Chen and Guosai Wang and Xiaofeng Jia and Yidong Li and Wei Xu},
journal= {arXiv preprint arXiv:2301.13513},
year = {2023}
}