一种基于差分隐私的EV电网负载平衡方法

技术领域

本发明属于电网负载平衡领域，具体涉及一种基于差分隐私的EV电网负载平衡方法。

背景技术

随着人们环境意识的增强，电动汽车(Electric Vehicle，EV)显出了取代化石燃料汽车的趋势。例如，许多国家(如欧洲国家)已经出台了措施或立法，以禁止在未来二十年内销售化石燃料汽车。据估计，到2050年，电动汽车的数量将增加1亿。因此，在未来，电网上的负载将大大增加。

电网需要准确的用户需求信息，以提供最佳的调度策略，并减少负载变化和高峰时段的负载。价格调整是平衡电动汽车对电网影响的关键技术之一，可以将其建模为一个优化问题。在该问题中，研究者试图使负载差异最小化并减少峰值负载时间。在线凸优化算法(Optimal Service Pricing and Charging Scheduling of an Electric VehicleSharing System)是模拟电动汽车充电价格特征和电网负载随时间变化的有效模型，但是，很少有研究者考虑此场景下的用户隐私保护问题。具体来讲，如附图1所示，在充电场景中，第三方机构或者电力服务提供商(Electricity Service Provider，ESP)为了提供最佳的调度策略，需要通过智能充电桩从EV用户收集信息(例如需求量，付款记录，位置和收费量)并汇总他们的请求。然后，第三方机构或ESP向EV用户广播更新后的变化(如价格更新)，整个流程随着时间的变化而更新，从而取得在线负载平衡的目标。但是，由于车辆到车辆(Vehicle-to-Vehicle,V2V)和车辆到网格(Vehicle-to-Grid,V2G)之间频繁双向通信，用户的隐私信息包括需求量可能会泄露给攻击者，攻击者通过EV用户的需求量和价格可以推算出付款信息。然而，这些付款记录可以让攻击者进一步推断出用户的敏感信息，如EV的身份、位置和容量等。

针对此问题，有很多文献提出了保护隐私的解决方案。但有一些解决方案会导致较高的计算和通信成本，例如，基于安全的多方计算(A blockchain-based privacy-preserving payment mechanism for vehicle-to-grid networks)的解决方案旨在简化私家车通信，但要以大量计算成本为代价；文献“AutoMPC:Efficient multi-partycomputation for secure and privacy-preserving cooperative control ofconnected autonomous vehicles”中提供的隐私保护请求聚合协议不会在同一列中保留同类值；Dwork等人在“Achieving k-anonymity in privacy-aware location-basedservices”中提出的差异隐私技术提供了另一种潜在的解决方案，它可以保护个人用户的敏感信息免受不同类型的攻击者的侵害。但是，如何在隐私保护与EV用户充电的负载平衡之间取得折中？最近的研究工作，例如，“The algorithmic foundations of differentialprivacy”与“Differentially private distributed constrained optimization”中介绍的用于车辆充电电网负载平衡的隐私保护约束优化模型，并不是针对在线模型而设计的，文献“Priority-based and privacy-preserving electric vehicle dynamic chargingsystem with divisible e-payment”与“Distributed routing and chargingscheduling optimization for Internet of electric vehicles”中虽考虑了在线约束优化问题，但并非旨在保护隐私。

发明内容

本发明针对现有技术中的不足，提供一种基于差分隐私的EV电网负载平衡方法。

为实现上述目的，本发明采用以下技术方案：

一种基于差分隐私的EV电网负载平衡方法，包括以下步骤：

步骤1：获取EV用户的历史需求量和价格信息；

步骤2：利用PM(Piecewise Mechanism)算法对获取的历史需求量和价格信息进行差分隐私保护；

步骤3：根据差分隐私保护后的历史需求量和价格信息，构建电网负载约束模型；

步骤4：优化求解电网负载约束模型以获取价格调整量，通过价格调整控制EV用户的需求量，进而实现EV电网负载平衡。

进一步地，步骤2中，设σ与σ′分别表示PM算法的输入量与输出量且σ∈[-1，1]，σ′＝x∈[-C，C]，σ′的概率密度函数是Piecewise Constant公式，其表达如下：

式中，ε为差分隐私的隐私预算，ε值越小表明加载给输入量的噪声越多，隐私保护也就越好，通过调整ε找到EV用户隐私保护和电网负载平衡间的最佳权衡，v＝(exp(ε)-exp(0.5ε))/(2exp(0.5ε)+2)，C＝(exp(0.5ε)+1)/(exp(0.5ε)-1)，l(σ)＝0.5σ(C+1)-0.5(C-1)，r(σ)＝l(σ)+C-1；

设EV用户j在t-1时刻和t-2时刻的需求量分别为

进一步地，步骤3中，T时间内电网负载约束模型为

式中，Δp

进一步地，步骤4中，根据Karush-Kuhn-Tucker条件将步骤3中的电网负载约束模型转化为下式：

式中Δp＝[Δp

为了控制电网的负载变化和减少高峰时段的需求，本发明通过调整各时段的电量购买价格来优化EV电网负载平衡，考虑到EV和第三方机构交互过程中用户的敏感信息泄露问题，提出基于差分隐私保护算法的在线约束优化模型，在智能充电桩把EV用户信息发送给第三方机构或ESP之前，通过该模型对EV用户敏感信息如用户的需求量进行了差分隐私保护，并在保护用户隐私的同时保障了电网的负载平衡。

附图说明

图1为EV充电的示意图；

图2为本发明方法的流程示意图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

如图2所示，本发明主要包括以下步骤：

(1)获取EV用户的历史需求量和价格信息。

(2)利用PM算法对获取的历史需求量和价格信息进行差分隐私保护。

第三方机构在做优化的过程中，EV用户的敏感信息，如付款信息容易泄露，为了解决这个问题，采用PM算法来保护EV用户和ESP交互过程中的用户隐私。根据文献“Collecting and analyzing multidimensional data with local differentialprivacy”，PM算法的具体定义如下：设σ与σ′分别表示PM算法的输入量与输出量且σ∈[-1，1]、σ′＝x∈[-C，C]，σ′的概率密度函数是Piecewise Constant公式，其表达如下：

式中，ε为差分隐私的隐私预算，一般取值为(0，1)，ε值越小表明加载给输入量的噪声越多，隐私保护也就越好，但模型的性能越差，本实施例可以通过调整ε找到EV用户的隐私保护和电网的负载平衡间的最佳权衡，v＝(exp(ε)-exp(0.5ε))/(2exp(0.Sε)+2)，C＝(exp(0.5ε)+1)/(exp(0.5ε)-1)，l(σ)＝0.5σ(C+1)-0.5(C-1)，r(σ)＝l(σ)+C-1；

设EV用户j在t-1时刻和t-2时刻的需求量分别为

(3)根据差分隐私保护后的历史需求量和价格信息，构建电网负载约束模型。

根据文献“An online convex optimization approach to real-time energypricing for demand response”并结合实际需求，T时间内电网负载约束模型可构建为

式中，Δp

(4)优化求解电网负载约束模型以获取价格调整量，通过价格调整控制EV用户的需求量，进而实现EV电网负载平衡。

根据Karush-Kuhn-Tucker条件将电网负载约束模型转化为下式：

式中Δp＝[Δp

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。