本发明属于智能电网窃电检测隐私保护，具体涉及一种基于相对熵优化的双重隐私保护电力盗窃检测方法。
背景技术：
1、智能电网系统的普及标志着一个重大飞跃，它提供了更强的控制、更高的效率和更大的弹性。然而，这些进步也带来了新的挑战，特别是在隐私、安全和公平资源分配方面。电力盗窃是全球能源网络中普遍存在的问题，对这些系统的完整性和金融稳定性构成了重大威胁，这不仅造成了相当大的经济损失，而且破坏了可持续能源分配的努力。检测电力盗窃的过程往往涉及对消费者使用模式的审查，这引发了人们对智能电表保存的本地数据泄露隐私的担忧。再进一步，在电力盗窃检测的背景下，双重隐私保护的概念成为一个至关重要的方面。这不仅需要保护消费者数据的隐私，还需要确保检测模型本身的机密性。
2、中国发明专利cn117313031a公开了一种融合自身与最近邻用电信息的convlstm窃电检测方法、系统、设备及介质，该方法为：获取智能电网中某一区域内所有用户在某个时间段内的用电量数据并进行预处理，构建含预处理后所有用户一维用电量数据的时序数据集合；构建各用户的最近邻用户集合；将预处理后某一用户的一维用电量时序数据重构为二维邻近日矩阵序列；基于构建的最近邻用户集合，将预处理后用户自身及其最近邻的一维用电量时序数据重构为二维最近邻矩阵序列。
3、机器学习驱动的窃电检测的最新进展，强调了在此类系统中处理敏感消费者数据所引起的隐私问题。这些研究表明，现有系统倾向于优先考虑效率和准确性，有时会损害隐私，无论是通过数据暴露还是模型操纵，这些系统在隐私泄露方面的脆弱性仍然是一个需要显著改进的领域。现有的基于机器学习的etd方法存在以下问题：一是缺乏对用电量数据隐私性和检测模型的同步关注，现有基于深度学习的etd方法主要强调etd模型的检测性能，忽略了与用电数据和etd模型相关的隐私问题。二是在推理阶段缺乏对隐私的关注，现有的一些用电量数据隐私保护方法要么存在需要频繁通信的缺陷，要么仅仅集中在数据收集阶段。因此，这些方法无法实现强大的隐私保护。三是推理效率较低和传输存储成本较高。四是隐私效用权衡有待改进。五是用电数据中隐含的时间信息没有得到充分利用。
技术实现思路
1、本发明的目的是为了解决双重隐私保护问题，该方法封装了对本地数据隐私的保护，并加强了针对外部威胁和操纵的检测模型，为此，本发明提供了一种基于相对熵优化的双重隐私保护电力盗窃检测方法。
2、本发明详细的技术方案如下：
3、s1、边缘服务器es对本地用电数据进行分配转换得到最终转换数据x′；
4、s2、检测服务器ds建立检测模型，利用集成学习训练检测模型；
5、所述检测模型包括头层模块和特征提取层模块，头层模块包括输出层，特征提取层模块包括包括输入层和隐藏层。头层模块用于检测本地用电数据x′是否发生窃电行为，特征提取层模块用于提取数据x′的中间特征；
6、将特征提取层模块与边缘服务器es进行连接，目的是将数据x′的中间特征发送给边缘服务器es；将检测模型分为两层的目的是让ds将检测结果不会直接发送给es，防止恶意es提取有商业价值的检测模型。
7、s3、边缘服务器es将基于所述s1得到的最终转换数据x′上传到检测服务器ds，检测模型提取最终转换数据x′的中间特征输出到边缘服务器es；
8、s4、边缘服务器es构建后处理神经网络，通过检测模型返回的中间特征判断数据为积极或消极，根据判断结果确定是否发生窃电行为。
9、所述s1具体包括：
10、s11、边缘服务器es对本地用电数据x进行数据转换，得到数据z，通过kl散度公式表示：
11、（1）；
12、公式（1），p（x）表示数据x的概率分布，q（z|x）表示x通过数据变换得到的数据z的概率分布，表示概率分布q的最大值；
13、通过将kl散度公式和信息熵公式的展开并求和得到公式（1）的变形公式：
14、（2）；
15、公式（2）中，h（p（x）)表示信息熵，表示概率分布q的最小值，p（x）和h（p（x））为常数；
16、将用户的本地用电数据通过map函数映射为同等的n份到集合：
17、zi={zi,1,zi,2,zi,3,...zi,k......zi,n},zi,k与xi有相同标签，将数据x映射为同等的n份，因此平均而言，获得数据z的可能性是对应数据x可能性的1/n；将x映射成n份的目的是缩小数据x和数据z的相关性，从而缩小概率分布q（z|x）的最小值；
18、对于q（z|x）是与p（x）不相似的任何概率分布，为了使本方法的效率更高，将q视为一组高斯分布；
19、（3）；
20、（4）；
21、其中，μi表示任意一组数据zi遵从正态规律分布的随机变量的均值，σi表示任意一组数据zi的离散程度，θi表示任意一组数据zi独立分布的随机变量，ni表示高斯分布的任意一个数据（即zi），q表示高斯分布的一组分布。
22、最后边缘服务器es在ni中进行随机取样得到转换数据zi,k，完成随机取样操作；
23、s12、z与x具有相同维度，采用上采样操作，得到最终转换数据x′。
24、进一步地，所述利用集成学习训练检测模型包括：
25、所述本地用电数据包括良性用户和恶性用户两种标签，将良性用户作为正样本，恶性用户作为负样本，将正和负样本按1:1的比例分成w个子集，每个子集具有相同的负样本但不同的正样本；
26、然后将w个子集按照7：3的比例划分为训练集和测试集，使用集成学习技术训练w个单独的检测模型，每个检测模型分别由一个正样本和一个负样本组成的子集训练而成；
27、将每个训练好的模型进行误分类权重调整验证，目的是增加训练集中误分类数据的权重；
28、最后，通过集成学习中投票法对w个检测模型进行处理，选出w个检测模型中出现最多的预测结果的模型作为最终模型；
29、进一步地，使用焦点损失函数降低简单样本的权重，将训练的重点放在困难样本上：
30、（5）；
31、公式（3）中，fl表示焦点损失函数，pt表示预测结果与标签之间的接近度，log（pt）表示初始交叉熵损失函数，ɑt表示类别间的权重参数，（1-pt）表示样本调节因子，γ表示聚焦参数。
32、所述中间特征的提取包括：
33、通过采用创新设计的卷积核来完成，为了充分利用数据的时间块信息，在特征提取层先进行数据重构，再进行特征提取；
34、基于所设计的卷积核包括数据重构和特征提取，即在特征提取层先进行数据重构，再进行特征提取；
35、数据重构在于，本地用电数据是一维数组的结构类似于普通的顺序序列，将本地用电数据原始的一维数组的形式重构为三维数据的形式，更好的利用本地用电数据中的时间块信息，方便于特征提取，以此来提高检测模型的检测能力。
36、例如本地用电数据x′是1×1035的一维数组，代表了用户1035天的用电数据，我们将其基础的序列设定为1×1034，为了充分利用用电量数据中的时间信息，将1×1034序列重构为24×15×3的三维数据(对原始数据进行了填充)；对三维数据的划分遵从以下规则：
37、重构数据的每条通道对应一年；每条通道的每一行代表半个月，每条通道的每一列代表每周的同一时间，重构后的数据极大地促进了卷积神经网络捕捉固有特征相关性；
38、特征提取在于，为了增强重构数据中特征的捕获，分别采用1×1、24×1和1×15维度的卷积核捕获通道关系、每周同一时间的特征关系和每半个月的特征关系，根据我们所设计的卷积核可以提高特征提取的效率。
39、基于所设计的卷积核，将三维数据划分为3×3的小区域，对每个区域进行特征提取，卷积核是卷积网络的核心组件，通过在卷积层上执行卷积操作来进行特征提取，卷积核可以捕获到输入数据中的局部空间关系，提取到这些关系的相关特征。
40、所述后处理神经网络为分类网络lenet，中间特征在后处理神经网络中判断数据x′是积极或者消极，若为积极信息则检测结果为正常用户，消极信息则为窃电用户。
41、与现有技术相比，本发明的有益效果为：
42、1.本发明提出一种基于相对熵优化的双重隐私保护电力盗窃检测方法，由边缘服务器和检测服务器完成对本地用电数据的窃电检测，在此过程中利用集成学习解决数据的不平衡问题，通过投票法训练检测模型；采用创新设计的卷积核将一维用电数据重构为三维数据，充分利用时间块信息，设计三个不同维度的卷积核通道充分进行特征提取。
43、2.本发明提出一种基于相对熵优化的双重隐私保护电力盗窃检测方法，首先在边缘服务器对本地用电数据的数据转换，让转换后的数据x′可以代替本地用电数据x进行窃电检测；在检测服务器将检测模型分为头部和特征提取部，头部用于检测转换后的数据x′而不是本地用电数据x，实现了对es本地用电数据的隐私保护，特征提取部将提取x′的中间特征发送给es，并没有实现检测结果的直接发送给es，实现了对ds检测结果的保护，实现了双重隐私保护。并且通过实验部分证明，各种指标都达到了最优化，是一种值得推广的双重隐私保护电力盗窃高效的检测方法。
1.一种基于相对熵优化的双重隐私保护电力盗窃检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于相对熵优化的双重隐私保护电力盗窃检测方法，其特征在于，所述s1具体包括：
3.根据权利要求2所述的一种基于相对熵优化的双重隐私保护电力盗窃检测方法，其特征在于，所述利用集成学习训练检测模型包括：
4.根据权利要求3所述的一种基于相对熵优化的双重隐私保护电力盗窃检测方法，其特征在于，使用焦点损失函数降低简单样本的权重，将训练的重点放在困难样本上：
5.根据权利要求4所述的一种基于相对熵优化的双重隐私保护电力盗窃检测方法，其特征在于，所述中间特征的提取包括：
6.根据权利要求5所述的一种基于相对熵优化的双重隐私保护电力盗窃检测方法，其特征在于，所述后处理神经网络为分类网络lenet，中间特征在后处理神经网络中判断数据是积极或者消极，若为积极信息则检测结果为正常用户，消极信息则为窃电用户。
