融合电力数据的纵向联邦学习企业排污预测模型

doi:10.11772/j.issn.1001-9081.2024020173

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (2): 518-525.DOI: 10.11772/j.issn.1001-9081.2024020173

• 网络空间安全 • 上一篇

融合电力数据的纵向联邦学习企业排污预测模型

王心妍¹^,², 杜嘉程², 钟李红¹^,³^,⁴, 徐旺旺¹, 刘伯宇², 佘维¹^,³()

^1.郑州大学网络空间安全学院，郑州 450002
^2.国网河南省电力公司信息通信分公司，郑州 450000
^3.嵩山实验室，郑州 450046
^4.郑州大学计算机与人工智能学院，郑州 450002

收稿日期:2024-02-22 修回日期:2024-04-02 接受日期:2024-04-17 发布日期:2024-06-04 出版日期:2025-02-10
通讯作者: 佘维
作者简介:王心妍（1986—），女，河南安阳人，高级工程师，硕士，主要研究方向：电力数据分析、数据安全、区块链、人工智能
杜嘉程（1991—），男，河南郑州人，工程师，硕士，主要研究方向：大数据分析与应用、区块链
钟李红（1997—），女，四川射洪人，博士研究生，主要研究方向：机器学习、推荐系统、联邦学习
徐旺旺（1999—），男，河南濮阳人，硕士研究生，主要研究方向：机器学习、联邦学习
刘伯宇（1979—），男，河南郑州人，高级工程师，硕士，主要研究方向：大数据分析与应用、数据安全、数据管理；
基金资助:
河南省重点研发与推广专项(212102310039);嵩山实验室预研项目(YYYY022022003)

Vertical federated learning enterprise emission prediction model with integration of electricity data

Xinyan WANG¹^,², Jiacheng DU², Lihong ZHONG¹^,³^,⁴, Wangwang XU¹, Boyu LIU², Wei SHE¹^,³()

^1.School of Cyberspace Security，Zhengzhou University，Zhengzhou Henan 450002，China
^2.Information and Telecommunication Company，State Grid Henan，Zhengzhou Henan 450000，China
^3.Songshan Laboratory，Zhengzhou Henan 450046，China
^4.School of Computer Science and Artificial Intelligence，Zhengzhou University，Zhengzhou Henan 450002，China

Received:2024-02-22 Revised:2024-04-02 Accepted:2024-04-17 Online:2024-06-04 Published:2025-02-10
Contact: Wei SHE
About author:WANG Xinyan， born in 1986， M. S.， senior engineer. Her interests include power data analysis， data security， blockchain， artificial intelligence.
DU Jiacheng， born in 1991， M. S.， engineer. His research interests include big data analysis and application， blockchain.
ZHONG Lihong， born in 1997， Ph. D. candidate. Her research interests include machine learning， recommendation systems， federated learning.
XU Wangwang， born in 1999， M. S. candidate. His research interests include machine learning， federated learning.
LIU Boyu， born in 1979， M. S.， senior engineer. His research interests include big data analysis and application， data security， data management.
Supported by:
Key Research and Development and Promotion Project in Henan Province(212102310039);Songshan Laboratory Pre-research Project(YYYY022022003)

摘要/Abstract

摘要：

针对企业排污难以监测和控制的问题，在考虑数据安全共享和隐私保护的前提下，提出一种融合电力数据的纵向联邦学习企业排污预测（VFL-EEP）模型。首先，在纵向联邦学习（VFL）框架下改进逻辑回归模型，从而在不泄露电力和环保企业排污监测数据的前提下，允许将数据的使用和模型的训练相分离；随后，改进逻辑回归算法使该算法能结合Paillier加密技术以保证模型的参数传递安全，从而有效解决VFL中参与方之间通信不安全的问题；最后，在仿真数据上实验，所提模型的排污预测结果与集中式逻辑回归模型的排污预测结果比较表明：所提模型在隐私安全的前提下融合电力数据，准确率、召回率、精确率和F1值分别提升了8.92%、7.62%、3.95%和11.86%，有效实现了隐私保护和模型性能的均衡。

关键词: 纵向联邦学习, 逻辑回归算法, 隐私集合求交, Paillier同态加密, 数据共享

Abstract:

To address the problem of the difficulty of monitoring and controlling enterprise emissions， a Vertical Federated Learning Enterprise Emission Prediction （VFL-EEP） model with integration of electricity data was proposed by considering the premise of secure data sharing and privacy protection. Firstly， within the framework of Vertical Federated Learning （VFL）， the logistic regression model was enhanced to allow the separation of data usage and model training without leaking the monitoring data of electricity and environmental protection enterprises. Then， the logistic regression algorithm was improved to incorporate with Paillier encryption technology for ensuring the security of model parameter transmission， thereby solving the issue of insecure communication among participants in VFL effectively. Finally， through experiments on simulated data， the pollution prediction results of the proposed model were compared with those of the centralized logistic regression model. The results show that the proposed model integrates electricity data under the premise of privacy security， and has the accuracy， recall， precision， and F1 value improved by 8.92%， 7.62%， 3.95%， and 11.86%， respectively， realizing the balance between privacy protection and model performance effectively.

Key words: Vertical Federated Learning (VFL), logistic regression model, Private Set Intersection （PSI）, Paillier homomorphic encryption, data sharing

中图分类号:

TP183

王心妍, 杜嘉程, 钟李红, 徐旺旺, 刘伯宇, 佘维. 融合电力数据的纵向联邦学习企业排污预测模型[J]. 计算机应用, 2025, 45(2): 518-525.

Xinyan WANG, Jiacheng DU, Lihong ZHONG, Wangwang XU, Boyu LIU, Wei SHE. Vertical federated learning enterprise emission prediction model with integration of electricity data[J]. Journal of Computer Applications, 2025, 45(2): 518-525.

参考文献 14

1	TU C， HE X， SHUAI Z， et al. Big data issues in smart grid： a review［J］. Renewable and Sustainable Energy Reviews， 2017， 79： 1099-1107.
2	HOSSAIN E， KHAN I， UN-NOOR F， et al. Application of big data and machine learning in smart grid， and associated security concerns： a review［J］. IEEE Access， 2019， 7： 13960-13988.
3	季润阳. 基于智慧城市建设的电网大数据发展技术研究［J］. 现代工业经济和信息化， 2023， 13（5）：73-75.
	JI R Y. Research on big data development technology of power grid based on smart city construction［J］. Modern Industrial Economy and Informatization， 2023， 13（5）：73-75.
4	江疆，彭泽武，苏华权. 电网大数据跨行业数据融合应用场景［J］. 微型电脑应用， 2022， 38（9）：130-132.
	JIANG J， PENG Z W， SU H Q. Power grid big data cross-industry data fusion application scenarios［J］. Microcomputer Applications， 2022， 38（9）： 130-132.
5	MASSAOUDI M， ABU-RUB H， REFAAT S S， et al. Deep learning in smart grid technology： a review of recent advancements and future prospects［J］. IEEE Access， 2021， 9： 54558-54578.
6	程雪婷，王玮茹，暴悦爽，等. 基于联邦学习的多源异构数据安全融合方法［J］. 通信技术， 2023， 56（10）：1173-1183.
	CHENG X T， WANG W R， BAO Y S， et al. A secure multi-source heterogeneous data fusion scheme based on federated learning［J］. Communications Technology， 2023， 56（10）：1173-1183.
7	McMAHAN H B， MOORE E， RAMAGE D， et al. Federated learning of deep networks using model averaging［EB/OL］. ［2024-02-17］..
8	ZHANG G， ZHU S， BAI X. Federated learning-based multi-energy load forecasting method using CNN-Attention-LSTM model［J］. Sustainability， 2022， 14（19）： No.12843.
9	WEI K， LI J， MA C， et al. Vertical federated learning： challenges， methodologies and experiments［EB/OL］. ［2024-02-09］..
10	LI Y， LI J， WANG Y. Privacy-preserving spatiotemporal scenario generation of renewable energies： a federated deep generative learning approach［J］. IEEE Transactions on Industrial Informatics， 2022， 18（4）： 2310-2320.
11	LI Y， WEI X， LI Y， et al. Detection of false data injection attacks in smart grid： a secure federated deep learning approach［J］. IEEE Transactions on Smart Grid， 2022， 13（6）： 4862-4872.
12	SU Z， WANG Y， LUAN T H， et al. Secure and efficient federated learning for smart grid with edge-cloud collaboration［J］. IEEE Transactions on Industrial Informatics， 2022， 18（2）： 1333-1344.
13	HUDSON N， HOSSAIN M J， HOSSEINZADEH M， et al. A framework for edge intelligent smart distribution grids via federated learning［C］// Proceedings of the 2021 International Conference on Computer Communications and Networks. Piscataway IEEE， 2021： 1-9.
14	WANG Y， BENNANI I L， LIU X， et al. Electricity consumer characteristics identification： a federated learning approach［J］. IEEE Transactions on Smart Grid， 2021， 12（4）： 3637-3647.

[1]	赵大燕, 何华均, 李宇平, 张钧波, 李天瑞, 郑宇. 面向政务协同的访问控制模型[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 162-169.
[2]	余孙婕, 曾辉, 熊诗雨, 史红周. 基于生成式对抗网络的联邦学习激励机制[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 344-352.
[3]	张欢, 王静宇, 刘立新, 姜晓宇. 双重授权的多组织协同数据共享方案[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3307-3314.
[4]	曹萌, 余孙婕, 曾辉, 史红周. 基于区块链的医疗数据分级访问控制与共享系统[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1518-1526.
[5]	梁天恺, 曾碧, 陈光. 联邦学习综述：概念、技术、应用与挑战[J]. 《计算机应用》唯一官方网站, 2022, 42(12): 3651-3662.
[6]	林超, 何德彪, 黄欣沂. 基于区块链的电子医疗记录安全共享[J]. 《计算机应用》唯一官方网站, 2022, 42(11): 3465-3472.
[7]	李莉, 吴怡, 杨祉坤, 陈云鹏. 基于分区型区块链医疗电子病历共享方案[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 183-190.
[8]	葛丽娜, 胡雨谷, 张桂芬, 陈园园. 云计算环境基于客体属性匹配的逆向混合访问控制方案[J]. 计算机应用, 2021, 41(6): 1604-1610.
[9]	张利华, 王欣怡, 胡方舟, 黄阳, 白甲义. 基于双联盟链的智能电网数据共享模型[J]. 计算机应用, 2021, 41(4): 963-969.
[10]	罗文俊, 闻胜莲, 程雨. 基于区块链的电子医疗病历共享方案[J]. 计算机应用, 2020, 40(1): 157-161.
[11]	宋俊典, 戴炳荣, 蒋丽雯, 赵尧, 李超, 王晓强. 基于区块链的数据治理协同方法[J]. 计算机应用, 2018, 38(9): 2500-2506.
[12]	郝伟, 杨晓元, 王绪安, 张英男, 吴立强. 适用于移动用户高效访问外包数据的非对称代理重加密方案[J]. 计算机应用, 2016, 36(8): 2225-2230.
[13]	苗立志焦东来杨立君. 面向地理标记语言空间数据的地理信息聚合[J]. 计算机应用, 2014, 34(6): 1816-1818.
[14]	杜鹏白光伟沈航曹磊. 异构移动终端能量感知的P2P数据共享机制[J]. 计算机应用, 2013, 33(08): 2112-2116.
[15]	易磊仲红袁先平赵玉. 支持容错检索的数据共享方案[J]. 计算机应用, 2011, 31(06): 1525-1527.

融合电力数据的纵向联邦学习企业排污预测模型

Vertical federated learning enterprise emission prediction model with integration of electricity data

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献 14

相关文章 15

编辑推荐

Metrics