本次组会汇报关于《分布式储能网络化运营体系中数据安全与隐私保护问题研究》最近研究进展，主要从科研背景、科研问题、科研目的、研究内容等几个方面展开介绍。

科研背景：
分布式储能系统中数据安全威胁的存在：分布式储能系统中的数据安全面临各种威胁，包括网络攻击、数据篡改、恶意软件和未经授权的数据访问等。这些威胁可能导致系统故障、数据泄露、用户隐私曝光等严重后果。因此，研究如何防范和应对这些威胁是保障分布式储能系统可靠性和稳定性的关键。

科研问题：
分布式储能系统中存在安全威胁和隐私泄露问题：
分布式储能系统中信息流交互过程中可能数据窃取、数据纂改等数据威胁。攻击者可能截获数据传输过程中的指令或信息流，可能修改传输过程中的指令或信息流，导致分布式储能系统执行错误的操作；

科研目的：
设计一种安全传输方法，以确保分布式储能控制中心向智能终端传输信息指令等敏感信息时的数据安全性。通过采用同态加密、数字签名等方法解决数据传输过程中可能存在的不安全因素，从而保障信息传输的机密性和完整性。

研究内容：

本次汇报内容为《分布式储能网络化运营体系中数据安全与隐私保护问题研究》的近期研究内容，主要从科研背景、科研目的、科研问题、研究内容等几个方面展开。

科研背景：
1.分布式储能的发展：随着可再生能源如太阳能和风能的快速发展，分布式储能系统被广泛应用于能源领域。分布式储能系统通过将能量储存到离散的设备中，提供了更加灵活和可靠的能源供应解决方案。然而，这些系统面临着大量的能源数据安全和隐私信息的管理和保护问题。
2.大规模数据收集：分布式储能系统涉及到多个设备、多个用户和能源供应商之间的数据交换。这些设备产生的数据量庞大，并且包含了各种敏感信息，如能源消耗模式、用户行为习惯等。因此，确保这些数据的安全性和隐私性成为一个重要课题。
3.数据安全威胁的存在：分布式储能系统中的数据安全面临各种威胁，包括网络攻击、数据篡改、恶意软件和未经授权的数据访问等。这些威胁可能导致系统故障、数据泄露、用户隐私曝光等严重后果。因此，研究如何防范和应对这些威胁是保障分布式储能系统可靠性和稳定性的关键。
4.储能信息系统控制指令的安全传输：面临完整性、一致性等问题。

科研问题：
分布式储能信息系统中存在安全威胁和隐私泄露问题
分布式储能网络中，传输分布式储能信息流等指令过程中可能数据窃取、数据纂改等数据威胁攻击者可能截获数据传输过程中的指令或信息流，从而获取敏感的能量储存和管理相关数据或者。可以修改传输过程中的指令或信息流，使其传达错误的命令或误导性信息。这可能导致分布式储能系统执行错误的操作，导致能量管理不准确等，造成隐私泄露和数据安全风险。
信息系统承担扮演控制中心的角色，对分布式网络进行优化调度，可以根据控制中心反馈的全局信息自行调节用电计划、削峰填谷，从而实现节能减排。但是，在分布式优化过程中如果攻击者进行恶意操作，干扰系统控制管理模块的运行会导致影响用户的经济利益，更会影响电网整体的运行效率。

科研目的：
针对以上两点科研问题：
设计分布式储能控制中心向智能终端传输信息指令等信息的安全传输方法；可采用身份验证、数据加密等方法解决数据不安全传输的问题。
针对分布式储能信息系统中分布式数据分析场景中，利用联邦学习解决分布式场景中数据效用和数据隐私之间的问题；但在其过程中上传参数不确定性，提出了一种联邦学习的安全聚合方法研究，对上传的本地模型进行动态评估，筛选恶意模型、加权聚合中心模型，提升中心模型能力。

研究内容：

此次汇报主要针对最近得研究进展《A secure aggregate federated learning method for load forecast coordinated training》，主要从科研背景、科研问题、科研目的、方法等几个方面展开汇报。

科研背景：
1.目前随着电网精细化分以及分布式管理等特点，数据呈现分布式、隐私性等特点限制了数据共享，阻碍发挥数据更大效用。
2.在新型电力系统的发展过程中，机器学习等人工智能领域的方法不断应用于其中，而用电数据大多存储在各个分布方中，在分布式场景中数据隐私性要求较高的情况下，利用联邦学习可以较好的解决分布式架构的问题。
3.联邦学习分布式性质，聚合模型过程中接受各个参与方模型参数不确定性。

科研问题：
由于联邦学习分布式性质，无法确定聚合模型过程中接受各个参与方模型参数是否是正常训练得来的，若存在恶意模型等威胁因素会影响中心模型最终的结果。

科研目的：
构建基于联邦学习的模型安全聚合方法
（1）提出了联邦学习安全聚合方法Fed-SD，该方法首先利用本地参与方上传的参数计算两两参与方参数的相似度，利用图论求解“最大团问题”找到的最大簇群，利用最大簇群集合中的参与方模型的参数计算出近似当前训练轮次的全局模型的参数，进而利用近似求解出的全局模型和局部模型参数的距离差，区分出恶意模型并将其剔除，避免对中心模型聚合的影响。（2）中心服务器进行参数聚合时，利用每一轮计算出的近似全局模型与各个参与方的局部模型的距离差，利用高斯概率分布函数使得距离越小的参与方在模型聚合时候权重占比越大，进一步提升了中心模型的质量。

方法：

此次汇报主要是汇报分布式储能网络化运营体系中数据安全与隐私保护问题研究中针对《基于联邦学习的云储能平台参与者选择机制研究》的研究进展，主要从科研背景、科研问题、科研目的、研究进展几个方面展开。

科研背景：
（1）目前基于分布式储能的研究场景中，更多聚焦于用户或者能源提供商效益的研究，对于分布式储能平台管理功能需要更进一步；
（2）基于储能管理系统中，在聚合管理过程中参与节点可能不会诚实地共享训练参数，因此协同训练数据信息具有不确定性、模糊性等特征，选择较好节点可以提高整体的运营效率。
（3）缺乏必要的竞争机制来提升平台运行效率，目前的效益分配方案多采用贡献度固定的分面机制，会使用户在平台上的自主性不高，没有起到激励作用，不利于参与主体通过提升竞争力提高整体的经济效益。

科研问题：单位系统数据样本有限，而利用联邦学习进行分布式预测存在协作训练中不诚实节点影响全局模型精度。

科研目的：构建基于联邦学习的分布式节点选择方法
构建科学的信誉评估机制选择贡献较大节点进行模型的聚合训练
对于贡献越高的节点，其得到的本地模型质量也越高

研究进展

此次汇报的内容为最近的研究《基于可靠公平的信誉机制的分布式储能可信节点选择机制研究》的相关内容，将从科研背景、科研问题、科研目的、研究内容等几个方面展开。

科研背景
问题背景：“十四五”规划阶段将发展分布式储能列为构建能源体系中的重要一环。
研究背景：基于新型储能模式下，在目前的物理信息融合体系之下存在数据安全、隐私泄露等一系列的安全问题，并且作为数据聚合商更需要对信息系统进行隐私保护；
场景背景：基于云储能、聚合商模式中，云储能用户和云储能提供商之间的数据传输场景下存在数据安全和隐私等问题。

科研问题
对抗鲁棒性：联邦学习审核机制的缺失给恶意节点进行破坏攻击提供了可能性
协作公平性：缺乏有效的激励机制

科研目的
构建基于信誉机制的联邦学习的隐私保护框架
构建科学的信誉评估机制选择可信节点进行模型的聚合训练
采用奖励机制鼓励节点参与模型的聚合以及高质量的贡献

研究内容
(1)分布式节点i使用本地训练数据Di更新本地梯度，并上传;
(2)接收到所有参与者发送的梯度，质量检测子模块计算每个参与者i的边际损失L;
(3)将通过质量检测的所有参与者的边际损失发送到梯度聚合计算子模块;参与者的质量检测通过/失败计数发送到信誉评估模块；
(4)梯度聚合计算子模块基于其边际损失将所选参与者的局部梯度聚合为全局梯度；
(5)贡献评估利用相似度计算贡献值
(6)信誉评估利用参数③⑤⑥进行信誉值评估
(7)奖励分配利用信誉值以及节点交互次数进行奖励分配。
(8)参与者i接收分配的聚合梯度的版本，并更新本地模型。

本次组会主要汇报的内容是分布式储能网络化运营体系中数据安全与隐私保护问题研究，依据最近开题的研究内容进行一些内容的梳理，主要从背景知识介绍、科研背景、科研问题、研究内容、个人思考与总结等几个方面展开。

背景知识介绍

科研背景

1.“十四五”规划阶段将发展分布式储能列为构建能源体系中的重要一环。
2.基于新型储能模式下，在目前的物理信息融合体系之下存在数据安全，用户隐私泄露等一系列的安全问题。
3.基于云储能模式中，云储能用户和云储能提供商之间的数据流动等问题容易泄露等造成一系列问题。

科研问题：数据隐私问题：云储能双方数据交互之间存在隐私泄露的问题。

研究内容

本次组会汇报关于调研建筑能耗预测方向的思路进展，从科研背景、科研问题、科研目的、研究内容、个人思考总结、计划等几个方面展开。

科研背景：
①随着城市化率不断提高，建筑领域能耗在全球总能耗中所占的比例越来越大。《2020全球建筑和建设状况报告》指出，建筑建造和运行能耗占全球总能耗的35%。
②加速建筑领域的节能减排，2020年住建部等十三部门联合发布的《关于推动智能建造与建筑工业化协同发展的指导意见》提到“加大大数据、云计算、人工智能等新技术的集成与创新应用。
③充分利用大数据、人工智能等新技术促进建筑节能、提高建筑能效水平，进而驱动建筑业从工业化向智能化迈进，符合国家重大战略需求，能够为国家“双碳”目标提供有力保障，具有重要社会意义。

科研问题：
①数据稀缺问题
新建建筑或者能源系统管理不完善的数据有限
②数据隐私问题

科研目的：
采用构建基于联邦迁移学习网络一方面解决数据稀缺问题，另一方面解决数据隐私保护的问题。

研究内容：

本次组会汇报最近关于区块链项目以及论文的一些进展情况：

主要从科研背景、异常交易监测相关研究、方法、个人思考和总结几个方面展开介绍

科研背景

区块链交易存在各类异常交易，比如钓鱼攻击、ICO攻击等异常交易类型，这类交易和普通交易的问题存在以下差异:
交易品类
数字货币：去中心化
流通货币 ：中心化
交易特点
流通货币：犯罪分子会尽可能地隐藏手机号、电子邮箱、银行账号等敏感信息来实施非法交易活动
数字货币：匿名性 无需使用以上敏感信息即可开展活动，提高了对违法犯罪活动的监测难度
交易机制
数字货币：基于加密算法进行研究

相关工作 目前针对异常交易检测的方法可以归纳为以下类别：

方法：

针对已有模型关键问题有

数据不平衡以及负采样问题这是目前可以迭代优化的地方

个人思考和总结

目前使用的是针对网络结构随机游走，目前效果较好的应用于属性-结构二部图网络学习模型等方法，可以作为进一步研究点。