[논문 리뷰] Differential Privacy of Aggregated DC Optimal Power Flow Data

Fengyu Zhou, James Anderson외 1명|arXiv (Cornell University)|2019. 03. 27.

Privacy-Preserving Technologies in Data참고 문헌 17인용 수 4

한 줄 요약

이 논문은 새로운 개념인 $(\delta,\varepsilon)$-단조성에 기반해 부하 변화에 대한 발전기 출력의 민감도를 분석함으로써 집계된 DC 최적계전력흐름(OPF) 데이터에 대한 차별적 프라이버시 프레임워크를 제안한다. 이는 네트워크 구조가 프라이버시를 위한 노이즈 요구량에 결정적인 영향을 미친다는 것을 보여주며, 나선형 또는 봉합점이 있는 네트워크에 비해 나무 모양의 네트워크에서는 훨씬 적은 노이즈가 필요하다. 이는 민감도가 크게 증폭되기 때문이다.

ABSTRACT

We consider the problem of privately releasing aggregated network statistics obtained from solving a DC optimal power flow (OPF) problem. It is shown that the mechanism that determines the noise distribution parameters are linked to the topology of the power system and the monotonicity of the network. We derive a measure of "almost" monotonicity and show how it can be used in conjunction with a linear program in order to release aggregated OPF data using the differential privacy framework.

연구 동기 및 목표

• 전력망 운영자로부터 민감한 부하 정보를 보호하면서 집계된 OPF 데이터를 비밀리에 공개하는 데에 도전한다.
• 네트워크 구조가 최적 발전기 출력이 부하 변화에 얼마나 민감하게 반응하는지 분석함으로써, 직접적으로 차별적 프라이버시 보장을 영향을 미친다.
• 라플라스 기법을 사용하여 프라이버시를 위한 노이즈의 양을 정량화하며, 단조성과 봉합점 구조와 같은 네트워크 구조적 특성과 연결한다.
• 동일한 프라이버시 예산 하에서 다양한 시스템 구조 간의 프라이버시-유용성 트레이드오프가 상당히 다름을 보여준다.
• 이론적이고 경험적인 증거를 통해 프라이버시 보장이 전력망의 구조, 특히 유연한 제약 조건과 발전기-부하 연결성의 존재 여부에 따라 달라진다는 것을 입증한다.

제안 방법

• 부하 변화가 네트워크를 통해 어떻게 전파되어 발전기 출력에 영향을 미치는지를 측정하는 개념으로 $(\delta,\varepsilon)$-단조성을 도입한다.
• 라플라스 기법을 사용하여 집계된 OPF 결과에 노이즈를 추가하며, 노이즈의 크기는 OPF 해법 맵의 $L_1$-민감도에 의해 결정된다.
• 특히 봉합점이 민감도를 크게 증폭시키므로, 네트워크 구조에 기반한 OPF 연산자의 $L_1$-민감도를 유도한다.
• 주어진 프라이버시 예산 $(\Delta, \varrho)$에 대해, $\Delta$는 최대 부하 변화량이고 $\varrho$는 프라이버시 파라미터이며, 선형계획법을 사용해 필요한 노이즈 파rameter를 계산한다.
• 동일한 프라이버시 예산을 사용하여 나무형, IEEE 9-bus, 고리형 네트워크 3종의 네트워크 구조를 분석하여 노이즈 요구량과 분포 형태를 비교한다.
• 직접 전력 흐름을 모델링하고 $\mathbf{p} = \mathbf{C}^T \mathbf{B}^{-1} \mathbf{C} \mathbf{d}$를 통해 전력 흐름을 계산하기 위해 부호화된 인cidense 행렬 $\mathbf{C}$와 분지 유효도 행렬 $\mathbf{B}$를 사용한다. 여기서 $\mathbf{d}$는 부하 벡터이다.

실험 결과

연구 질문

• RQ1 네트워크 구조는 DC OPF 문제에서 최적 발전기 출력이 부하 변화에 얼마나 민감하게 반응하는지에 어떤 영향을 미치는가?
• RQ2 전력망의 구조(예: 봉합점 또는 고리 구조의 존재)는 차별적 프라이버시를 위해 필요한 노이즈의 양과 어떤 관계가 있는가?
• RQ3 $(\delta,\varepsilon)$-단조성 개념을 사용하여 OPF 데이터 공개 시 프라이버시 누출을 정량화할 수 있는가?
• RQ4 프라이버시 예산이 고정되어 있을 때, 다양한 네트워크 구조에서 차별적 프라이버시를 위한 노이즈 척도는 어떻게 달라지는가?
• RQ5 라플라스 기법은 OPF 데이터에 효과적으로 적용될 수 있는가? 그리고 네트워크 구조에 의해 어떤 제약 조건이 가해지는가?

주요 결과

• 차별적 프라이버시를 위한 노이즈 크기는 네트워크 구조에 매우 의존하며, 나선형 네트워크는 고리형 또는 봉합점이 있는 네트워크보다 훨씬 적은 노이즈가 필요하다.
• 단일 봉합점이 있는 단조성 나무 네트워크에서는 $L_1$-민감도가 $\Delta$로 유계이며, 이는 주어진 프라이버시 예산 하에서 최소 노이즈 척도 $\Delta / \varrho$를 의미한다.
• IEEE 9-bus 네트워크는 $(\Delta, 2.01\Delta)$-단조성이며, 단조성 케이스보다 민감도가 더 높아 동일한 프라이버시 수준을 확보하기 위해 더 많은 노이즈가 필요하다.
• 40개 버스를 가진 고리 네트워크에서는 시스템이 $(\Delta, (N-4)\Delta)$-단조성이며, 민감도가 $36\Delta$로 증가하여 거의 균일한 노이즈 분포가 되고 유용성이 심각하게 떨어진다.
• 네트워크 구조가 민감도를 증가시킬수록 기법 출력의 확률밀도함수는 점점 더 평평해지며, 이는 비단조성 또는 고리형 네트워크에서는 프라이버시를 달성하기가 더 어렵다는 것을 시사한다.
• 본 연구는 OPF 데이터의 차별적 프라이버시가 집계 영역의 수와 무관하며, 오직 기반 네트워크의 구조적 특성과 민감도에만 의존한다는 것을 확인한다.