[论文解读] Differential Privacy of Aggregated DC Optimal Power Flow Data

Fengyu Zhou, James Anderson+1 more|arXiv (Cornell University)|Mar 27, 2019

Privacy-Preserving Technologies in Data参考文献 17被引用 4

一句话总结

本文提出了一种用于聚合直流最优潮流（OPF）数据的差分隐私框架，通过引入一种新颖的 $(\delta,\varepsilon)$-单调性概念，分析了发电机输出对负荷变化的敏感性。结果表明，差分隐私所需的噪声量在很大程度上取决于网络拓扑结构，树状网络所需的噪声少于循环或瓶颈型拓扑，因为后者可能显著放大敏感性。

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.

研究动机与目标

• 为解决在保护电网运营商敏感负荷信息的同时，安全发布聚合OPF数据的挑战。
• 分析网络拓扑如何影响最优发电量对负荷变化的敏感性，该敏感性直接影响差分隐私保证。
• 使用拉普拉斯机制量化差分隐私所需的噪声，将其与单调性及瓶颈结构等拓扑特性关联。
• 证明在相同隐私预算下，不同系统拓扑结构下的隐私-效用权衡存在显著差异。
• 提供理论与实证证据，表明隐私保证取决于电力网络的结构特征，特别是关键约束的存在与发电机-负荷连通性。

提出的方法

• 引入 $(\delta,\varepsilon)$-单调性概念，用以衡量负荷变化如何通过网络传播并影响发电机输出。
• 使用拉普拉斯机制向聚合OPF结果添加噪声，噪声尺度由OPF解映射的 $L_1$-敏感性决定。
• 基于网络拓扑推导OPF算子的 $L_1$-敏感性，特别识别出会放大负荷变化的瓶颈区域。
• 应用线性规划公式计算给定隐私预算 $(\Delta, \varrho)$ 下所需的噪声参数，其中 $\Delta$ 为最大负荷变化量，$\varrho$ 为隐私参数。
• 使用相同的隐私预算比较三种网络拓扑结构——树状、IEEE 9-bus 和环形网络——以对比噪声需求与分布形状。
• 采用有向关联矩阵 $\mathbf{C}$ 和支路电纳矩阵 $\mathbf{B}$ 建模直流潮流，并通过 $\mathbf{p} = \mathbf{C}^T \mathbf{B}^{-1} \mathbf{C} \mathbf{d}$ 计算潮流，其中 $\mathbf{d}$ 为负荷向量。

实验结果

研究问题

• RQ1 网络拓扑如何影响直流最优潮流（OPF）问题中最优发电量对负荷变化的敏感性？
• RQ2 电力网络结构（如瓶颈或环路的存在）与差分隐私所需噪声量之间存在何种关系？
• RQ3 $(\delta,\varepsilon)$-单调性概念能否用于量化OPF数据发布中的隐私泄露？
• RQ4 在固定隐私预算下，不同拓扑结构中差分隐私所需噪声尺度如何变化？
• RQ5 拉普拉斯机制在OPF数据上的应用效果如何？网络结构对其应用有何限制？

主要发现

• 差分隐私所需的噪声幅度在很大程度上依赖于网络拓扑结构，树状网络所需的噪声显著少于循环或瓶颈型网络。
• 在具有单一瓶颈的单调树状网络中，$L_1$-敏感性被限制在 $\Delta$ 以内，因此噪声尺度为 $\Delta / \varrho$，在给定隐私预算下达到最小值。
• 对于 IEEE 9-bus 网络（其为 $(\Delta, 2.01\Delta)$-单调），敏感性高于单调情况，因此需要更多噪声以达到相同的隐私水平。
• 在 $N=40$ 节点的环形网络中，系统为 $(\Delta, (N-4)\Delta)$-单调，导致敏感性达到 $36\Delta$，从而产生近似均匀的噪声分布，严重损害效用。
• 随着网络拓扑结构使敏感性增加，机制输出的概率密度函数趋于平坦，表明在非单调或循环网络中实现隐私更加困难。
• 本研究证实，OPF数据的差分隐私与聚合区域数量无关，仅取决于底层网络的结构性质和敏感性。