随着人们对电力能源需求的不断增加,越来越多的研究者开始关注智能电网,致力于建设一个更加高效、经济、稳定、环保、安全的新型电力网络结构。然而智能电网中不同场景下对智能电表数据的收集中存在的隐私问题也引起了人们的担忧,这也成了阻碍智能电网发展的重要因素。在数据收集的过程中,一方面智能电表细粒度的数据可能会暴露用户的生活习惯,侵犯用户的隐私;另一方面如果用户考虑自己的隐私成本,那么他可能会拒绝参与实时的数据收集。其次收集单个用户的数据来进行负载预测可以及时进行能源调配,然而这一过程也会有暴露用户隐私的风险。针对以上隐私问题,本文的工作主要如下:1、对于传统的数据聚集,本文考虑在聚集器和用户都不相互信任且用户之间可能发生勾结的场景下,将同态加密和差分隐私机制相结合,设计了一种差分隐私聚集机制。整个方案主要分为三步:首先聚集器需要产生一个二进制序列加密后发送给智能电表;其次智能电表加密自己的用电量,产生相应个数的随机噪声并通过收到的二进制序列来完成随机噪声的选择,完成后将加密的用电量以及噪声放给聚集器;最后聚集器收到智能电表的数据后聚集解密,得到符合差分隐私的用电量之和。该方案让智能电表和聚集器协同完成加噪,从而保证无论聚集器还是用户都无法知道每个用户加入到差分隐私机制中的噪声,这也就保证了即使用户之间发生勾结,他们也无法将自己的噪声从聚集结果中减去来降低隐私保护级别的强度因为用户无法得知自己贡献到差分隐私机制中的噪声量。2、考虑每个智能电表用户的数据都有隐私成本,在这样的情况下,用户可能会因为考虑自己的隐私效用而拒绝实时数据收集。本文将用户隐私数据看作一种商品,在隐私市场中设计了一种基于差分隐私的隐私数据拍卖机制,保证拍卖成功的用户效用都大于零并且机制是可信任的,即用户只有在汇报自己真实的隐私成本参数的情况下才能最大化自己的效用。同时在公平购买机制的前提下,数据收集者在有限的预算内可以获得最准确的智能电表数据并给出证明。3、基于用户端的负载预测,考虑不可信任的数据分析者可能泄漏用户的隐私,本文使用差分隐私技术在用户端添加噪声来保护用户的隐私,所以数据分析者收集到的数据是加噪后的数据而不是原始数据。分析者根据这些数据后进行负载预测,本文使用堆叠的长短时记忆神经网络进行负载预测,分析由于差分隐私噪声的添加对用户负载预测的效用产生的影响。