一种基于高效同态加密的电力数据联邦学习隐私保护方法

本发明涉及一种基于高效同态加密的电力数据联邦学习隐私保护方法，包括以下步骤：步骤1、客户端初始化神经网络模型；步骤2、服务器端对客户端上传的本地神经网络模型梯度参数进行加密与更新；步骤3、服务器端执行梯度平均聚合操作，服务器端无需解密，直接对客户端上传的加密梯度参数进行计算，求出平均值，从而更新全局梯度参数；步骤4、每个客户端收到更新后的全局梯度后，进行解密计算操作；步骤5、将更新后的神经网络模型权重参数加载到本地神经网络模型中，并利用本地数据集进行神经网络模型训练；本发明能够解决现有加密技术运算量大，计算资源开销大及算法效率低下，以及电力数据在传输分析的过程中存在隐私泄露的问题。