当前，数据作为新型生产要素的重要性已得到广泛共识。电力行业作为关系国家能源安全、保障国计民生的核心组成，在数据经济时代和数字中国建设的重要发展机遇期，正在不断提升以合理、高效、安全利用好电力数据为前提的电网数字化与智能化水平。与此同时，由于数据要素具有「可复制性」等核心属性，致使电力数据要素价值的释放与应用面临数据安全与隐私保护的考验。
针对这一挑战，隐私计算作为数据要素安全流通的「技术最优解」，因其「原始数据不出域，数据可用不可见」的特性在电力行业受到越来越多的关注及应用。此前工信部、网信办等十六部门印发的《关于促进数据安全产业发展的指导意见》中便明确提出：加强隐私计算等关键技术攻关，推进安全多方计算、联邦学习、全同态加密等数据开发利用支撑技术的部署应用。([1])
1.1 电力数据内外融合的重要性及问题
随着电力系统的自动化、数字化、智能化程度不断提升，电力行业采集的数据量呈现指数级增长。由于电力系统所积累的用户侧数据规模巨大，能够折射出经济发展、企业经营、复工复产、家庭情况等信息，面对海量电力数据，如何充分挖掘利用及安全开放赋能具有至关重要的意义。
当前，电力数据自身已无法满足多行业、多场景的实际应用需求，亟需与金融数据、气象数据、经济数据、社会数据、交通数据、通信数据等外部数据融合，进而更好地维护电网运行的安全稳定，提升电力企业的经营管理效率，甚至为政府、金融、交通等行业提供辅助决策支撑和业务增效，推动社会经济高质量发展。但电力数据在不同机构间或与跨域外部机构进行数据融合时，一旦造成隐私泄露或数据滥用，则会对电网安全、社会安全乃至国家安全造成严重威胁，面对数据的流通开放与安全保护这一核心矛盾，如何破解已成为亟待突破的关键问题。
1.2 隐私计算技术简介
隐私计算（Privacy Preserving Computing）是指在保护数据本身不对外泄露的前提下实现数据分析计算的一类信息技术，包含了数据科学、密码学、人工智能等众多技术体系的交叉融合，能够保障数据在流通融合过程中的「可用不可见」。([2])从20世纪70年代至今，隐私计算逐渐形成以多方安全计算、联邦学习、可信执行环境为代表，差分隐私、同态加密、零知识证明为辅助的成熟技术体系。([3])
图.隐私计算关键技术路线及特征说明
从数据流通方式的阶段演变来看，相比于此前批量文件传输、API接口调用、可信数据沙箱等均因原始数据出域而存在安全合规问题及后链路风险，对其进行脱敏处理及静态加密则又会导致数据价值受损，隐私计算技术作为数据流通的新范式，能够在保留数据控制权的前提下开放数据的计算权，从而更加充分地释放数据价值。
就具体应用场景而言，一方面电力行业作为数据提供方，将电力数据与政务、金融、交通等行业数据相融合，可以应用于小微信贷风控、税收风险分析、城市数字大脑、精准电桩布网等场景进行决策参考与业务赋能；另一方面电力行业同时作为数据应用方，与通信、社会人口等外部数据融合，服务于电力负荷评估、电费回收预测等场景，为电力行业的运行和发展决策提供有效支持和有力支撑。企业用电情况、电费缴纳情况等电力数据能够直接体现企业经营状况，银行在对小微企业进行信贷风险控制时，往往会将小微企业的基本信息、资金流水等行内数据与电力数据相结合，以此来丰富数据维度、扩大数据规模，提升联合建模的准确度。但数据合作过程涉及多方数据共享，存在原始数据泄露风险，导致银行无法得到准确、全面的数据去判断小微企业的风险能力。通过隐私计算的联邦建模技术，银行与电力数据提供方能够在不泄露各自原始数据的情况下安全联合建模，构建风控客户画像、风险评估规则和信用评分模型，帮助银行更加安全、全面、智能地评估信贷客户的风险状况，其结合电力数据训练得到的信用评分模型较传统方式，能够有效优化银行建模分析决策路径和信贷风控流程，降低银行不良贷款率，提升风险管理水平及信贷业务平均审批效率。税务部门自有的开票数量、开票金额等数据能够反映企业购买和销售状况，体现企业经营活动强度。电力部门掌握的用电量信息可以反映企业运营情况，体现生产活动强度。电力数据与税务数据的融合应用，能够预测企业的税收风险和经营风险。但在税务数据与电力数据的融合分析过程中，如何保证各方原始数据不出库，成为税电数据联合分析的一大难点。利用隐私计算技术开展税电联合分析，能够在保障数据安全前提下深入挖掘电力数据价值，联合开展指数、模型分析示范应用，不仅可以判断单个企业的生产、经营是否同步，还能够更加准确地监测并分析各地、各类企业的生产、销售情况，从而综合反映其生产效能，并针对企业生产效能、经营状况分析与风险进行智能预测，深化税费管理与经济运行关联研究。电力数据能够监测到家庭、企业、机关及事业单位等各方面主体的用电情况，具有覆盖范围广、时效性强、数据体量庞大等特点。因此政府可以借助电力数据开展各类分析与测算，反映经济发展情况、监测经济政策运行成效，推动在政务决策、民生服务、社会治理、行业监管、资源统筹等领域的数字智能转型，有效提高政府部门进行科学决策、精益管理的能力。通过隐私计算技术，将居民用电基本信息、用电记录、缴费记录、用电规范等标签数据和群体数据与政府数据融合分析，赋能政府对城市交通、环境、区域经济情况，城市化进程等城市公共资源运行和治理的监测，形成「城市数字大脑」运行系统，为城市数字化转型、城市经济发展建设提供助力。在日趋火热的新能源汽车市场，对电动车出行和充电行为特征的深入了解是分析电动汽车电桩布局的前提。为解决新能源汽车精准布桩的「最后一公里」问题，政府、企业、电网等主体存在进行多方数据安全融合与应用的需求。但新能源汽车数据涉及车主日常生活轨迹，其隐私保护要求较高，对于多方数据的高效融合形成挑战。基于隐私计算技术可以实现借助交通、支付等多方数据来计算公共场所、居住区及工业园区等各区域、各时段电动汽车停车数量与停车时长，从而计算出区域内所需充电桩的个数，进一步优化现有停车场充电桩的比例。同时，针对特定园区、大厦、企业内或周边是否需要建设专用充电桩及充电桩的个数给出较精准的预测值参考。在电力运营过程中，先用后缴的业务模式对于供电企业造成了电费拖欠隐患。因此，对于电费回收的预测成为一项重要的风险防范措施。([)(4)(])但目前电网企业对于客户欠费的预判能力相对不足，仅依靠电力自身数据还不能实现对于风险预测的高效准确识别。解决这一问题，需要融合电力、通信等多源数据提升风险预测模型效果。因此，凭借「数据可用不可见」的特性，应用联邦学习、多方安全计算等隐私计算技术保障数据不泄露至关重要。通过融合电力数据与通信数据，对通信运营商及电力企业共有客户进行隐私求交，再利用用电、缴费、通信等多维度数据联邦学习建模，最终构建电费回收风险评分模型，从而明显提升模型查准率和查全率。电力负荷预测是电力系统规划、计划、用电、调度等部门的基础工作，其中短期负荷预测是负荷预测的重要组成部分。([)(5)(])但仅依靠自身电力数据开展评估，在准确度方面还存在较大局限。电力负荷变化受多种因素影响，其发展变化规律非常复杂。除电网自身运行数据及历史数据外，还应融合如气温、交通流量、移动网络等外部数据以提高预测精度，从而优化负荷管控，保障供应平衡。通过隐私计算的多方安全计算技术，引入对电力负荷产生影响的通信数据、气象预报数据及节假日数据，在各方原始数据不出私域的情况下共同完成预测模型构建，从而改善传统预测方式准确率低的问题并满足多源数据融合的隐私保护需求，更好地保障电网安全稳定运行及群众正常生产生活。隐私计算已成为数字经济「新基建」，能够在保障数据安全的前提下充分发挥电力数据要素的价值。当前，在政策指引与市场需求的双重驱动下，隐私计算已在电力、政务、金融等多个行业广泛应用，并产生巨大的社会、经济价值。但是，在合规认定、安全与性能平衡、异构互联互通等方面仍存在一定阻碍，使得隐私计算技术的价值未能得到充分发挥。未来，通过隐私计算技术，在外部数据赋能电力行业方面，将有效重构传统数据流通方式，打破「数据孤岛」，使得更多维度、更加底层的数据得以开放共享；在电力数据赋能其他行业方面，将实现电网与热网、天然气网等整个能源网的融合，并进一步完成能源网、交通网与信息网的流通融合，最终实现与政务、金融、通信、工业、农业、贸易等更多行业深入结合，从而形成多层级、多领域的密态数据智能流通生态网络。来源：洞见科技InsightOne