بازارهای برق محلی حافظ حریم خصوصی تفاضلی با قابلیت شخصی‌سازی سطح حفاظت از حریم خصوصی

انتشار عمومی داده‌های بازارهای برق محلی گستره‌ی وسیعی از مزایای اقتصادی، فنی، و اجتماعی را به دنبال دارد. همچنین، دسترسی عمومی به این داده‌ها گامی اساسی در راستای شفافیت در بازارهای برق محلی و ارتقای ماهیت رقابتی آن‌ها محسوب می‌شود. با این حال، مشترکین حساس به حریم خصوصی دغدغه‌ی افشای اطلاعات خصوصی خود را از طریق انتشار داده‌های خروجی بازارهای برق محلی دارند. این مقاله، با استفاده از مفهوم حریم خصوصی تفاضلی، در پی طراحی مکانیسمی برای بازارهای برق محلی است، که به ‌شکلی قابل اثبات حفاظت از حریم خصوصی شرکت‌کنندگان در بازار را تضمین ‌کند، و همچنین تمایلات حریم خصوصی آن‌ها را نیز مد نظر قرار دهد. در گام نخست، ماهیت تصادفی مورد نیاز حریم خصوصی تفاضلی با استفاده از الگوریتم گرادیان افزایشی نویزی در فرایند بهینه‌سازی مساله تسویه بازار تعبیه می‌شود. سپس به منظور ایجاد امکان شخصی‌سازی سطح حفاظت از حریم خصوصی، مکانیسمی مبتنی بر نمونه‌برداری در سطح مجموعه‌داده‌ی ورودی مساله تسویه بازار پیشنهاد می‌گردد. در بخش مطالعات عددی، تاثیر پارامترهای حریم خصوصی تفاضلی بر خروجی‌های مساله تسویه بازار ارزیابی می‌شود. همچنین، مصالحه‌ی ذاتی میان حفاظت از حریم خصوصی و رفاه اجتماعی در مساله تسویه بازار نیز تحت سیاست‌های مختلف حفاظت از حریم خصوصی مورد توجه قرار می‌گیرد.

differentially private local electricity markets with personalized privacy protection

publicly releasing local electricity markets data brings a multitude of economic as well as technical and societal benefits. moreover, public access to these data is instrumental for achieving transparency and more competition in local electricity markets. however, privacy-aware market participants have concerns about the leakage of their private information via releasing of the local electricity market outputs. this paper aims to design a mechanism for local electricity markets that provably guarantees the privacy of market participants and also reflects their privacy preferences by implementing differential privacy. first, the required randomization for achieving differential privacy is embedded in the optimization process of the market-clearing problem via noisy gradient ascent algorithm. then, for providing personalized level of privacy protection, a subsampling mechanism over the input dataset of the market-clearing problem. in numerical studies, the inherent trade-off between the privacy protection and social welfare in the market is investigated under different privacy regimes.