随着电力市场化改革进程的推进和“碳达峰、碳中和”的提出,利用电力用户的用电数据进行用电行为分析,从而更好的进行电力调度已经迫在眉睫。但是出于数据安全和隐私保护等原因的考虑,用电数据的拥有者不愿共享数据,且不同区域存在数据量不足和数据包含的信息片面等问题,难以利用多方数据进行联合分析或建模,造成了很严重的数据孤岛问题。联邦学习对数据孤岛这一难题给出了一种非常有效的解决方式,即在保证用户的用电数据可以不出各节点的条件下促使不同的数据持有方共同构建一个更好的机器学习模型。但经过风险分析和攻击测试发现联邦学习框架本身存在一定安全威胁,如果存在恶意节点或恶意攻击者,不仅可以通过截获的全局模型进行数据的重建,也可能使全局模型训练的准确度大大降低,且造成了不必要的通信负担。本文提出了一种改进的差分隐私算法,用以解决模型泄露后模型受到的模型推理和数据重构攻击。同时,本文提出了一种基于模型预测能力相似度检测的过滤算法来过滤训练时恶意参与节点所提供的恶意模型,保证全局模型的训练。差分隐私是一种加密工具,旨在最大限度地提高从统计数据库查询数据时的准确性,同时最大限度地减少查看其记录的机会。本文模型通过使用改进的差分隐私算法干扰模型参数,从而破坏攻击者利用该模型进行数据重构的目的,同时尽可能的减小因对模型扰动而带来的对模型分类能力的负面影响。通过基于模型预测能力相似度检测的过滤算法在过滤恶意参与节点的同时,使用奖惩机制降低恶意参与节点的权值,使其拥有更少的机会参与训练,从而保证了全局模型的准确性,并减少了不必要的通信时延与开销。实验结果表明,在使用改进的差分隐私算法后,模型能够很好的抵抗数据重构攻击,同时模型分类的准确率没有明显的下降。通过模拟实验,验证在采用本文提出的基于模型预测能力相似度检测的过滤算法后,模型预测的准确率与没有恶意节点时的预测结果接近,并通过理论进行了性能分析,证明该算法在通信开销上的贡献,结果表明,该算法很好的解决了恶意节点的问题。