智能电网(Smart Grid),作为电力系统与信息网络深度融合的产物,是一种典型的信息物理融合系统。它将先进的信息、通信和控制技术深度应用于电力系统的发电、输电、变电、配电、用电和调度各个环节,从而实现了信息流与电力流在电网内的一体化双向流动,不仅有效缓解了传统电网中供给侧与需求侧之间信息不对称的难题,同时激励需求侧的用户更主动地参与到电网系统的管理当中。但是,随着智能电网不断提升的开放性,需求侧用户的用电数据信息也不可避免地面临日益严峻的安全和隐私问题。近年来,智能电网系统安全事故和隐私泄漏事件频频发生,引发了世界各国政府以及学术界的高度重视,已经成为各方关注的热点。目前,国内外涌现的大量研究成果从不同角度提出各种手段,致力于提高智能电网的安全性、保障电网中用户的隐私不被泄露。但是,现有的工作并未对智能电网用电区域所产生的数据引起足够的重视,一旦用电数据的隐私性、完整性、可用性被破坏,不仅会损害用电区域内用户自身的利益,更会对智能电网的整体性能产生不可估量的影响。由于智能电网的系统高复杂性、各个环节的强耦合性、电力流和信息流的强相关性,所以研究用电数据的隐私性、完整性、可用性与智能电网系统性能之间的量化关系具有重大意义,同时也极具挑战。本文以数据安全/隐私保护与智能电网系统性能的内在关系为核心问题,从用电数据的隐私性、完整性、可用性出发,研究其对智能电网各项系统性能的影响。本文的主要工作和贡献可概括为以下几个方面:1.介绍了智能电网用户数据安全和隐私问题的研究背景、研究挑战以及国内外在此方面的研究现状。2.研究了智能电网通信网络在拥塞攻击下的性能退化情况。本文提出了一种新颖的针对智能电网通信网络的基于学习的拥塞攻击策略(LearJam)。而该策略包括学习阶段和攻击阶段:在学习阶段,攻击者对智能电表的传输随机性进行学习;进而在攻击阶段根据所估计的随机分布,有计划地发动攻击。为了造成智能电网通信网络吞吐量的最大性能退化,该策略同时对两个阶段进行了协同优化。而且该优化过程能够迭代执行,满足了实际部署中网络环境参数实时更新的要求。本文还讨论了针对LearJam攻击策略的有效防御机制,对提升智能电网通信网络的安全性具有指导性意义。3.研究了智能电网用户隐私保护与电网运行成本的耦合关系。在最优潮流计算的框架之下,本文引入了差分隐私的概念刻画用户保护隐私的强度。用户出于保护隐私信息的需要,对真实的用电信息注入了噪声,电网最优潮流计算的结果显然将随之改变,最终影响了电网的运行效率。本文首次研究了考虑差分隐私的最优潮流计算问题。通过对注入噪声后的潮流计算问题进行建模,面对需求侧用电量存在不确定性的情况,本文严格证明得到了最优潮流计算结果的敏感度,并通过大量的实验验证了理论分析的结果。进而,由于电网的节点边际电价机制取决于最优潮流计算的结果,所以本文进一步分析了隐私保护行为对实时电价的影响,并在此基础上设计了考虑个人隐私信息的电网计费系统。4.研究了保护隐私的智能电网需求预测框架设计。本文设计了一种基于神经网络模型的保护隐私的短期需求预测框架。在该框架中,每个家庭用户端的智能电表作为一个计算节点,并且只要求每个计算节点在参数训练过程期间上传中间变量(每个参数对应的梯度值)至能量管理系统,并由其基于所有节点的上传信息进行数据融合。通过掩盖原始训练数据和协同分布式训练,该框架有效保护了用电数据的隐私性。而且,为了保证负载预测精度和模型训练速度,该框架结合了改良的梯度下降算法和异步数据并行机制,并严格证明了算法的收敛性。最终,基于真实智能电网用电数据集的实验验证了框架在隐私保护方面的优越性。最后对全文进行了总结,并展望了下一步的研究工作。