Die AMI-Daten (Advanced Metering Infrastructure) aus intelligenten Strom- und Gaszählern ermöglichen Versorgungsunternehmen und Verbrauchern wertvolle Erkenntnisse, werfen aber auch erhebliche Datenschutzbedenken auf. In Kalifornien schreiben behördliche Entscheidungen (CPUC D.11-07-056 und D.11-08-045) strenge Datenschutzmaßnahmen für Kundendaten zum Energieverbrauch vor, die sich an den Fair Information Practice Principles (FIPPs) orientieren. Wir untersuchen umfassend Lösungen, die auf Datenanonymisierung, datenschutzwahrendem maschinellem Lernen (differentieller Datenschutz und föderiertes Lernen), synthetischer Datengenerierung und kryptografischen Techniken (sichere Mehrparteienberechnung, homomorphe Verschlüsselung) basieren. Auf diese Weise können fortschrittliche Analysen, einschließlich Modellen für maschinelles Lernen sowie statistische und ökonometrische Analysen von Energieverbrauchsdaten, durchgeführt werden, ohne die Privatsphäre des Einzelnen zu gefährden.

Wir bewerten die theoretischen Grundlagen, die Effektivität und die Kompromisse der einzelnen Techniken im Zusammenhang mit der Analyse von Versorgungsdaten und schlagen eine integrierte Architektur vor, die diese Methoden kombiniert, um den realen Anforderungen gerecht zu werden. Die vorgeschlagene Hybridarchitektur soll die Einhaltung der kalifornischen Datenschutzbestimmungen und FIPPs sicherstellen und gleichzeitig nützliche Analysen ermöglichen, von Prognosen und personalisierten Erkenntnissen bis hin zu akademischer Forschung und Ökonometrie, während gleichzeitig die Privatsphäre des Einzelnen strikt geschützt wird. Gegebenenfalls werden mathematische Definitionen und Ableitungen zur Verfügung gestellt, um Datenschutzgarantien und Nutzeneffekte eingehend nachzuweisen. Wir fügen vergleichende Bewertungen der Techniken, ein Architekturdiagramm und Flussdiagramme hinzu, um zu veranschaulichen, wie sie in der Praxis zusammenarbeiten. Das Ergebnis ist ein Plan für Datenwissenschaftler und Techniker von Versorgungsunternehmen zur Implementierung von Datenschutz durch Design bei der AMI-Datenverarbeitung. Dies unterstützt sowohl datengestützte Innovationen als auch die strikte Einhaltung gesetzlicher Vorschriften.