IEEE Power & Energy Magazine - Spanish - September/October 2023 - 64

Los histogramas de magnitud de tensión y fase obtenidos en
ambos casos con perfiles de carga reales y sintéticos en las
figuras 7 y 8 muestran que los resultados obtenidos para las
cargas sintéticas se ajustan bien a los obtenidos para las cargas
reales.
Aunque estos resultados son prometedores, la vía para
obtener precisión parece inextricable de la adaptación de los
mecanismos a las consultas. Para lograr una mayor utilidad
de las respuestas a consultas ruidosas compartidas, es posible
que los estándares tengan que profundizar en la definición de
qué y cómo se pueden intercambiar datos o consultas sobre
ellos con garantías de DP. Por desgracia, el planteamiento
ingenuo de divulgar los datos directamente después de añadir
ruido es insostenible porque el ruido que hay que añadir para
preservar la privacidad, sin ninguna forma de agregación de
consultas, es tal que los análisis futuros serían extremadamente
imprecisos y, por lo tanto, en su mayoría engañosos.
Este punto está relacionado con el anterior sobre " intercambiar
los datos adecuados " o, más exactamente, intercambiar
la información adecuada sobre los datos y diseñar métodos
estadísticos que no solo garanticen la preservación de la privacidad,
sino que también estén diseñados para ofrecer la
mayor precisión posible, dadas las limitaciones de privacidad.
Combinar
las técnicas de protección de la
privacidad
La DP puede permitir el intercambio de datos sin exponer
los datos en bruto, permitiendo así potencialmente a cualquier
usuario no confiable acceder a esos datos sin riesgo.
Los TEE protegen de los proveedores de computación no
confiables y permiten realizar cómputos seguros multipartitos.
Cada enfoque tiene sus ventajas y puede desplegarse por
separado en función del modelo de riesgo, y también pueden
combinarse para ofrecer garantías más completas sobre la
seguridad de los datos, tanto por parte de los proveedores
de plataformas como de los usuarios finales de los datos en
cuestión. Aunque ambas se utilizan en la industria comercial,
la administración pública o ambas, ni las DP ni los
TEE han dejado de evolucionar, y ambas seguirán haciéndose
cada vez más utilizables y eficientes. En el caso de los
datos sobre energía, es importante incorporar conocimientos
especializados para aclarar qué tipo de resultados analíticos
son más beneficiosos para las distintas partes interesadas y,
a continuación, determinar los mecanismos que logran el
mejor compromiso entre la privacidad y la precisión de las
consultas de datos.
En conclusión, los próximos pasos incluyen trabajar con
organizaciones de normalización que tengan el alcance de
dirigirse a una masa crítica de partes interesadas de la industria
de la energía solar/inversora/distribuida; reguladores;
usuarios finales de los datos de la red, incluida la planificación
y la investigación de la red; y expertos técnicos en
métodos de protección de la privacidad, como los que hemos
analizado aquí.
Reconocimientos
Esta investigación ha sido financiada en parte por el director
de la Oficina de Eficiencia Energética y Energías Renovables;
la Oficina de Tecnologías de Energía Solar; y el director
de la Oficina de Ciberseguridad, Seguridad Energética y
Respuesta a Emergencias del Departamento de Energía de
Estados Unidos.
Lecturas complementarias
N. Ravi et al., " Differentially private K-means clustering
applied to meter data analysis and synthesis " (Agrupación
K-means diferencialmente privada aplicada al análisis y la
síntesis de datos de medidores), IEEE Trans. Smart Grid,
vol. 13, n.° 6, págs. 4801-4814, noviembre de 2022, doi:
10.1109/TSG.2022.3184252.
C. Dwork, " Differential privacy " (Privacidad diferencial),
en Proc. 33rd Int. Colloq. Automata, Lang. Program.,
Part II (ICALP), julio de 2006, vol. 4052. [En línea]. Disponible
wp-content/uploads/2016/02/dwork.pdf
" Statistical
safeguards " (Salvaguardias estadísticas),
Oficina del Censo de EE. UU., Washington, DC, EE. UU.,
abril de 2023.
[En línea]. Disponible en: https://www.
census.gov/about/policies/privacy/statistical_safeguards.
html
Biografías
Robert Currie pertenece a Kevala, Inc., San Francisco, California
94133, EE. UU.
Sean Peisert pertenece al Laboratorio Nacional Lawrence
Berkeley, Berkeley, California, 94720, EE. UU.
Anna Scaglione pertenece a la Universidad de Cornell,
Nueva York, NY 10044, EE. UU.
Aram Shumavon pertenece a Kevala, Inc., San Francisco,
California 94133, EE. UU.
Nikhil Ravi pertenece a la Universidad de Cornell, Nueva
York, NY 10044, EE. UU.
p&e
en: https://www.microsoft.com/en-us/research/
64
ieee power & energy magazine
septiembre/octubre 2023

http://dx.doi.org/10.1109/TSG.2022.3184252 https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/dwork.pdf https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/dwork.pdf https://www.census.gov/about/policies/privacy/statistical_safeguards.html https://www.census.gov/about/policies/privacy/statistical_safeguards.html https://www.census.gov/about/policies/privacy/statistical_safeguards.html

IEEE Power & Energy Magazine - Spanish - September/October 2023

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - September/October 2023