在智能电网的实时监测系统中,随着智能设备,智能表计和智能终端等的广泛使用,细粒度测量使用户隐私泄露问题越加严重。特别地,从电表收集的实时聚合动态序列中可以推断出用户的行为模式和生活模式,虽然细粒度测量不能直接访问,但可通过差分攻击来获得详细的测量数据。为了使用户隐私得到有效保护,一般采用将噪声添加到原始查询的差分隐私保护方法,所添加的噪声存在一定程度的不确定性,但相比其它高计算开销的隐私保护方法而言,差分隐私因其易于操作和开销较低的特点,可以在数据效用与隐私保护之间达到灵活的权衡,而在满足差分隐私的前提下,如何实现高的数据隐私保护强度和高数据效用将是本文的研究目标。经典的基线拉普拉斯噪声算法(BLN,Baseline Laplacian noise algorithm)根据数据集的全局敏感度来直接添加拉普拉斯噪声,较高的全局敏感度导致了噪声方差的增加以及数据效用的降低。均匀拉普拉斯噪声算法(ULN,Uniform Laplacian noise algorithm)具有等概率的噪声分布,即数据各维度所添加的噪声幅度一致,但其效用性依然无法达到最优。在深入研究了上述两种加噪算法后,本文对以上两种算法进行优化改进得到多维特征加噪算法(MFPN,Multidimensional feature plus noise algorithm),该算法主要分为两步,第一步为全局敏感度的求解,将数据集的最大特征值作为目标函数,采用平均共识和迭代功率法相结合的方式对目标函数进行求解,根据求解的各数据集的最大特征值计算得到全局敏感度。第二步是各维度独立噪声指数加权后的总噪声求解,将全局敏感度、界限值和隐私保护预算作为输入参数,把原始数据集分解成多维数据,根据输入参数计算各维度的隐私敏感度,并采用拉普拉斯噪声分布相应的计算各维度需添加的独立噪声值,由各独立噪声值加权得到总随机噪声值,通过差分隐私证明、效用分析、最优界限的选择、噪声机制的离散分析、误差分析和复杂度分析六个部分对MFPN算法进行性能分析。利用Python语言对所提算法MFPN与基线拉普拉斯加噪算法BLN、均匀拉普拉斯加噪算法ULN进行对比仿真,仿真主要对算法的隐私保护强度和效用进行对比分析。仿真结果表明,对比BLN算法和ULN算法,MFPN算法在满足差分隐私的前提下,能实现更高的隐私保护强度和数据效用。