1.一种电力系统敏感数据共享方法，其特征在于，包括以下具体步骤：构造数据集：收集一定规模的电力系统敏感数据构造成数据集，电力系统敏感数据包括用户负荷数据和通信流量数据；设计噪声生成模型：采用多层感知器前馈神经网络设计噪声生成模型，模型包括输入层，5层隐藏层和输出层，隐藏层采用ReLU神经单元，模型的输入为敏感数据的状态特征s；输出为噪声数据t；设计敏感数据共享模型：结合差分隐私和生成式对抗网络构造设计敏感数据共享模型，模型采用生成式对抗网络，根据差分隐私原理对生成式对抗网络的损失函数添加噪声数据，模型的输入为敏感数据的状态特征s和敏感数据x；输出为脱敏后的隐私数据 训练模型：利用数据集对设计的噪声生成模型和敏感数据共享模型进行训练测试；共享电力系统敏感数据：将待共享的敏感数据输入设计的噪声生成模型和敏感数据共享模型，得到脱敏的可以共享的敏感数据；所述敏感数据的状态特征s＝[x；x′]，x′表示对原始敏感数据进行差分隐私计算后得到的数据，计算方法为：x′＝x+N(0，σ 2 ) (1)σ表示正态分布的方差；所述设计噪声生成模型具体为，基于actor-critic网络构造噪声生成模型，Critic网络用于预估动作-价值函数Q π (s，a)，Actor输出的动作a＝z，动作-价值函数Q π (s，a)定义为式中，γ∈[0，1]表示衰减因子，r t′ 表示收益函数，定义为式中，Pr(y′)和Pr(y″)分别表示脱敏后数据y′和y″的概率，α表示隐私损失权重；噪声生成模型中Critic网络和Actor网络均采用多层感知器前馈神经网络,包括输入层，5层隐藏层和输出层，隐藏层采用ReLU神经单元，模型的输入为敏感数据的状态特征s；输出为噪声数据z，噪声生成模型中，通过最小化Critic网络的损失函数L更新权重系数θ Q′ ，损失函数L定义为：式中，y i ＝r i +γQ′(s i+1 ，μ′(s i+1 |θ μ′ )|θ Q′ )，θ μ′ 表示Actor网络权重系数，利用DDPG更新Actor网络权重系数θ μ′ ，更新公式为式中，μ(s i )表示状态s i 采取的策略。
2.根据权利要求1所述的一种电力系统敏感数据共享方法，其特征在于，所述设计敏感数据共享模型具体为，基于GAN网络构造敏感数据共享模型，包括生成器G和判别器D，生成器G用于生成与电力系统敏感数据概率分布相似的数据，输入为噪声生成模型输出的噪声数据z，输出为脱敏后的敏感数据；判别器D通过真实样本和生成器G生成的数据进行对比，用以判别生成器的好坏，输入为原始敏感数据x，输出为0或者1，其中0代表数据脱敏，1代表数据未脱敏，生成器G和判别器D均采用深度神经网络，深度神经网络根据敏感数据的特征进行构造，生成器G和判别器D均采用深度神经网络损失函数f G 和f D 分别为：式中，m表示从数据集中采样的数据x的大小，y和w分别表示生成器G和判别器D的网络参数。
3.根据权利要求2所述的一种电力系统敏感数据共享方法，其特征在于，利用泰勒展开公式，判别器D的损失函数近似为式中，λ表示多项式系数，h(w)判别器D的深度神经网络，k表示深度神经网络的训练迭代次数，在判别器D损失函数f D 的多项式系数上λ添加噪声z，即判别器D的神经网络参数w利用如下损失函数进行更新：
4.一种电力系统敏感数据共享系统，用以实现权利要求1-3任一所述的方法，其特征在于，包括，数据集构造模块：收集一定规模的电力系统敏感数据构造成数据集，电力系统敏感数据包括用户负荷数据和通信流量数据；噪声生成模型建立模块：利用多层感知器前馈神经网络构造噪声生成模型，该模型的输入为待共享敏感数据的状态特征，输出为生成的噪声数据；敏感数据共享模型建立模块：结合差分隐私和生成式对抗网络构造设计敏感数据共享模型，该模型的输入为待共享敏感数据和噪声生成模型产生的噪声数据，输出为脱敏的可以共享的数据；模型训练模块：利用数据集对设计的敏感数据共享模型和噪声生成模型进行训练测试；电力系统敏感数据共享模块：利用噪声生成模型和敏感数据共享模型，将敏感数据共享模型生成器D的输出作为共享的敏感数据。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序代码，所述程序代码被处理器执行时，实现如权利要求1-3任一所述的电力系统敏感数据共享方法的步骤。
