En el contexto de las plantas virtuales de energía (VPPs), el enfoque de talla única de los métodos tradicionales estáticos de desensibilización resulta inadecuado debido a los diversos y dinámicos escenarios operativos encontrados. Estos métodos no logran proporcionar la flexibilidad necesaria para los diferentes requisitos de privacidad de datos en distintos escenarios. Para abordar esta deficiencia, nuestra investigación presenta un método de desensibilización dinámica diseñado específicamente para VPPs. Aprovechando el aprendizaje automático para el reconocimiento de escenas adaptativo, el método ajusta los niveles de privacidad de datos de manera inteligente según cada escenario único. Una novedosa función de utilidad de similitud y un algoritmo de privacidad diferencial basado en procesos gaussianos garantizan una protección de privacidad adaptada y eficiente. Los resultados experimentales resaltan una precisión del 87.5% en el reconocimiento de escenas, validando la capacidad de nuestro método para adaptarse de manera efectiva a diversos escenarios. Este estudio contribuye al campo al proporcionar un enfoque matizado a la protección de datos, abordando eficazmente las necesidades específicas de entornos complejos de VPP.