基于深度學(xué)習(xí)的電力數(shù)據(jù)質(zhì)量預(yù)測仿真研究

摘 要：為修復(fù)電力交易數(shù)據(jù)中的缺失值，提出一種基于區(qū)塊鏈和深度學(xué)習(xí)的電力交易數(shù)據(jù)治理方法。利用區(qū)塊鏈的可追溯性對不完整電力數(shù)據(jù)進(jìn)行跟蹤溯源，并采用添加了注意力機(jī)制的門控循環(huán)單元（GRU）模型對數(shù)據(jù)進(jìn)行預(yù)測；同時(shí)利用不同修復(fù)規(guī)則對數(shù)據(jù)進(jìn)行修復(fù)，實(shí)現(xiàn)電力交易數(shù)據(jù)的修復(fù)治理。仿真結(jié)果表明，相較于標(biāo)準(zhǔn)GRU模型和常用預(yù)測模型LSTM模型與RNN模型，基于注意力機(jī)制改進(jìn)的GRU模型對電力交易數(shù)據(jù)具有更好的預(yù)測效果，提高了電力交易數(shù)據(jù)的質(zhì)量，修復(fù)后的電力交易數(shù)據(jù)滿足完整性和滿意度需求，且可在區(qū)塊鏈上進(jìn)行共享。

關(guān)鍵詞：區(qū)塊鏈；深度學(xué)習(xí)；數(shù)據(jù)治理；電力交易；GRU算法

中圖分類號：TP311；F407.6 文獻(xiàn)標(biāo)識碼：A 文章編號：1001-5922（2024）11-0151-04

Research on power data quality prediction simulationbased on deep learning

ZHENG Xin

（Guangdong Yuedan Electric Power Sales Co.，Ltd.，Guangzhou 510630，China）

Abstract： In order to repair missing values in power transaction data，a power transaction data governance methodbased on blockchain and deep learning was proposed. The traceability of blockchain was used to track and trace theincomplete power data，and the Gated Recurrent Unit（GRU）model with attention mechanism was used to predictthe data. At the same time，different repair rules were used to repair the data to realize the repair and governance ofpower transaction data. The simulation results showed that compared with the standard GRU model，the commonlyused prediction model LSTM model and the RNN model，the improved GRU model based on attention mechanismhad a better prediction effect on the power transaction data，improved the quality of the power transaction data，andthe repaired power transaction data met the requirements of integrity and satisfaction，and can be shared on theblockchain.

Key words： blockchain；deep learning；data governance；electricity trading；GRU algorithm

在智能電網(wǎng)中，不僅包含大量的電力運(yùn)行數(shù)據(jù)，同時(shí)還包含部分市場化數(shù)據(jù)。由于終端設(shè)備采集和傳輸?shù)木C合因素影響的問題，往往會造成采集到的數(shù)據(jù)缺失的問題。為解決該問題，提出一種基于S-BDMP數(shù)據(jù)軟件的電力系統(tǒng)大數(shù)據(jù)治理方法 [1] ；通過定義完整數(shù)據(jù)質(zhì)量規(guī)則，構(gòu)建完整的實(shí)時(shí)的數(shù)據(jù)質(zhì)量規(guī)則庫，實(shí)現(xiàn)了對電力數(shù)據(jù)的治理和對數(shù)據(jù)共生、共通、共享的需求 [2] ；通過搭建電力數(shù)據(jù)治理平臺，有效提升了電力數(shù)據(jù)的管理效率，推動了業(yè)務(wù)協(xié)同和效率提升 [3] 。因此，為提高電力交易數(shù)據(jù)治理效果，基于區(qū)塊鏈和深度學(xué)習(xí)算法，提出一種注意力機(jī)制改進(jìn)的GRU模型的電力交易數(shù)據(jù)修復(fù)治理方法。

1 改進(jìn)的GRU模型構(gòu)建

GRU是一種循環(huán)神經(jīng)網(wǎng)絡(luò)，通過更新門和重置門2個(gè)門函數(shù)，確保在捕捉長序列語義關(guān)聯(lián)時(shí)，可有效抑制梯度消失的問題，具有結(jié)構(gòu)簡單、性能強(qiáng)的特點(diǎn) [4] 。GRU模型改進(jìn)，GRU模型在數(shù)據(jù)處理速度和準(zhǔn)確性上具有一定的優(yōu)勢，但針對采集到的長時(shí)間序列數(shù)據(jù)的處理方面仍存在一些不足，主要表現(xiàn)GRU模型對長時(shí)間序列數(shù)據(jù)中的重要信息和普通信息的關(guān)注度相同，而實(shí)際中重要信息對最終數(shù)據(jù)處理結(jié)果貢獻(xiàn)更大 [5] 。因此，標(biāo)準(zhǔn)GRU模型對數(shù)據(jù)處理的準(zhǔn)確性還有待提高。為解決該問題，本研究引入注意力機(jī)制對GRU模型進(jìn)行了改進(jìn)，以提高GRU模型對數(shù)據(jù)處理的準(zhǔn)確性。

引入注意力機(jī)制的GRU模型結(jié)構(gòu)如圖1所示。

首先，將輸入向量依次通過Em?bedding層和Bi-GRU層，提取深層特征；然后通過注意力層，生成注意概率；最后，將注意概率與隱層狀態(tài)的乘積相加，并利用softmax函數(shù)進(jìn)行歸一化與輸出。

通過在GRU模型中添加注意力機(jī)制，可使模型更關(guān)注時(shí)間序列中重要的信息，其中注意力機(jī)制可根據(jù)式（5）～式（7）確定 [6-7] ：2 基于區(qū)塊鏈的電力交易數(shù)據(jù)質(zhì)量修復(fù)為實(shí)現(xiàn)區(qū)塊鏈上的電力數(shù)據(jù)修復(fù)，本研究首先采用改進(jìn)GRU模型對區(qū)塊鏈上不完整的電力交易數(shù)據(jù)進(jìn)行預(yù)測；然后根據(jù)預(yù)測結(jié)果，采用不同的修復(fù)規(guī)則對不完整的電力交易數(shù)據(jù)進(jìn)行修復(fù)，實(shí)現(xiàn)電力交易數(shù)據(jù)的修復(fù)治理。

2. 1 區(qū)塊鏈共識機(jī)制設(shè)計(jì)

引入?yún)^(qū)塊鏈技術(shù)對電力交易數(shù)據(jù)進(jìn)行質(zhì)量管理，對增強(qiáng)電力交易數(shù)據(jù)的完整性和安全性具有重要意義，有利于實(shí)現(xiàn)電力交易數(shù)據(jù)的修復(fù)。區(qū)塊鏈中，共識機(jī)制對數(shù)據(jù)的跟蹤和交易活動的跟蹤起到核心作用。為加快電力交易數(shù)據(jù)缺失值的修復(fù)，研究設(shè)計(jì)了一種交易數(shù)據(jù)共識機(jī)制，并基于聯(lián)盟鏈來實(shí)現(xiàn)數(shù)據(jù)的共享和存儲。

聯(lián)盟鏈上共識過程包括背書、排序、驗(yàn)證3個(gè)階段。背書階段負(fù)責(zé)對交易結(jié)果進(jìn)行簽名，排序階段負(fù)責(zé)打包交易并廣播到所有節(jié)點(diǎn)，驗(yàn)證階段是負(fù)責(zé)對每個(gè)交易的狀態(tài)和簽名進(jìn)行驗(yàn)證 [8] 。本研究電力交易數(shù)據(jù)公式過程中，選擇完整度較高的節(jié)點(diǎn)作為領(lǐng)導(dǎo)者，可確保至少一個(gè)領(lǐng)導(dǎo)值為正常參與值，進(jìn)而形成一個(gè)區(qū)塊。

2. 2 電力交易數(shù)據(jù)質(zhì)量修復(fù)

2. 2. 1 基于改進(jìn)GRU的電力交易數(shù)據(jù)預(yù)測

基于注意力機(jī)制改進(jìn)的GRU模型對電力交易數(shù)據(jù)的預(yù)測步驟為：首先，將區(qū)塊鏈上的電力交易數(shù)據(jù)輸入改進(jìn) GRU 模型中，依次通過 Embedding 層和Bi-GRU層，提取電力交易數(shù)據(jù)的深層特征，然后通過注意力層賦予不同數(shù)據(jù)特征權(quán)重，與隱層狀態(tài)的乘積相加，最后通過softtmax函數(shù)進(jìn)行歸一化和輸出，即實(shí)現(xiàn)了電力交易數(shù)據(jù)的預(yù)測。

2. 2. 2 電力交易數(shù)據(jù)完整性修復(fù)規(guī)則數(shù)據(jù)修復(fù)定義：，其中 G 表示數(shù)據(jù)模型圖， G′ 表示通過修復(fù)規(guī)則 R 修復(fù)后的數(shù)據(jù)模型圖 [9] 。

針對不同原始電力交易數(shù)據(jù)集，設(shè)計(jì)了如下不同數(shù)據(jù)修復(fù)規(guī)則：

（1）數(shù)值修復(fù) R1 。針對數(shù)值不完整數(shù)據(jù)，通過頂點(diǎn)之間的依賴關(guān)系進(jìn)行修復(fù)；

（2）邊修復(fù) R2 。針對某一條邊缺失的不完整數(shù)據(jù)，采用數(shù)值修復(fù)規(guī)則進(jìn)行修復(fù)；

（3）路徑修復(fù) R3 。針對某一路徑出現(xiàn)不完整的情況，結(jié)合數(shù)據(jù)修復(fù)和邊修復(fù)規(guī)則進(jìn)行修復(fù)；

（4）交易修復(fù) R4 。根據(jù)交易完整性定義，結(jié)合數(shù)值修復(fù)、邊修復(fù)和路徑修復(fù)對數(shù)據(jù)圖模型 G 進(jìn)行修復(fù)。

2. 2. 3 電力交易數(shù)據(jù)修復(fù)

基于改進(jìn)GRU預(yù)測的電力交易數(shù)據(jù)和數(shù)據(jù)修復(fù)規(guī)則，對電力交易數(shù)據(jù)進(jìn)行修復(fù)，具體步驟如下：

3. 4 結(jié)果與分析

3. 4. 1 數(shù)據(jù)預(yù)測結(jié)果

為驗(yàn)證改進(jìn)GRU模型的有效性，對比GRU模型改進(jìn)前后對電力交易數(shù)據(jù)的預(yù)測結(jié)果，如圖2所示。

由圖2可知，基于注意力機(jī)制改進(jìn)的GRU模型預(yù)測結(jié)果與真實(shí)電力交易數(shù)據(jù)更為接近，變化趨勢基本一致，而改進(jìn)前的標(biāo)準(zhǔn)GRU模型的預(yù)測結(jié)果與真實(shí)電力交易數(shù)據(jù)差異明顯。由此說明，所提的基于注意力機(jī)制改進(jìn)的GRU模型改進(jìn)有效，可提高對電力交易數(shù)據(jù)的預(yù)測準(zhǔn)確率，為電力交易數(shù)據(jù)的修復(fù)治理奠定了基礎(chǔ)。

為驗(yàn)證所提基于注意力機(jī)制改進(jìn)的GRU模型的優(yōu)越性，實(shí)驗(yàn)對比了模型與常用預(yù)測模型長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）模型和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）模型對電力交易數(shù)據(jù)的預(yù)測結(jié)果，如圖3所示。

RNN模型，所提改進(jìn)GRU模型的預(yù)測值與實(shí)際電力交易數(shù)據(jù)更接近。由此說明，所提的改進(jìn)GRU模型對電力交易數(shù)據(jù)的預(yù)測效果更好，可得到更為接近真實(shí)的電力交易數(shù)據(jù)，具有一定的有效性和優(yōu)越性。

3. 4. 2 數(shù)據(jù)修復(fù)結(jié)果

為驗(yàn)證改進(jìn)GRU模型對電力交易數(shù)據(jù)的修復(fù)結(jié)果，基于數(shù)據(jù)修復(fù)規(guī)則，采用注意力機(jī)制改進(jìn)的GRU模型對不完整的電力交易數(shù)據(jù)進(jìn)行修復(fù)，結(jié)果如圖4所示。

由圖4可知，當(dāng)改進(jìn)GRU模型的修復(fù)錯(cuò)誤大于 δ時(shí)，模型停止了數(shù)據(jù)修復(fù)；相較于未修復(fù)的原始數(shù)據(jù)，采用改進(jìn)GRU模型修復(fù)的數(shù)據(jù)完整度明顯更高。

由此說明，所提基于注意力機(jī)制改進(jìn)的GRU模型可實(shí)現(xiàn)較為良好的電力交易數(shù)據(jù)修復(fù)，進(jìn)而提高電力交易數(shù)據(jù)的完整性。

為進(jìn)一步評估所提改進(jìn)GRU模型對電力交易數(shù)據(jù)修復(fù)效果，實(shí)驗(yàn)探討了不同任務(wù)卸載率 λ mn 下對應(yīng)電力交易數(shù)據(jù)修復(fù)的滿意度和修復(fù)數(shù)據(jù)元組，結(jié)果如圖5所示。

由圖5可知，當(dāng)給定一個(gè)計(jì)算任務(wù)卸載率時(shí)，滿意度隨著修復(fù)元組數(shù)量增加而下降；當(dāng)給定不同任務(wù)時(shí)，滿意度隨著計(jì)算任務(wù)卸載率增加而下降。

4 結(jié)語

綜上所述，所提的基于區(qū)塊鏈和深度學(xué)習(xí)的電力交易數(shù)據(jù)治理方法，通過利用區(qū)塊鏈的可追溯性對長時(shí)間電力交易數(shù)據(jù)序列中不完整的電力交易數(shù)據(jù)進(jìn)行追蹤溯源，并采用基于注意力機(jī)制改進(jìn)的GRU模型對不完整電力交易數(shù)據(jù)進(jìn)行預(yù)測，同時(shí)使用不同修復(fù)規(guī)則生成修復(fù)數(shù)據(jù)，實(shí)現(xiàn)了電力交易數(shù)據(jù)的修復(fù)治理，且具有一定的有效性和優(yōu)越性。相較于標(biāo)準(zhǔn)GRU模型和常用預(yù)測模型LSTM模型與RNN模型，所提基于注意力機(jī)制改進(jìn)的GRU模型對電力交易數(shù)據(jù)具有更好的預(yù)測效果，提高了電力交易數(shù)據(jù)的質(zhì)量，修復(fù)的電力交易數(shù)據(jù)完整性和滿意度較高，且可在區(qū)塊鏈上進(jìn)行共享。

【參考文獻(xiàn)】

[1] 曹明良，李國和，馮崢，等. 基于電力系統(tǒng)大數(shù)據(jù)治理的軟件數(shù)據(jù)平臺設(shè)計(jì)與研究[J].計(jì)算技術(shù)與自動化，2020，39 （3）：135-139.

[2] 王督，陰皓，牛斌斌. 基于大數(shù)據(jù)稽查監(jiān)控系統(tǒng)實(shí)現(xiàn)電力數(shù)據(jù)治理的研究與應(yīng)用[J]. 電力設(shè)備管理，2020（9）：192-195.

[3] 陰皓，李路遠(yuǎn)，劉伯宇. 電力數(shù)據(jù)管理關(guān)鍵技術(shù)研究與應(yīng)用[J]. 電力信息與通信技術(shù)，2019，17（1）：25-30.

[4] 張龍，甄燦壯，易劍昱，等. 雙通道特征融合CNN-GRU齒輪箱故障診斷[J]. 振動與沖擊，2021，40（19）：239-245，294.

[5] 陳聰，候磊，李樂樂，等. 基于GRU改進(jìn)RNN神經(jīng)網(wǎng)絡(luò)的飛機(jī)燃油流量預(yù)測[J]. 科學(xué)技術(shù)與工程，2021，21（27）：11663-11673.

[6] 楊威，蒲彩霞，楊坤，等. 基于CNN-GRU組合神經(jīng)網(wǎng)絡(luò)的變壓器短期故障預(yù)測方法[J]. 電力系統(tǒng)保護(hù)與控制，2022，50（6）：107-116.

[7] 袁燁，黃虹，程騁，等. 基于特征注意力機(jī)制的GRU-GAN航空發(fā)動機(jī)剩余壽命預(yù)測[J]. 中國科學(xué)：技術(shù)科學(xué)，2022，52（1）：198-212.

[8] 賀小偉，徐靖杰，王賓，等. 基于GRU-LSTM組合模型的云計(jì)算資源負(fù)載預(yù)測研究[J]. 計(jì)算機(jī)工程，2022，48（5）：11-17.

[9] 胡明輝. 基于遷移學(xué)習(xí)的無人機(jī)桿塔巡檢圖像異常識別技術(shù)及實(shí)驗(yàn)對比[J]. 粘接，2023，50（6）：136-139.

[10] 林鈺杰，吳麗賢. 基于GIS的電網(wǎng)營配數(shù)據(jù)治理管控對策分析[J]. 微型電腦應(yīng)用，2019，35（12）：129-131.

[11] 侯越，韓成艷，鄭鑫，等. 基于時(shí)空融合圖卷積的交通流數(shù)據(jù)修復(fù)方法[J]. 浙江大學(xué)學(xué)報(bào)（工學(xué)版），2022，56（7）：1394-1403.

[12] 李素瑩. 差異化密度聚類下的電力節(jié)能業(yè)務(wù)精準(zhǔn)營銷算法[J]. 粘接，2022，49（5）：112-116.

[13] 蘇燕辰，李繼光，周博，等. 基于門控循環(huán)殘差網(wǎng)絡(luò)的滾動軸承故障診斷研究[J]. 鐵道機(jī)車車輛，2023，43（3）：57-63.

[14] 趙嘉墀，王天琪，曾麗芳，等. 基于GRU的撲翼非定常氣動特性快速預(yù)測[J].浙江大學(xué)學(xué)報(bào)（工學(xué)版），2023，57（6）：1251-1256.