基于深度學習的電力數據質量預測仿真研究

摘 要：為修復電力交易數據中的缺失值，提出一種基于區塊鏈和深度學習的電力交易數據治理方法。利用區塊鏈的可追溯性對不完整電力數據進行跟蹤溯源，并采用添加了注意力機制的門控循環單元（GRU）模型對數據進行預測；同時利用不同修復規則對數據進行修復，實現電力交易數據的修復治理。仿真結果表明，相較于標準GRU模型和常用預測模型LSTM模型與RNN模型，基于注意力機制改進的GRU模型對電力交易數據具有更好的預測效果，提高了電力交易數據的質量，修復后的電力交易數據滿足完整性和滿意度需求，且可在區塊鏈上進行共享。

關鍵詞：區塊鏈；深度學習；數據治理；電力交易；GRU算法

中圖分類號：TP311；F407.6 文獻標識碼：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

在智能電網中，不僅包含大量的電力運行數據，同時還包含部分市場化數據。由于終端設備采集和傳輸的綜合因素影響的問題，往往會造成采集到的數據缺失的問題。為解決該問題，提出一種基于S-BDMP數據軟件的電力系統大數據治理方法 [1] ；通過定義完整數據質量規則，構建完整的實時的數據質量規則庫，實現了對電力數據的治理和對數據共生、共通、共享的需求 [2] ；通過搭建電力數據治理平臺，有效提升了電力數據的管理效率，推動了業務協同和效率提升 [3] 。因此，為提高電力交易數據治理效果，基于區塊鏈和深度學習算法，提出一種注意力機制改進的GRU模型的電力交易數據修復治理方法。

1 改進的GRU模型構建

GRU是一種循環神經網絡，通過更新門和重置門2個門函數，確保在捕捉長序列語義關聯時，可有效抑制梯度消失的問題，具有結構簡單、性能強的特點 [4] 。GRU模型改進，GRU模型在數據處理速度和準確性上具有一定的優勢，但針對采集到的長時間序列數據的處理方面仍存在一些不足，主要表現GRU模型對長時間序列數據中的重要信息和普通信息的關注度相同，而實際中重要信息對最終數據處理結果貢獻更大 [5] 。因此，標準GRU模型對數據處理的準確性還有待提高。為解決該問題，本研究引入注意力機制對GRU模型進行了改進，以提高GRU模型對數據處理的準確性。

引入注意力機制的GRU模型結構如圖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的乘積相加，并利用softmax函數進行歸一化與輸出。

通過在GRU模型中添加注意力機制，可使模型更關注時間序列中重要的信息，其中注意力機制可根據式（5）～式（7）確定 [6-7] ：2 基于區塊鏈的電力交易數據質量修復為實現區塊鏈上的電力數據修復，本研究首先采用改進GRU模型對區塊鏈上不完整的電力交易數據進行預測；然后根據預測結果，采用不同的修復規則對不完整的電力交易數據進行修復，實現電力交易數據的修復治理。

2. 1 區塊鏈共識機制設計

引入區塊鏈技術對電力交易數據進行質量管理，對增強電力交易數據的完整性和安全性具有重要意義，有利于實現電力交易數據的修復。區塊鏈中，共識機制對數據的跟蹤和交易活動的跟蹤起到核心作用。為加快電力交易數據缺失值的修復，研究設計了一種交易數據共識機制，并基于聯盟鏈來實現數據的共享和存儲。

聯盟鏈上共識過程包括背書、排序、驗證3個階段。背書階段負責對交易結果進行簽名，排序階段負責打包交易并廣播到所有節點，驗證階段是負責對每個交易的狀態和簽名進行驗證 [8] 。本研究電力交易數據公式過程中，選擇完整度較高的節點作為領導者，可確保至少一個領導值為正常參與值，進而形成一個區塊。

2. 2 電力交易數據質量修復

2. 2. 1 基于改進GRU的電力交易數據預測

基于注意力機制改進的GRU模型對電力交易數據的預測步驟為：首先，將區塊鏈上的電力交易數據輸入改進 GRU 模型中，依次通過 Embedding 層和Bi-GRU層，提取電力交易數據的深層特征，然后通過注意力層賦予不同數據特征權重，與隱層狀態的乘積相加，最后通過softtmax函數進行歸一化和輸出，即實現了電力交易數據的預測。

2. 2. 2 電力交易數據完整性修復規則數據修復定義：，其中 G 表示數據模型圖， G′ 表示通過修復規則 R 修復后的數據模型圖 [9] 。

針對不同原始電力交易數據集，設計了如下不同數據修復規則：

（1）數值修復 R1 。針對數值不完整數據，通過頂點之間的依賴關系進行修復；

（2）邊修復 R2 。針對某一條邊缺失的不完整數據，采用數值修復規則進行修復；

（3）路徑修復 R3 。針對某一路徑出現不完整的情況，結合數據修復和邊修復規則進行修復；

（4）交易修復 R4 。根據交易完整性定義，結合數值修復、邊修復和路徑修復對數據圖模型 G 進行修復。

2. 2. 3 電力交易數據修復

基于改進GRU預測的電力交易數據和數據修復規則，對電力交易數據進行修復，具體步驟如下：

3. 4 結果與分析

3. 4. 1 數據預測結果

為驗證改進GRU模型的有效性，對比GRU模型改進前后對電力交易數據的預測結果，如圖2所示。

由圖2可知，基于注意力機制改進的GRU模型預測結果與真實電力交易數據更為接近，變化趨勢基本一致，而改進前的標準GRU模型的預測結果與真實電力交易數據差異明顯。由此說明，所提的基于注意力機制改進的GRU模型改進有效，可提高對電力交易數據的預測準確率，為電力交易數據的修復治理奠定了基礎。

為驗證所提基于注意力機制改進的GRU模型的優越性，實驗對比了模型與常用預測模型長短期記憶神經網絡（LSTM）模型和循環神經網絡（RNN）模型對電力交易數據的預測結果，如圖3所示。

RNN模型，所提改進GRU模型的預測值與實際電力交易數據更接近。由此說明，所提的改進GRU模型對電力交易數據的預測效果更好，可得到更為接近真實的電力交易數據，具有一定的有效性和優越性。

3. 4. 2 數據修復結果

為驗證改進GRU模型對電力交易數據的修復結果，基于數據修復規則，采用注意力機制改進的GRU模型對不完整的電力交易數據進行修復，結果如圖4所示。

由圖4可知，當改進GRU模型的修復錯誤大于 δ時，模型停止了數據修復；相較于未修復的原始數據，采用改進GRU模型修復的數據完整度明顯更高。

由此說明，所提基于注意力機制改進的GRU模型可實現較為良好的電力交易數據修復，進而提高電力交易數據的完整性。

為進一步評估所提改進GRU模型對電力交易數據修復效果，實驗探討了不同任務卸載率 λ mn 下對應電力交易數據修復的滿意度和修復數據元組，結果如圖5所示。

由圖5可知，當給定一個計算任務卸載率時，滿意度隨著修復元組數量增加而下降；當給定不同任務時，滿意度隨著計算任務卸載率增加而下降。

4 結語

綜上所述，所提的基于區塊鏈和深度學習的電力交易數據治理方法，通過利用區塊鏈的可追溯性對長時間電力交易數據序列中不完整的電力交易數據進行追蹤溯源，并采用基于注意力機制改進的GRU模型對不完整電力交易數據進行預測，同時使用不同修復規則生成修復數據，實現了電力交易數據的修復治理，且具有一定的有效性和優越性。相較于標準GRU模型和常用預測模型LSTM模型與RNN模型，所提基于注意力機制改進的GRU模型對電力交易數據具有更好的預測效果，提高了電力交易數據的質量，修復的電力交易數據完整性和滿意度較高，且可在區塊鏈上進行共享。

【參考文獻】

[1] 曹明良，李國和，馮崢，等. 基于電力系統大數據治理的軟件數據平臺設計與研究[J].計算技術與自動化，2020，39 （3）：135-139.

[2] 王督，陰皓，牛斌斌. 基于大數據稽查監控系統實現電力數據治理的研究與應用[J]. 電力設備管理，2020（9）：192-195.

[3] 陰皓，李路遠，劉伯宇. 電力數據管理關鍵技術研究與應用[J]. 電力信息與通信技術，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RNN神經網絡的飛機燃油流量預測[J]. 科學技術與工程，2021，21（27）：11663-11673.

[6] 楊威，蒲彩霞，楊坤，等. 基于CNN-GRU組合神經網絡的變壓器短期故障預測方法[J]. 電力系統保護與控制，2022，50（6）：107-116.

[7] 袁燁，黃虹，程騁，等. 基于特征注意力機制的GRU-GAN航空發動機剩余壽命預測[J]. 中國科學：技術科學，2022，52（1）：198-212.

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

[9] 胡明輝. 基于遷移學習的無人機桿塔巡檢圖像異常識別技術及實驗對比[J]. 粘接，2023，50（6）：136-139.

[10] 林鈺杰，吳麗賢. 基于GIS的電網營配數據治理管控對策分析[J]. 微型電腦應用，2019，35（12）：129-131.

[11] 侯越，韓成艷，鄭鑫，等. 基于時空融合圖卷積的交通流數據修復方法[J]. 浙江大學學報（工學版），2022，56（7）：1394-1403.

[12] 李素瑩. 差異化密度聚類下的電力節能業務精準營銷算法[J]. 粘接，2022，49（5）：112-116.

[13] 蘇燕辰，李繼光，周博，等. 基于門控循環殘差網絡的滾動軸承故障診斷研究[J]. 鐵道機車車輛，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測[J].浙江大學學報（工學版），2023，57（6）：1251-1256.