【技术实现步骤摘要】
本专利技术涉及电网控制领域，具体涉及一种时序数据补全方法及系统。
技术介绍
1、特高压直流换流站的变压器在电力传输过程中地位重要且造价昂贵，但是一经生产厂家制造完成，其结构就已固定，所能布置的传感器位置与数量也一并确定，导致传感器收集的数据有限，例如变压器油色谱、变压器油中气体的体积分数随时间变化，传感器可能会在其中某时刻检测异常而形成数据缺失，需要对数据集随时间变化缺失的变压器数据进行有效补全，利用补全的数据将有利于后续的变压器故障检测工作。
2、传统的长短期记忆网络（lstm，long short-term memory），只能从前向后单向处理数据，无法融合反方向处理数据带来的有利影响，存在梯度消失问题；传统的网络模型应用过程中，聚合与收敛效率低、存在过度拟合问题；难以保留时间维度上的数据特征，不利于更好地预测补全数据，同时，传统模型对预测数据、真实数据的区分效果差，补全数据的准确性较低。
3、公布号为cn114327609a的现有专利技术专利申请文献《一种代码补全方法、模型和工具》，该现有方法包括：从真实代码仓库获取真实项目并基于真实项目的项目源码进行数据集分类，同时通过选择工作中使用的真实项目集合构建代码补全数据集；构建基于语义的代码补全模型，其包括搭建带有注意力机制的序列到序列神经网络，通过比特对编码bpe（byte-pair encoding）分词算法进行源代码分词，通过双向长短时记忆神经网络进行上下文依赖学习，利用注意力机制进行文本权重的学习，并且根据不同预测场景进行基于序列到序列神经网络的
4、公布号为cn110347847a的现有专利技术专利申请文献《基于神经网络的知识图谱补全方法》，该现有方法包括：在嵌入层将知识图谱k中的三元组转换为句子，利用向量表示技术把句子转换为k维稠密向量表示形式；s2、在循环层利用双向长短时记忆神经网络从输入特征向量中学习句子的长期依赖性，得到循环层特征向量；s3、在卷积层利用卷积神经网络从循环层特征向量中学习局部结构信息，得到卷积层特征向量；s4、在全连接层将卷积层特征向量转化为每一个三元组的得分。然而，前述现有技术中采用的双向长短时记忆神经网络只能利用双向信息流，可能会存在过度拟合的问题。
5、综上，现有技术存在梯度消失、过度拟合以及补全数据的准确性低的技术问题。
技术实现思路
1、本专利技术所要解决的技术问题在于：如何解决现有技术中梯度消失、过度拟合以及补全数据的准确性低的技术问题。
2、本专利技术是采用以下技术方案解决上述技术问题的：一种时序数据补全方法包括：
3、s1、针对直流换流变压器，采集获取时序相关度运行数据，构建原始时序缺损数据集 x0，将原始时序缺损数据集 x0划分为训练集、测试集；
4、s2、对原始时序缺损数据集 x0，进行时间相关度预处理操作，得到时间相关预处理矩阵 x1；
5、s3、将时间相关预处理矩阵 x1输入cnn（convolutional neural network，卷积神经网络）网络结构中，进行数据序列整合操作，得到整合矩阵 x2；
6、s4、将整合矩阵 x2送入双向长短时记忆神经网络bi-lstm，进行时间相关性预测学习，得到时间相关性预测结果 x3；
7、s5、将时间相关性预测结果 x3送入反注意力层anti-attention，对预填数据降低注意力，以得到重构注意力矩阵 x4；
8、s6、将重构注意力矩阵 x4放入全连接输出层，处理得到数据预测补全结果 x5。
9、本专利技术能利用基于自注意力机制的bi-lstm（双向长短时记忆神经网络，bi-longshort-term memory）模型的时序数据补全方法，将直流换流变压器采集到的缺失数据进行时间序列上的数据补全，通过对原始时序缺损数据集 x0的时间相关度的预处理结果，输入到具有残差机制的cnn网络中提取数据集关键特征并整理成序列，在送入具有注意力重构机制的bi-lstm模型，在内外互补注意力机制下，实现缺失数据集的有效补全，在全连接输出层进行数据输出，从而实现直流换流变压器数据的缺失数据补全。
10、在更具体的技术方案中，s2包括：
11、s21、针对原始时序缺损数据集 x0，求取待补全不完整矩阵 a，以利用下述逻辑，计算时间相关度矩阵，标记缺失值nan：
12、(1)
13、式中，表示待补全不完整矩阵 a的行数，表示待补全不完整矩阵 a的列数，表示一维列矩阵 t对应第 i行的时间值，表示一维列矩阵 t对应第 i-1行的时间值；表示待补全不完整矩阵 a的同型矩阵中的第行、第列的值，表示时间相关度矩阵中第行、第列的值，表示时间相关度矩阵中第行、第列的值；
14、s22、根据时间相关度矩阵 c，利用下述逻辑处理得到衰减矩阵 d：
15、(2)
16、式中，表示时间相关度矩阵 c中第 i行、第 j列的数值；表示衰减矩阵 d第 i行、第 j列的数值， e表示计算误差向量；
17、s23、对待补全不完整矩阵 a进行预填充处理，根据预置时间序列的时刻值，将缺失值nan填充至待补全不完整矩阵 a，得到预填充矩阵：
18、(3)
19、式中，表示待补全不完整矩阵本文档来自技高网...
【技术保护点】
1.一种时序数据补全方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种时序数据补全方法，其特征在于，所述S2包括：
3.根据权利要求1所述的一种时序数据补全方法，其特征在于，所述S3中，利用基于残差机制的所述CNN网络结构，通过残差网络在不同卷积层之间加入恒等映射，其中，利用下述逻辑，表达所述卷积层的残差块输出：
4.根据权利要求1所述的一种时序数据补全方法，其特征在于，所述S4包括：
5.根据权利要求1所述的一种时序数据补全方法，其特征在于，所述S42中，在所述双向长短时记忆神经网络Bi-LSTM中，利用下述逻辑，计算t时刻的输出隐藏状态向量：
6.根据权利要求1所述的一种时序数据补全方法，其特征在于，所述S5包括：
7.根据权利要求6所述的一种时序数据补全方法，其特征在于，所述S55中，利用下述逻辑，处理得到所述时间步n的注意力分布：
8.根据权利要求6所述的一种时序数据补全方法，其特征在于，所述S56中，利用下述逻辑，处理得到所述输入序列在总序列中所占的比重：
9.根
10.一种时序数据补全系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种时序数据补全方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种时序数据补全方法，其特征在于，所述s2包括：
3.根据权利要求1所述的一种时序数据补全方法，其特征在于，所述s3中，利用基于残差机制的所述cnn网络结构，通过残差网络在不同卷积层之间加入恒等映射，其中，利用下述逻辑，表达所述卷积层的残差块输出：
4.根据权利要求1所述的一种时序数据补全方法，其特征在于，所述s4包括：
5.根据权利要求1所述的一种时序数据补全方法，其特征在于，所述s42中，在所述双向长短时记忆神经网络bi-lstm中，利用下述逻辑，计算t时刻的输出隐藏状态向量：
<...【专利技术属性】
技术研发人员：章海斌，李帷韬，张晨晨，刘威，廖军，孙伟，马欢，李奇越，吴胜，张倩，李萌萌，陈旭东，玉志鹍，夏勇，林玉娟，张静，
申请(专利权)人：国网安徽省电力有限公司超高压分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。