[发明专利]一种电力设备状态监测数据缺失值分类插补方法和系统

权利要求书

1.一种电力设备状态监测数据缺失值分类插补方法，其特征在于：

所述方法包括以下步骤：

步骤1：获取电力设备状态在线监测数据集X_m×n，X_m×n包含m个样本，每个样本包含n类状态变量；

步骤2：根据X_m×n中测量值缺失特点，对X_m×n中的缺失值进行分类，具体的：

将X_m×n中的缺失值划分为孤立缺失值、连续缺失状态变量和连续缺失样本三种缺失类型；

若X_m×n中的某个测量值发生缺失，但其前后相邻样本的同类状态变量测量值完整已知，则这类缺失的测量值被定义为孤立缺失值；

若X_m×n中某类状态变量的测量值在一段时间内连续缺失，但同一时段内，如果至少n/2种状态变量没有发生连续缺失，这类连续缺失的测量值为连续缺失状态变量；

若X_m×n中至少n/2种状态变量在一段时间内同时出现了连续的缺失，则该时段内的所有缺失值为连续缺失样本；

步骤3：构建不同类型缺失值的插补模型并进行缺失值插补，实现状态监测数据缺失值的修复，具体包括以下步骤：

步骤3.1：根据不同位置的K-1组连续缺失样本将X_m×n分割为K段数据子段，具体为：

X_m×n＝[X(1),X_inc(1),...,X(k),X_inc(k),...,X_inc(K-1),X(K)]^T         (2)

其中，X(k)(k＝1,…,K)中只含有孤立缺失值和连续缺失状态变量，X_inc(k)(k＝1,…,K-1)由连续缺失样本构成；

步骤3.2：对于各X(k)(k＝1,…,K)中的孤立缺失值，采用缺失值前后相邻的完整测量值构造一维插值函数进行插补；

步骤3.3：对于各X(k)(k＝1,…,K)中的连续缺失状态变量，在步骤3.2完成孤立缺失值插补后，以待插补数据子段以外的数据子段中相同时段的完整状态变量作为输入，待插补的数据子段连续缺失状态变量为输出，构建回归分析模型进行插补；

步骤3.4：对于各X_inc(k)中的连续缺失样本，以完成步骤3.2孤立缺失值且完成步骤3.3连续缺失样本的数据子段X(k)为输入，构建逐步外推预测模型实现对X_inc(k)中连续缺失样本的插补。

2.根据权利要求1所述的一种电力设备状态监测数据缺失值分类插补方法，其特征在于：

步骤3.2中构造的一维插值函数为：

式中，是第i个样本第j类状态变量测量值x_i,j的插补值。

3.根据权利要求1所述的一种电力设备状态监测数据缺失值分类插补方法，其特征在于：

步骤3.3中，使用多元线性回归分析模型、神经网络、支持向量机回归或随机森林构建回归分析模型。

4.根据权利要求1所述的一种电力设备状态监测数据缺失值分类插补方法，其特征在于：

步骤3.4中，使用基于长短时记忆网络的深度学习模型、循环神经网络、或门限循环单元模型构建逐步外推预测模型。

5.一种电力设备状态监测数据缺失值分类插补系统，包括获取模块、分类模块和插补模块，其特征在于：

所述获取模块，用于获取电力设备状态在线监测数据集X_m×n，X_m×n包含m个样本，每个样本包含n类状态变量；

所述分类模块，用于根据X_m×n中测量值缺失特点，对X_m×n中的缺失值进行分类，具体的：

将X_m×n中的缺失值划分为孤立缺失值、连续缺失状态变量和连续缺失样本三种缺失类型；

若X_m×n中的某个测量值发生缺失，但其前后相邻样本的同类状态变量测量值完整已知，则这类缺失的测量值被定义为孤立缺失值；

若X_m×n中某类状态变量的测量值在一段时间内连续缺失，但同一时段内，如果至少n/2种状态变量没有发生连续缺失，这类连续缺失的测量值为连续缺失状态变量；

若X_m×n中至少n/2种状态变量在一段时间内同时出现了连续的缺失，则该时段内的所有缺失值为连续缺失样本；

所述插补模块，用于构建不同类型缺失值的插补模型并进行缺失值插补，实现状态监测数据缺失值的修复，具体包括：

1)：根据不同位置的K-1组连续缺失样本将X_m×n分割为K段数据子段，具体为：

X_m×n＝[X(1),X_inc(1),...,X(k),X_inc(k),...,X_inc(K-1),X(K)]^T         (2)

其中，X(k)(k＝1,…,K)中只含有孤立缺失值和连续缺失状态变量，X_inc(k)(k＝1,…,K-1)由连续缺失样本构成；

2)：对于各X(k)(k＝1,…,K)中的孤立缺失值，采用缺失值前后相邻的完整测量值构造一维插值函数进行插补；

3)：对于各X(k)(k＝1,…,K)中的连续缺失状态变量，在2)完成孤立缺失值插补后，以待插补数据子段以外的数据子段中相同时段的完整状态变量作为输入，待插补的数据子段连续缺失状态变量为输出，构建回归分析模型进行插补；

4)：对于各X_inc(k)中的连续缺失样本，以完成2)孤立缺失值且完成3)连续缺失样本的数据子段X(k)为输入，构建逐步外推预测模型实现对X_inc(k)中连续缺失样本的插补。