基于增强型时序模式注意力的PMU数据恢复方法及系统技术方案

本发明专利技术公开了一种基于增强型时序模式注意力的PMU数据恢复方法及系统，本发明专利技术方法包括针对待恢复的PMU数据采用最优变分模态分解提取特征再归一化后输入结合ETPA和LSTM的网络模型，利用LSTM获取隐状态向量并构建隐状态矩阵，对隐状态矩阵卷积得到时序模式矩阵并对该矩阵进行变换得到增强时序模式矩阵；基于注意力权重对增强时序模式矩阵的每一行进行加权求和得到加权和；将加权和和隐状态向量加权为隐状态向量并计算输出，将输出输入全连接层得到恢复后的PMU数据。本发明专利技术旨在提高挖掘PMU数据样本的数据间相关性的能力，实现更精确的PMU数据恢复。PMU数据恢复。PMU数据恢复。

【技术实现步骤摘要】
基于增强型时序模式注意力的PMU数据恢复方法及系统


[0001]本专利技术涉及同步相量测量装置(Phasor Measurement Unit，PMU)的数据恢复
，具体涉及一种基于增强型时序模式注意力的PMU数据恢复方法及系统。

技术介绍

[0002]同步相量测量装置是电网广域测量系统的一种重要监测工具，其采集的同步相量数据质量对电网势态感知和动态监测方面起着关键性作用。由于电网的扩张和新型电力电子设备的接入，通信基础设施传输的数据量正在急剧增加。因此，受通信问题、网络攻击与电磁干扰等会出现数据丢失等问题。同步相量测量单元(Phasor Measurement Unit，PMU)因其同步性、快速性和准确性成为电网动态实时监测最有效的手段之一，并得到迅速发展。但由于受通信问题、网络攻击与电磁干扰等诸多因素影响，PMU数据存在不同程度的缺失问题。PMU数据丢失直接影响其在电力系统中的应用，甚至威胁到系统的安全稳定运行。
[0003]总体而言，目前的PMU数据恢复方法存在以下几个缺点：1，PMU数据丢失存在随机性，且实际量测数据易受到系统噪声、谐波、振荡等影响，因此如何建立一种精准且高效的方法是PMU数据恢复的难点。2，PMU丢失的数据类型丰富，包括系统正常运行和系统处于故障状态的幅值、相角、频率数据，因此对适应于不同类型数据的特征提取方法提出了更高的要求。3，PMU采集的数据量庞大，因此所用方法应适用于大数据处理，并且有好的实时性。总而言之，现有方法对PMU数据恢复能在一定程度上实现量测数据的恢复，但恢复精确度和速度有待提升。

技术实现思路

[0004]本专利技术要解决的技术问题：针对现有技术的上述问题，提供一种基于增强型时序模式注意力的PMU数据恢复方法及系统，本专利技术旨在提高挖掘PMU数据样本的数据间相关性的能力，实现更精确的PMU数据恢复。
[0005]为了解决上述技术问题，本专利技术采用的技术方案为：一种基于增强型时序模式注意力的PMU数据恢复方法，包括：S101，针对待恢复的PMU数据采用最优变分模态分解提取特征；S102，将特征归一化后输入结合增强型时序模式注意力和长短期记忆的网络模型，在结合增强型时序模式注意力和长短期记忆的网络模型中的处理包括：利用长短期记忆网络针对输入的特征计算隐状态向量以获取隐状态向量，采用滑动窗口获取LSTM网络的隐状态向量构建行列的隐状态矩阵，其中是滑动窗口长度；是隐状态特征数；对隐状态矩阵用个大小的卷积核做卷积得到行列的时序模式矩阵；对时序模式矩阵分别沿水平方向池化得到水平方向张量、沿竖直方向池化得到竖直方向张量，将水平方向张量、竖直方向张量相乘得到增强时序模式矩阵；根据增强时序模式矩阵和当前时刻的LSTM网络的隐状态向量确定增强时序模式矩阵中每一行的权
重，并对权重进行归一化得到注意力权重；基于注意力权重对增强时序模式矩阵的每一行进行加权求和得到加权和；将加权和和当前时刻的LSTM网络的隐状态向量进行加权求和得到加权后的隐状态向量，并根据隐状态向量计算出输出，并将输出输入全连接层得到恢复后的PMU数据。
[0006]可选地，步骤S102中对时序模式矩阵分别沿水平方向池化得到水平方向张量、沿竖直方向池化得到竖直方向张量，将水平方向张量、竖直方向张量相乘得到增强时序模式矩阵包括：S201，对时序模式矩阵使用池化内核的空间范围(,1)沿水平坐标对每个通道进行编码得到大小的张量，对时序模式矩阵使用池化内核的空间范围(1,)沿垂直坐标对每个通道进行编码得到大小的张量；其中空间范围(,1)中的是指矩阵的行数，空间范围(1,)中的是指矩阵的列数；S202，将张量和张量融合成大小的张量并进行卷积、利用非线性激励函数得到用于对水平方向和垂直方向上的空间信息进行编码的中间特征图；S203，将中间特征图沿着空间维度拆分为张量和；将张量和分别用函数激活得到张量和，再将张量和进行张量相乘得到增强时序模式矩阵。
[0007]可选地，步骤S201中对时序模式矩阵使用池化内核的空间范围(,1)沿水平坐标对每个通道进行编码得到大小的张量，对时序模式矩阵使用池化内核的空间范围(1,)沿垂直坐标对每个通道进行编码得到大小的张量的函数表达式为：，，上式中，为张量的第个通道的分量，为第个通道第行第个分量，为张量的第个通道的分量，为第个通道第列第个分量，为矩阵的列数，为矩阵的行数。
[0008]可选地，步骤S202中生成中间特征图的函数表达式为：
上式中，表示将张量和张量级联，w,b分别表示一个滤波器核的权值和偏置项，relu表示relu激励函数。
[0009]可选地，步骤S203中将张量和进行张量相乘得到增强时序模式矩阵的函数表达式为：，上式中，为增强时序模式矩阵的第行列元素，为张量的第个通道第行第个分量，为张量的第个通道第列第个分量。
[0010]可选地，步骤S102中根据增强时序模式矩阵和当前时刻的LSTM网络的隐状态向量确定增强时序模式矩阵中每一行的权重的函数表达式为：，上式中，表示强时序模式矩阵中的第行，为权重矩阵，为当前时刻的LSTM网络的隐状态向量；步骤S102中对权重进行归一化得到注意力权重的函数表达式为：，上式中，表示函数。
[0011]可选地，步骤S102中基于注意力权重对增强特征的每一行进行加权求和得到加权和的函数表达式为：，上式中，为隐状态矩阵的行数。
[0012]可选地，步骤S102中将加权和和当前时刻的LSTM网络的隐状态向量进行加权求和得到加权后的隐状态向量，并根据隐状态向量计算出输出的函数表达式为：，=，上式中，和为融合矩阵权重，为输出矩阵权重。
[0013]此外，本专利技术还提供一种基于增强型时序模式注意力的PMU数据恢复系统，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行所述基于增强型时序模式注意力的PMU数据恢复方法。
[0014]此外，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序用于被微处理器编程或配置以执行所述基于增强型时序模式注意力的PMU数据恢复方法。
[0015]和现有技术相比，本专利技术主要具有下述优点：本专利技术提出了一种最优变分模态（OVMD）分解
‑
增强型时序模式注意力（Enhanced Temporal Pattern Attention，ETPA）
‑
长短期记忆（Long Short
‑
Term Memory，LSTM）结合的PMU数据恢复技术，通过将上述技术的结
合，在时间模式注意力机制的基础上，利用得到的时间模式矩阵进行不同空间维度池化、加权变换，能够提高挖掘PMU数据样本的数据间相关性的能力，通过较少参数的增加来实现恢复精度大幅度的提升，实现更精确的PMU数据恢复。
附图说明
[0016]图1为本专利技术实施例方法的基本流程示意图。
[0017]图2为本专利技术实施例中ETPA
‑
LSTM网络模型的原理示意图。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于增强型时序模式注意力的PMU数据恢复方法，其特征在于，包括：S101，针对待恢复的PMU数据采用最优变分模态分解提取特征；S102，将特征归一化后输入结合增强型时序模式注意力和长短期记忆的网络模型，在结合增强型时序模式注意力和长短期记忆的网络模型中的处理包括：利用长短期记忆网络针对输入的特征计算隐状态向量以获取隐状态向量，采用滑动窗口获取LSTM网络的隐状态向量构建行列的隐状态矩阵，其中是滑动窗口长度；是隐状态特征数；对隐状态矩阵用个大小的卷积核做卷积得到行列的时序模式矩阵；对时序模式矩阵分别沿水平方向池化得到水平方向张量、沿竖直方向池化得到竖直方向张量，将水平方向张量、竖直方向张量相乘得到增强时序模式矩阵；根据增强时序模式矩阵和当前时刻的LSTM网络的隐状态向量确定增强时序模式矩阵中每一行的权重，并对权重进行归一化得到注意力权重；基于注意力权重对增强时序模式矩阵的每一行进行加权求和得到加权和；将加权和和当前时刻的LSTM网络的隐状态向量进行加权求和得到加权后的隐状态向量，并根据隐状态向量计算出输出，并将输出输入全连接层得到恢复后的PMU数据。2.根据权利要求1所述的基于增强型时序模式注意力的PMU数据恢复方法，其特征在于，步骤S102中对时序模式矩阵分别沿水平方向池化得到水平方向张量、沿竖直方向池化得到竖直方向张量，将水平方向张量、竖直方向张量相乘得到增强时序模式矩阵包括：S201，对时序模式矩阵使用池化内核的空间范围(,1)沿水平坐标对每个通道进行编码得到大小的张量，对时序模式矩阵使用池化内核的空间范围(1,)沿垂直坐标对每个通道进行编码得到大小的张量；其中空间范围(,1)中的是指矩阵的行数，空间范围(1,)中的是指矩阵的列数；S202，将张量和张量融合成大小的张量并进行卷积、利用非线性激励函数得到用于对水平方向和垂直方向上的空间信息进行编码的中间特征图；S203，将中间特征图沿着空间维度拆分为张量和；将张量和分别用函数激活得到张量和，再将张量和进行张量相乘得到增强时序模式矩阵。3.根据权利要求2所述的基于增强型时序模式注意力的PMU数据恢复方法，其特征在于，步骤S201中对时序模式矩阵使用池化内核的空间范围(,1)沿水平坐标对每个通道进行编码得到大小的张量，对时序模式矩阵使用池化内核的空间范围(1,)沿垂直...

【专利技术属性】
技术研发人员：姚文轩，杨秋爽，邱伟，黄琴，马钰浩，
申请(专利权)人：湖南大学，
类型：发明
国别省市：