基于注意力机制和LSTM-LightGBM的特高压直流输电线路可听噪声无效数据清洗方法OA北大核心CSTPCD

特高压直流输电线路可听噪声试验过程中,外界环境的突发性干扰会使实验数据中掺杂较多的无效数据,严重影响后续的数据分析。提出了一种基于注意力机制(attention mechanism,AM)和长短时记忆网络-轻量级梯度提升机(long short-term memory network-light gradient boosting machine,LSTM-LightGBM)的输电线路可听噪声无效数据清洗方法。首先,针对可听噪声数据的非线性、高维时序冗余特征等特点,以LSTM神经网络为基础进行特征提取;同时,引入特征维度注意力机制,自适应地分配权重来刻画关键特征信息的表达能力;进而,利用LightGBM对提取到的特征进行分类,检测出无效数据;然后,以某特高压直流输电线路实测可听噪声数据试验分析,结果表明该方法的检测精准率为95.55%,召回率为97.73%,F1分数为0.9663,均优于对比实验模型;最后,将无效数据删除并使用均值插补法填补,无效数据清洗后数据的50%值和95%值基本不变,仅降低无效数据的最大值和5%值。该算法对提高输电线路可听噪声数据的可靠性具有一定参考意义。