一种基于改进CTGAN模型的箱式变电站故障数据衍生方法

本发明公开了一种基于改进CTGAN模型的箱式变电站故障数据衍生方法，该方法为：包括数据预处理阶段，采用MissForest插补算法、IF检测算法，以及Z‑score方法进行数据的缺失值插补、异常值检测和数据归一化；SA‑CTGAN模型构建阶段，在CTGAN的生成器中引入自注意力机制，即将CTGAN的生成器中的两个全连接层替换为自注意力层，构成SA‑CTGAN数据衍生模型；SA‑CTGAN模型训练阶段，利用DE对CTGAN模型的训练批次大小和迭代次数等主要超参数进行调优，获得最终的SA‑CTGAN数据衍生模型。本发明能解决箱式变电站故障样本稀少、健康样本与故障样本类不平衡的问题，并在指标间有较强的关联性的数据进行衍生时的衍生结果是有显著性提升的。