1.一种基于云边协同的变电站关键设备时序数据补全方法，其特征在于，包括：利用无线传感网检测设备对变电站内关键设备的时序数据进行采集，并将所采集到的时序数据上传至云端服务器；

基于所述云端服务器的时序数据故障检测算法对所述时序数据进行判断，以得到对应的数据判断结果；

利用所述云端服务器的数据张量重构算法对所述数据判断结果中存在故障或缺失的时序数据及其相邻时序数据进行张量重构，以形成张量时序化数据；

构建基于张量分解的核心张量核范数的张量补全算法，并利用所述张量补全算法对所述张量时序化数据进行缺失数据补全，其中，利用所述张量补全算法对所述张量时序化数据进行缺失数据补全的步骤包括：对所述张量时序化数据构建张量补全模型：

；

式中，X是经过缺失数据补全后的完整三阶张量，min rank表示最小秩， 表示正交投影算子，可对缺失数据进行补0；

对所述张量补全模型的最优化问题进行转化：

；

式中， 、 和 表示对应张量展开核范数的加权因子， 、 和 是大于0的常数，且，X1、X2和X3分别是张量X对应的mode‑1、mode‑2和mode‑3矩阵， 是三阶张量X各模展开矩阵的核范数之和， 是三阶核心张量，R表示实数域，I1、I2和I3分别表示三阶张量 中各阶的维数，U1、U2和U3是三阶张量T的因子矩阵，ri和ci分别表示矩阵Ui的行数和列数，其中，矩阵Ui中i =1，2，3， 表示三阶核心张量 沿每个模态分别和对应的因子矩阵U1、U2和U3相乘；

引入辅助变量对所述张量补全模型的最优化问题进行凸松弛，以得到化简模型；

；

式中， 、 和 分别是辅助变量 、 和 的核范数， 是Frobenius范数，即矩阵中所有元素绝对值的平方和的平方根，λ为惩罚系数；

利用增广拉格朗日算法对所述化简模型进行求解，以得到部分的拉格朗日函数：；

式中， 表示拉格朗日函数， 表示 和 ，其中，i=1，2，3， 、 和是辅助变量， 、 和 表示拉格朗日张量乘子，ω为惩罚系数；

利用交替方向乘子法对所述拉格朗日函数进行求解：

；

式中，  表示使得函数取得最小值的变量值，ω和μ是惩罚系数；

利用预秩计算辅助HOOI算法中的Tucker分解算法更新所述拉格朗日函数的因子矩阵：；

获取最优补全张量，并利用所述最优补全张量对所述张量时序化数据中的原始缺失数据进行补全。

2.根据权利要求1所述的基于云边协同的变电站关键设备时序数据补全方法，其特征在于，利用无线传感网检测设备对变电站内关键设备的时序数据进行采集，并将所采集到的时序数据上传至云端服务器的步骤包括：利用预设的监测规则和安装于所述变电站内的状态感知设备对所述变电站内关键设备的时序数据进行监测；

通过无线传感网络将所采集到的时序数据进行数据上传，以使云端服务器对所述时序数据进行存储和处理。

3.根据权利要求1所述的基于云边协同的变电站关键设备时序数据补全方法，其特征在于，基于所述云端服务器的时序数据故障检测算法对所述时序数据进行判断，以得到对应的数据判断结果的步骤包括：基于所述云端服务器的时序数据故障检测算法对所述时序数据进行故障检测，以判断所述时序数据是否出现缺失或故障；

若所述时序数据被判断为正常数据，则将所述正常数据直接应用于所述变电站的时序检测数据的处理；

若所述时序数据被判断为出现缺失或故障，则利用所述云端服务器的数据张量重构算法对所述缺失或故障的数据进行数据张量重构。

4.根据权利要求1所述的基于云边协同的变电站关键设备时序数据补全方法，其特征在于，利用所述云端服务器的数据张量重构算法对所述数据判断结果中存在故障或缺失的时序数据及其相邻时序数据进行张量重构，以形成张量时序化数据的步骤包括：读取所述判断结果中存在故障或缺失的时序数据及其相邻的历史时序数据；

将所述时序数据及其相邻的历史时序数据按照日期进行单日分段，并将单日分段后的数据进行重构，以形成三阶张量形式的时序数据。

5.一种基于云边协同的变电站关键设备时序数据补全系统，其特征在于，包括：数据采集模块，用于利用无线传感网检测设备对变电站内关键设备的时序数据进行采集，并将所采集到的时序数据上传至云端服务器；

数据判断模块，用于基于所述云端服务器的时序数据故障检测算法对所述时序数据进行判断，以得到对应的数据判断结果；

张量重构模块，用于利用所述云端服务器的数据张量重构算法对所述数据判断结果中存在故障或缺失的时序数据及其相邻时序数据进行张量重构，以形成张量时序化数据；

数据补全模块，用于构建基于张量分解的核心张量核范数的张量补全算法，并利用所述张量补全算法对所述张量时序化数据进行缺失数据补全，其中，所述数据补全模块用于：对所述张量时序化数据构建张量补全模型：

；

式中，X是经过缺失数据补全后的完整三阶张量，min rank表示最小秩， 表示正交投影算子，可对缺失数据进行补0；

对所述张量补全模型的最优化问题进行转化：

；

式中， 、 和 表示对应张量展开核范数的加权因子， 、 和 是大于0的常数，且，X1、X2和X3分别是张量X对应的mode‑1、mode‑2和mode‑3矩阵， 是三阶张量X各模展开矩阵的核范数之和， 是三阶核心张量，R表示实数域，I1、I2和I3分别表示三阶张量 中各阶的维数，U1、U2和U3是三阶张量T的因子矩阵，ri和ci分别表示矩阵Ui的行数和列数，其中，矩阵Ui中i =1，2，3， 表示三阶核心张量 沿每个模态分别和对应的因子矩阵U1、U2和U3相乘；

引入辅助变量对所述张量补全模型的最优化问题进行凸松弛，以得到化简模型；

；

式中， 、 和 分别是辅助变量 、 和 的核范数， 是Frobenius范数，即矩阵中所有元素绝对值的平方和的平方根，λ为惩罚系数；

利用增广拉格朗日算法对所述化简模型进行求解，以得到部分的拉格朗日函数：；

式中， 表示拉格朗日函数， 表示 和 的内积，其中，i=1，2，3， 、和 是辅助变量， 、 和 表示拉格朗日张量乘子，ω为惩罚系数；

利用交替方向乘子法对所述拉格朗日函数进行求解：

；

式中，  表示使得函数取得最小值的变量值，ω和μ是惩罚系数；

利用预秩计算辅助HOOI算法中的Tucker分解算法更新所述拉格朗日函数的因子矩阵：；

获取最优补全张量，并利用所述最优补全张量对所述张量时序化数据中的原始缺失数据进行补全。

6.根据权利要求5所述的基于云边协同的变电站关键设备时序数据补全系统，其特征在于，所述数据采集模块包括：数据监测单元，用于利用预设的监测规则和安装于所述变电站内的状态感知设备对所述变电站内关键设备的时序数据进行监测；

数据上传单元，用于通过无线传感网络将所采集到的时序数据进行数据上传，以使云端服务器对所述时序数据进行存储和处理。

7.根据权利要求5所述的基于云边协同的变电站关键设备时序数据补全系统，其特征在于，所述数据判断模块包括：故障检测单元，用于基于所述云端服务器的时序数据故障检测算法对所述时序数据进行故障检测，以判断所述时序数据是否出现缺失或故障；

第一处理单元，用于若所述时序数据被判断为正常数据，则将所述正常数据直接应用于所述变电站的时序检测数据的处理；

第二处理单元，用于若所述时序数据被判断为出现缺失或故障，则利用所述云端服务器的数据张量重构算法对所述缺失或故障的数据进行数据张量重构。

8.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4任一所述的基于云边协同的变电站关键设备时序数据补全方法。

9.一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一所述的基于云边协同的变电站关键设备时序数据补全方法。