Los datos temporales del sistema eléctrico están expandiéndose con el crecimiento del sistema eléctrico y la proliferación de equipos automatizados. Sin embargo, la pérdida de datos puede surgir durante la adquisición, medición, transmisión y almacenamiento de datos temporales. Para abordar la insuficiencia de datos temporales en el sistema eléctrico, este estudio propone una arquitectura de secuencia a secuencia (Seq2Seq) para restaurar los datos temporales del sistema eléctrico. Esta arquitectura comprende una red neuronal convolucional radial (CNN) y una red neuronal recurrente con compuertas (GRU). Específicamente, para tener en cuenta la periodicidad y volatilidad de los datos temporales, se emplea VMD para descomponer la salida de datos de series temporales en componentes de diferentes frecuencias. Se utiliza CNN para extraer las características espaciales de los datos temporales. Al mismo tiempo, se emplea Seq2Seq para reconstruir cada componente mediante la introducción de un mecanismo de atención triple de combinación de características y tiempo. El mecanismo de atención de características calcula la tasa de contribución de cada cantidad de características y explora de manera independiente la correlación entre la salida de datos de series temporales y cada valor de característica. El mecanismo de atención temporal extrae de forma autónoma información sobre momentos históricos críticos. Se introduce un mecanismo de atención de combinación de múltiples modelos, y el valor de reparación de datos faltantes se obtiene después de modelar la combinación de datos a ambos lados de los datos faltantes. Se realizan experimentos de recuperación basados en datos reales, y la efectividad del método se verifica mediante la comparación con otros métodos.