1.一种局部放电状态确定方法，其特征在于，包括：采集放电检测数据；将所述放电检测数据作为放电状态确定模型的输入，其中，所述放电状态确定模型是使用多组训练数据通过机器学习训练得到的，所述多组训练数据中的每组训练数据均包括：放电检测数据和所述放电检测数据对应的局部放电状态；获取所述放电状态确定模型的输出；根据所述放电状态确定模型的输出，确定所述放电检测数据对应的局部放电状态；其中，在将所述放电检测数据作为放电状态确定模型的输入之前，还包括：通过多组训练数据训练得到所述放电状态确定模型；其中，通过多组训练数据训练得到所述放电状态确定模型包括：采集历史时间段内的历史放电检测数据，其中，所述历史放电检测数据为在超声、超高频以及高频电流下采用传感器采集的数据；对所述历史放电检测数据进行分析，根据分析结果得到所述历史放电检测数据对应的放电状态；建立所述历史放电检测数据与所述历史放电检测数据对应的放电状态的映射关系；基于所述映射关系根据所述历史放电检测数据与所述历史放电检测数据对应的放电状态训练得到所述放电状态确定模型；其中，在采集历史时间段内的历史放电检测数据之后，还包括：对采集的所述历史放电检测数据进行筛选；其中，对采集的所述历史放电检测数据进行筛选包括：获取所述历史放电检测数据的指纹参数；根据所述指纹参数利用序贯算法对所述历史放电检测数据进行筛选。
2.根据权利要求1所述的方法，其特征在于，对所述历史放电检测数据进行分析包括：根据所述历史放电检测数据的特征光谱区间的数量建立多维向量子空间，其中，所述多维向量子空间表示放电类型和放电能量；确定所述多维向量子空间的向量角分布区域；利用线性混合方式将所述多维向量子空间和所述多维向量子空间的向量边界进行白化处理，得到放电类型和放电类型的危险度。
3.根据权利要求2所述的方法，其特征在于，所述放电能量包括：低能放电，高能放电，异常电弧。
4.一种局部放电状态确定装置，其特征在于，包括：采集单元，用于采集放电检测数据；第一确定单元，用于将所述放电检测数据作为放电状态确定模型的输入，其中，所述放电状态确定模型是使用多组训练数据通过机器学习训练得到的，所述多组训练数据中的每组训练数据均包括：放电检测数据和所述放电检测数据对应的局部放电状态；获取单元，用于获取所述放电状态确定模型的输出；第二确定单元，用于根据所述放电状态确定模型的输出，确定所述放电检测数据对应的局部放电状态；其中，还包括：训练单元，用于在将所述放电检测数据作为放电状态确定模型的输入之前，通过多组训练数据训练得到所述放电状态确定模型；其中，所述训练单元包括：采集模块，用于采集历史时间段内的历史放电检测数据，其中，所述历史放电检测数据为在超声、超高频以及高频电流下采用传感器采集的数据；分析模块，用于对所述历史放电检测数据进行分析，根据分析结果得到所述历史放电检测数据对应的放电状态；构建模块，用于建立所述历史放电检测数据与所述历史放电检测数据对应的放电状态的映射关系；获取模块，用于基于所述映射关系根据所述历史放电检测数据与所述历史放电检测数据对应的放电状态训练得到所述放电状态确定模型；其中，还包括：筛选模块，用于在采集历史时间段内的历史放电检测数据之后，对采集的所述历史放电检测数据进行筛选；其中，所述筛选模块包括：第二获取子模块，用于获取所述历史放电检测数据的指纹参数；筛选子模块，用于根据所述指纹参数利用序贯算法对所述历史放电检测数据进行筛选。
5.根据权利要求4所述的装置，其特征在于，所述分析模块包括：构建子模块，用于根据所述历史放电检测数据的特征光谱区间的数量建立多维向量子空间，其中，所述多维向量子空间表示放电类型和放电能量；确定子模块，用于确定所述多维向量子空间的向量角分布区域；第一获取子模块，用于利用线性混合方式将所述多维向量子空间和所述多维向量子空间的向量边界进行白化处理，得到放电类型和放电类型的危险度。
6.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至3中任意一项所述的局部放电状态确定方法。
