1.智能传感器主动协同的变电站机器人智能巡检系统，包括由智能机器人协同巡检层、自主协同层和变电站智能传感层形成的三层智能巡检架构；其特征是：所述智能机器人协同巡检层与自主协同层和变电站智能传感层均实现双向通信连接，自主协同层同变电站智能传感层也实现双向通信连接；所述智能机器人协同巡检层，包括：协同服务器、巡检机器人以及智能执行器；自主协同层包括：智能传感单元；其中，协同服务器通过无线通信网络与巡检机器人相连接，巡检机器人通过无线通信网络与智能执行器相连接；巡检机器人包含边缘分析装置、传感器、RFID读写器；巡检机器人进行自主路径规划完成图像数据采集；边缘分析装置用于进行路径规划；传感器用于巡检机器人采集设备状态和现场环境数据；RFID读写器用于巡检机器人和智能传感单元之间进行通信和数据传输；智能执行器包括固定端和移动端两部分，固定端安装在汇控柜上，包括继电器开关、RFID读写器和状态指示灯；移动端安装在巡检机器人上，包括RFID读写器和RFID标签；移动端和固定端通过RFID读写器进行通信，驱动继电器开关完成汇控柜上复位开关的复位操作。
2.根据权利要求1所述的智能传感器主动协同的变电站机器人智能巡检系统，其特征是：所述自主协同层，包括：智能传感单元；智能传感单元包含通信模块、RFID读写器和智能分析模块；通信模块用于激活现场设备传感器令其采集设备状态数据，智能分析模块用于数据预处理和分析，RFID读写器用于智能传感单元和巡检机器人之间进行通信和数据传输。
3.根据权利要求1所述的智能传感器主动协同的变电站机器人智能巡检系统，其特征是：所述变电站智能传感层，包括：智能传感器和被检测设备，被检测设备包括变压器或GIS设备或汇控柜；智能传感器感知被检测设备的状态并进行数据预处理和分析，巡检机器人和智能传感器通过近场通信机制和智能执行器进行主动协同，协同服务器基于巡检机器人感知数据进行复杂场景识别，以及对巡检机器人感知数据和智能传感器感知数据进行多源数据融合分析。
4.如权利要求1-3任一项所述的智能传感器主动协同的变电站机器人智能巡检系统的智能巡检方法，其特征是：包括以下步骤：步骤1.由智能机器人协同巡检层、自主协同层和变电站智能传感层形成三层智能巡检架构；智能机器人协同巡检层，包括：协同服务器、巡检机器人以及智能执行器；自主协同层，包括：智能传感单元；变电站智能传感层，包括：智能传感器和被检测设备；步骤2.巡检机器人进行自主路径规划完成图像数据采集；步骤3.智能传感单元感知被检测设备的状态并进行数据预处理；步骤4.智能传感单元对被检测设备的状态进行初步分析；步骤5.智能传感单元通过短距离通信机制，将当前的被检测设备的感知数据发送给巡检机器人；步骤6.巡检机器人通过短距离通信机制，授权智能执行器完成汇控柜复位开关的复位动作；步骤7.协同服务器可以完成复杂场景识别；步骤8.协同服务器可以完成多源数据融合分析。
5.根据权利要求4所述的智能巡检方法，其特征是：所述协同服务器通过无线通信网络与巡检机器人进行信息传输、下发任务指令；协同服务器基于巡检机器人感知数据进行场景识别，以及对巡检机器人感知数据和智能传感器感知数据进行数据的融合与分析；所述巡检机器人从协同服务器接收任务指令和信息，基于信息进行路径规划，依据路径规划结果进行自主巡检并采集被检测设备的状态数据；其中，巡检机器人采集的数据包括：由巡检机器人携带的传感器采集数据和由智能传感单元收集并传输给巡检机器人；其中，采集数据过程包括：巡检机器人和智能传感单元通过近场通信机制和智能执行器进行主动协同，巡检机器人移动到智能传感单元附近，向智能传感单元发出数据收集指令，智能传感单元获取该指令后，激活温度、湿度、可见光、红外光传感器进行数据采集，并将该数据传输给巡检机器人；智能执行器用于在变电站汇控柜发生误报警后操作复位开关解除报警状态，上述操作由智能执行器和巡检机器人协同完成。
6.根据权利要求4所述的智能巡检方法，其特征是：步骤2中所述巡检机器人进行自主路径规划完成图像数据采集，包括：抽象地图建模和路径规划两部分，均由巡检机器人的边缘分析装置完成；抽象地图建模根据变电站实景地图和实时环境感知信息，通过提取变电站环境要素和主要特点，将实景地图进行简化得到的抽象地图；路径规划根据构建的抽象地图，制定巡检机器人从当前位置到达某一地点或者N个地点的最短行进路线。
7.根据权利要求4所述的智能巡检方法，其特征是：步骤3中所述智能传感单元感知被检测设备的状态并进行数据预处理，包括：基于多源数据时空相关性，进行异常值判断，以及数据修复；首先，T个时刻中N个传感器的数据集X被分成若干组，其中每组包含m时间长度内N个传感器的数据集；然后将整个数据集分成 组，每组数据均为一个m×N矩阵；对于每个m×N矩阵，计算所有相邻列之间的差值以得到大小为m×(N-1)的矩阵D k ，每个D k 矩阵是对应X k 矩阵的差值矩阵；k表示数据集分组的索引，k＝1,2,…,num；对于D k 的每一列，找到它的中值L kj 并指定阈值σ，中值L kj 中k表示数据集分组的索引，k＝1,2,…,num，j表示D k 中列的索引；对于每个矩阵D k ，如果|D k [i][j]-L kj |＜σ，则X k [i,j]和X k [i,j+1]的差值是正常的，令A ij ＝1；如果不是，X k [i,j]和X k [i,j+1]中的一个是异常的，令A ij ＝0；其中，A是与D大小相同的矩阵，用来表示D中的数据是否异常，其中i和j分别是A和D中行和列的索引；对于A ij ＝1的值，设M ij ＝{X k [i,j],X k [i,j+1],...,X k [i,j+λ]}，其中λ+1为Mij中元素的个数，根据实际场景进行取值；计算M ij 的中值m ij ＝median(M ij )，median为取中值函数，将|X k [i][j]-m ij |与|X k [i+1][j]-m i+1,j |进行比较，如果前者大于后者，则X k [i][j]为异常值；否则，X k [i][j+1]是异常值；k表示数据集分组的索引，k＝1,2,…,num；i和j分别是A中行和列的索引；最后，对于判断为异常值的数据X k [i][j]，将相应的中值m ij 分配给该值，完成修复；算法1:数据清理算法；输入:数据集X＝{X 1 ,X 2 ,...,X n },X i ＝{x i1 ,x i2 ,...,x iT }'；矩阵的时间序列长度m；阈值σ；用于计算中位数的时间序列长度λ；式中，X表示n个传感器在T个采样时刻中的数据，Xi表示第i个传感器的数据，x iT 表示第i个传感器在第T个时刻的采样值，'表示转置；S1:建立矩阵D,令D[i][j]＝X[i][j+1]-X[i][j]；S2:令 将矩阵D分为num个小矩阵：D k ,k＝1,2,...,num，k为小矩阵的索引；同时，X矩阵也被划分为num个矩阵，并且每个X k 矩阵是D k 矩阵的差值矩阵；式中，num表示数据分组数；S3:for D k ,k＝1,2,...,num：计算每列的L kjif|D k [i][j]-L kj |＜σ,return A[i][j]＝1A是与D大小相同的矩阵，用来表示D中的数据是否异常，其中i和j分别是A和D中行和列的索引，L kj 为D k 中第j列的中值，σ为D k 中第j列的标准差；S4:for D k ,k＝1,2,...,num：if A[i][j]＝1令M ij ＝{X k [i,j],X k [i,j+1],...,X k [i,j+λ]},m ij ＝median(M ij )比较|X k [i][j]-m ij |与|X k [i+1][j]-m i+1,j |，如果前者大于后者，则X k [i][j]是异常值；否则，X k [i][j+1]是异常值；其中M ij ＝{X k [i,j],X k [i,j+1],...,X k [i,j+λ]}为长度λ+1的数据向量，λ根据实际场景进行取值；计算M ij 的中值m ij ＝median(M ij )，median为取中值函数，将|X k [i][j]-m ij |与|X k [i+1][j]-m i+1,j |进行比较，如果前者大于后者，则X k [i][j]为异常值；否则，X k [i][j+1]是异常值；k表示数据集分组的索引，k＝1,2,…,num；i和j分别是A中行和列的索引；S5:对于判断为异常值的所有数据X k [i][j]，将相应的中值m ij 分配给该值，并且完成修复。
8.根据权利要求4所述的智能巡检方法，其特征是：步骤4中所述智能传感单元对被检测设备的状态进行初步分析，包括：利用稀疏自编码技术，从正常设备的原始信号中学习特征，根据模型识别测试样本；如果样本的特征与正常信号的特征相比有显著的误差，则样本被视为故障；设 为训练样本数据集，其中x i 表示是第i个训练数据，n是样本个数；y i ∈Y＝{1,2,3,...,K}是相关的标签，K是训练集中标签的类别数； 是测试样本数据集，其中x' i 表示的是第i个测试数据，m是测试集样本个数，y' i ∈Y＝{1,2,...,M}(M＞K)是相关的标签，M是测试集中标签的类别数；从训练集X中随机选择多个样本数据，然后随机选择数据的一个特征值，将样本数据分为两个子树，重复上述两个步骤，继续构造子节点，直到子节点的数据数达到上限，一棵树的构造完成；设A＝(x 1 ,x 2 ,x 3 ,...,x m )为落在同一叶节点上的训练样本，为集合A构建球O，a的中心定义为： 球O的半径以c：r＝dist(c,e)为中心，其中e是距离c在a中的最远样本，dist是c与e的欧氏距离，label(O)是在集合A中出现最多的标签；在测试期间，落在这些球上的测试实例是已知故障，落在球外的测试实例是未知故障；具体步骤如下：步骤(1)根据训练数据集X，得到随机森林模型F，包括t个随机树{f 1 ,f 2 ,f 3 ,...,f t }；步骤(2)在每棵树中，构建一个球O，球O落入同一个叶节点；步骤(3)对于测试用例，在j-th树的category标签中定义为：其中f j (x' i )是第J个树计算的输入数据的标签类别，它把x' i 分成已知或未知类别类；函数 表示所有树计算的最高发生频率标记类别的输出；如果f j (x' i )＝new，将测试实例输入缓冲器，直到缓冲器的数量达到上限，并将测试实例输入决策层。
9.根据权利要求4所述的智能巡检方法，其特征是：步骤5所述的智能传感单元通过短距离通信机制，将当前的被检测设备的感知数据发送给巡检机器人，如下：巡检机器人移动到智能传感单元附近，向智能传感单元发出数据收集指令，智能传感单元获取该指令后，激活传感器完成当前的数据采集，并将该数据传输给巡检机器人；巡检机器人和智能传感单元各自搭载一组RFID读写器和标签；1)协同巡检后台系统生成数据收集任务，包括智能传感单元的位置、智能传感单元的身份编码；2)巡检机器人根据智能传感单元的位置进行自主路径规划；3)巡检机器人上的RFID读写器将待收集数据的智能传感单元身份编码写入RFID标签；4)巡检机器人移动到智能传感单元附近；5)智能传感单元上的RFID读写器读取巡检机器人上RFID标签信息；6)如果读取到的标签信息与智能传感单元自身编码一致，则智能传感单元激活其所控制的传感器，完成数据采集；7)智能传感单元将采集到的数据进行编码，并通过智能传感单元上的RFID读写器将该编码写入智能传感单元上的RFID标签；8)巡检机器人上RFID读写器读取智能传感单元上的RFID标签的信息，并通过巡检机器人网络将该信息发送回协同巡检后台系统；步骤6所述巡检机器人通过短距离通信机制，授权智能执行器完成汇控柜复位开关的复位动作，如下：当变电站汇控柜当发生异常时，复位开关弹起并报警，如没有问题，由巡检机器人和智能执行器协同完成此动作按下复位开关解除报警状态；所述智能执行器中的RFID读写器通过巡检机器人网络受协同服务器控制；控制过程如下：1)当变电站汇控柜产生报警时，变电站站控系统会获得该报警信息；2)站控系统将报警信息发送给协同服务器；3)协同服务器根据该报警信息生成巡检机器人的巡检目标坐标；4)巡检机器人根据巡检目标坐标进行自动路径规划；5)巡检机器人自主移动至观测位置，利用机载摄像头采集汇控柜仪表图像，并进行智能识别；6)当识别结果表明汇控柜目前工作状态已经可以解除警报时，巡检机器人驱动RFID读写器，将汇控柜身份编码信息写入RFID标签；7)智能执行器中的RFID读写器读取RFID标签数据，如果该标签数据与当前汇控柜编码一致，则驱动继电器开关，完成汇控柜上复位开关的复位操作；否则状态指示灯闪烁提示信息错误；8)巡检机器人采集汇控柜仪表以及状态指示灯图像，并进行智能识别，以此判断控制任务是否完成；步骤7中所述协同服务器可以完成复杂场景识别，包括：包含两个分支的双边卷积网络，借助于深度学习网络的图像表征能力，将卷积网络引入到变电站场景辨识中，在全卷积网络的基础上，提出一种结合双边全卷积网络和条件随机场推理的深度提取器模型；双边全卷积网络网络结构是上下双边浅U型网络结构，通过双边提取到更细致全面的设备特征信息，实现端到端的深度提取；双边全卷积网络包含两个分支即两条全卷积边：反向全卷积网络和常规全卷积网络；常规全卷积网络采用“编码—解码”，先下采样，再上采样；结构从整个图像中提取高级语义；反向全卷积网络采用“解码—编码”，先上采样，再下采样，结构补充遗漏的缺陷信息，两个分支输出的两个特征图像聚合相加以获得一个高级特征图像；步骤8中所述协同服务器可以完成多源数据融合分析，包括：深度学习框架；深度学习框架模型构成，包括：(a)卷积层：发现多维输入变量之间的局部依存模式；捕捉多元变量之间的短期模式也就是时间维度的局部依赖；(b)循环层：卷积层的输出同时馈入循环组件和跳跃组件；循环组件是带有门控单元GRU的循环层，并使用RELU函数作为隐藏更新激活函数；该组件为捕获复杂的长期依存关系，采用的GRU是捕获时间序列数据的时间依赖性以及长期模式；(c)跳跃层：捕获非常长期的依赖模式；(d)时间注意力组件；(e)自回归线性层：将非线性的神经网络模型部分和一个线性的自回归部分的输出相加。
10.一种计算机存储介质，其特征是：所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现权利要求4-9中任一所述的智能巡检方法的步骤。
