变电站设备的状态数据清洗方法、装置和计算机设备

1.一种变电站设备的状态数据清洗方法，其特征在于，所述方法包括：获取变电站设备的待检测状态数据序列；其中，所述待检测状态数据序列中的各状态数据为包括顶层油温、负荷和环境温度三种参量的状态值的三维数组；所述状态数据序列指的是变电站设备在一段时间内的各时间点的状态数据的集合；确定所述待检测状态数据序列中的各所述状态数据是否归属于预设的数据类簇；所述数据类簇通过对历史正常状态数据集聚类得出；确定与各所述参量分别对应的状态转移概率矩阵，并依据所述待检测状态数据序列确定与各所述参量分别对应的待检测参量数据序列；利用各所述状态转移概率矩阵确定各所述参量对应的待检测参量数据序列的状态转移概率序列；根据所述待检测状态数据序列中不归属于所述数据类簇的所述状态数据和各所述状态转移概率序列中的0值，确定所述待检测状态数据序列中的脏数据；获取与所述脏数据对应的前一时刻的目标状态数据；利用基函数的样本参数和深度神经网络训练出所述基函数的目标参数，并根据所述目标参数确定出目标基函数；根据历史正常状态数据集确定相邻两个时刻的历史状态数据序列，并利用所述目标基函数对两个所述历史状态数据序列进行升维操作，得到升维后的所述历史状态数据序列；利用升维后的所述历史状态数据序列进行扩展动力学模态分解，得到Koopman算子和降维矩阵；利用所述目标状态数据、Koopman算子、降维矩阵以及目标基函数，计算与所述脏数据对应时刻的估计状态数据，并利用所述估计状态数据替换所述脏数据。 2.根据权利要求1所述的方法，其特征在于，所述根据所述待检测状态数据序列中不归属于所述数据类簇的所述状态数据和各所述状态转移概率序列中的0值，确定所述待检测状态数据序列中的所述脏数据，包括：确定所述待检测状态数据序列中不归属于所述数据类簇的所述状态数据的第一数量；确定各所述状态转移概率序列中存在0值的所述状态转移概率序列的第二数量以及各所述状态转移概率序列中0值的第三数量；若所述第一数量小于第一数量阈值，所述第二数量小于第二数量阈值，且所述第三数量大于第三数量阈值，将所述待检测状态数据序列中不归属于所述数据类簇的所述状态数据确定为所述脏数据。 3.根据权利要求1所述的方法，其特征在于，所述利用各所述状态转移概率矩阵确定各所述参量对应的待检测参量数据序列的状态转移概率序列，包括：将目标参量数据序列输入至自组织神经网络模型，利用所述自组织神经网络模型对所述目标参量数据序列中各状态值进行量化，得出状态量化值；所述目标参量数据序列为所述待检测参量数据序列中与目标参量对应的待检测参量数据序列，所述目标参量为任意一个所述参量；根据所述状态量化值与目标状态转移概率矩阵中转移概率的对应关系，确定与所述目标参量数据序列对应的目标状态转移概率序列；所述目标状态转移概率矩阵为与所述目标参量数据序列的目标参量对应的状态转移概率矩阵。 4.根据权利要求1所述的方法，其特征在于，根据所述历史正常状态数据集聚类确定出所述数据类簇，包括：计算所述历史正常状态数据集中的各历史状态数据的数据局部密度和各所述历史状态数据之间的距离；根据各所述数据局部密度的大小关系以及各所述距离的大小关系确定出所述数据类簇；所述确定所述待检测状态数据序列中的各所述状态数据是否归属于预设的数据类簇，包括：根据所述待检测状态数据序列中各所述状态数据分别与所述数据类簇的当前数据局部密度以及当前距离，确定各所述状态数据是否归属于所述数据类簇。 5.根据权利要求3所述的方法，其特征在于，所述确定与各所述参量分别对应的状态转移概率矩阵，包括：根据所述历史正常状态数据集确定与各所述参量分别对应的历史正常参量数据序列；利用预先训练出的所述自组织神经网络模型对目标历史正常参量数据序列中各目标历史参量数据进行量化，输出与各所述目标历史参量数据对应的目标历史量化值；所述目标历史正常参量数据序列为与目标参量对应的历史正常参量数据序列，所述目标参量为任意一个所述参量；根据所述目标历史量化值的概率分布，确定出所述自组织神经网络模型神经元之间转移的概率，得出与所述目标参量对应的状态转移概率矩阵。 6.一种变电站设备的状态数据清洗装置，其特征在于，所述装置包括：第一获取模块，用于获取变电站设备的待检测状态数据序列；其中，所述待检测状态数据序列中的各状态数据为包括顶层油温、负荷和环境温度三种参量的状态值的三维数组；所述状态数据序列指的是变电站设备在一段时间内的各时间点的状态数据的集合；第一确定模块，用于确定所述待检测状态数据序列中的各所述状态数据是否归属于预设的数据类簇；所述数据类簇通过对历史正常状态数据集聚类得出；确定与各所述参量分别对应的状态转移概率矩阵，并依据所述待检测状态数据序列确定与各所述参量分别对应的待检测参量数据序列；利用各所述状态转移概率矩阵确定各所述参量对应的待检测参量数据序列的状态转移概率序列；根据所述待检测状态数据序列中不归属于所述数据类簇的所述状态数据和各所述状态转移概率序列中的0值，确定所述待检测状态数据序列中的脏数据；第二获取模块，用于获取与所述脏数据对应的前一时刻的目标状态数据；第二确定模块，用于利用基函数的样本参数和深度神经网络训练出所述基函数的目标参数，并根据所述目标参数确定出目标基函数；根据历史正常状态数据集确定相邻两个时刻的历史状态数据序列，并利用所述目标基函数对两个所述历史状态数据序列进行升维操作，得到升维后的所述历史状态数据序列；利用升维后的所述历史状态数据序列进行扩展动力学模态分解，得到Koopman算子和降维矩阵；利用所述目标状态数据、Koopman算子、降维矩阵以及目标基函数，计算与所述脏数据对应时刻的估计状态数据，并利用所述估计状态数据替换所述脏数据。 7.根据权利要求6所述的装置，其特征在于，所述第一确定模块还用于：确定所述待检测状态数据序列中不归属于所述数据类簇的所述状态数据的第一数量；确定各所述状态转移概率序列中存在0值的所述状态转移概率序列的第二数量以及各所述状态转移概率序列中0值的第三数量；若所述第一数量小于第一数量阈值，所述第二数量小于第二数量阈值，且所述第三数量大于第三数量阈值，将所述待检测状态数据序列中不归属于所述数据类簇的所述状态数据确定为所述脏数据。 8.根据权利要求6所述的装置，其特征在于，所述第一确定模块还用于：将目标参量数据序列输入至自组织神经网络模型，利用所述自组织神经网络模型对所述目标参量数据序列中各状态值进行量化，得出状态量化值；所述目标参量数据序列为所述待检测参量数据序列中与目标参量对应的待检测参量数据序列，所述目标参量为任意一个所述参量；根据所述状态量化值与目标状态转移概率矩阵中转移概率的对应关系，确定与所述目标参量数据序列对应的目标状态转移概率序列；所述目标状态转移概率矩阵为与所述目标参量数据序列的目标参量对应的状态转移概率矩阵。 9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。 10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。