1.基于大数据的电网风险识别方法，其特征在于，包括：S1：获取用于电网风险识别的大数据；S2：对所述大数据进行预处理操作；S2.1：对所述大数据进行数据去重操作；S2.2：对所述大数据中的无效数据进行删除操作；S2.3：对所述大数据中的缺失数据进行补足操作；所述S2.3具体为：S2.3.1：对所述大数据缺失数据类型进行判断，若为第一缺失数据类型，则进入S2.3.2，若为第二缺失数据类型，则进入S2.3.3；若所述大数据存在连续缺失超过第一预设数量的数据的情况，则为第一缺失数据类型，否则为第二数据缺失类型；S2.3.2：采用第一补足方法对所述缺失数据进行补足操作；所述第一补足方法具体为：S2.3.2.1：计算待补足缺失数据前后两个数据的变化率r 1 ；S2.3.2.2：计算待补足缺失数据前后第二预设数量的数据的变化率r 2 ；S2.3.2.3：根据所述待补足缺失数据前后的数据以及所述变化率r 1 和r 2 对待补足缺失数据进行补足操作；所述补足操作的公式为： ；式中，d n 为待补足数据，n为待补足数据的采样点时刻，d t 为待补足数据的前t个具有数值的采样点的数据；S2.3.3：采用第二补足方法对所述缺失数据进行补足操作；S3：将经过所述S2预处理的大数据输入至风险识别模型，得到风险识别结果。
2.根据权利要求1所述的基于大数据的电网风险识别方法，其特征在于，所述采用第二补足方法对所述缺失数据进行补足操作具体为：S2.3.3.1：建立用于对所述缺失数据进行补足操作的深度学习模型；S2.3.3.2：通过人工标注的所述电网中设备的历史数据组成数据集对所述深度学习模型进行训练，每个数据集包含n个数据；S2.3.3.3：将所述数据缺失数据前的n个数据输入至所述深度学习模型中，得到第一结果；S2.3.3.4：计算所述第一结果中存在数据的时刻的预测数据与实际数据的预测误差；S2.3.3.5：对所述预测误差进行判断，若所述预测误差小于第二预设阈值，则将所述第一结果中待补足时刻的预测值对所述大数据进行补足操作；否则，进入下一步；S2.3.3.6：通过人工标注的所述电网中设备的历史数据组成数据集对所述深度学习模型进行训练，每个数据集包含2n个数据；S2.3.3.7：将所述数据缺失数据前的2n个数据输入至所述深度学习模型中，得到第二结果；S2.3.3.8：根据所述第二结果中的待补足时刻的预测值对所述大数据进行补足操作。
3.根据权利要求2所述的基于大数据的电网风险识别方法，其特征在于，所述S2.3.3.1中，所述深度学习模型为长短期记忆网络模型。
4.根据权利要求2所述的基于大数据的电网风险识别方法，其特征在于，所述S2.3.3.2中，所述n的取值大于所述大数据中连续缺失的数据的个数。
5.根据权利要求2所述的基于大数据的电网风险识别方法，其特征在于，所述S2.3.3.4中，所述预测误差为预测值与实际值的平均误差。
6.根据权利要求1所述的基于大数据的电网风险识别方法，其特征在于，所述S1中，所述大数据具体包括：变压器所在的母线电压数据、变压器所在的馈线电压数据、变压器电压数据、变压器功率数据；其中，所述变压器功率数据为变压器有功功率数据。
7.根据权利要求1所述的基于大数据的电网风险识别方法，其特征在于，所述S3中，所述风险识别模型为BP神经网络模型，所述风险识别结果为一级风险、二级风险、三级风险、无风险。
8.基于大数据的电网风险识别系统，采用权利要求1-7任一项所述的基于大数据的电网风险识别方法，其特征在于，所述系统包括：大数据获取模块，用于获取用于电网风险识别的大数据；大数据预处理模块，用于对所述大数据进行预处理操作；风险识别模块，用于将经过大数据预处理模块预处理的大数据输入至风险识别模型，得到风险识别结果。
