1.一种基于边缘智能及多源数据融合的电网设备状态预测方法，其特征在于，包括：通过边缘计算技术对多种所述电网设备的状态数据进行采集及处理，得到多源状态数据，并从所述多源状态数据中提取表征数据；所述表征数据具有所述多源状态数据的特征信息和属性信息；基于所述表征数据构建目标函数，并通过所述目标函数对所述多源状态数据进行融合，得到多源状态数据融合矩阵；将所述多源状态数据融合矩阵输入至轻量化神经网络模型中进行处理，输出对所述电网设备的状态预测结果；所述从所述多源状态数据中提取表征数据，包括：将所述多源状态数据进行整合，得到具有统一格式和结构的多源状态整合数据；设置所述多源状态数据的数据模式和实体关系，以将所述多源状态整合数据构建为状态数据图谱；基于所述状态数据图谱的拉普拉斯矩阵，从所述多源状态数据中提取得到表征数据；所述目标函数通过下式表示：式中， 为多源状态数据融合矩阵；U v 为表征数据矩阵；F为标签矩阵；m、n为整数； 为范数运算；x v 为多源状态数据；u v 为表征数据；w v 为权重； 为正则参数； 为多源状态数据融合矩阵的拉普拉斯矩阵； 为超参数；Tr为迹数；T为转置运算；I为单位矩阵； 、 分别为表征数据矩阵的第i列、第j列数据；s ij 为多源状态数据融合矩阵的第i行第j列数据；所述通过所述目标函数对所述多源状态数据进行融合，得到多源状态数据融合矩阵，包括：在约束条件下，通过交替迭代法对所述目标函数中的参数进行更新，直至所述目标函数达到收敛，得到优化权重和表征数据优化矩阵；所述参数包括权重和表征数据矩阵，所述权重的表达式通过所述目标函数的拉格朗日函数表示；基于所述优化权重，将单个的所述表征数据优化矩阵进行融合，得到所述多源状态数据融合矩阵，以实现对所述多源状态数据的融合。
2.根据权利要求1所述的一种基于边缘智能及多源数据融合的电网设备状态预测方法，其特征在于，所述通过边缘计算技术对多种所述电网设备的状态数据进行采集及处理，得到多源状态数据，包括：在终端移动设备上训练所部署的第一回归模型和第一深度神经网络模型，并在边缘服务器上训练所部署的第二回归模型和第二深度神经网络模型，得到完成训练的第一回归模型、完成训练的第一深度神经网络模型、完成训练的第二回归模型和完成训练的第二深度神经网络模型；所述第一回归模型和所述第二回归模型具有不同数量的深度神经网络层；所述第一深度神经网络模型和所述第二深度神经网络模型均具有多个出口点；基于所述终端移动设备和所述边缘服务器间的测量带宽和延迟需求，通过完成训练的第一回归模型搜索完成训练的第一深度神经网络模型的第一最佳分支点，通过完成训练的第二回归模型搜索完成训练的第二深度神经网络模型的第二最佳分支点，并根据所述第一最佳分支点和所述第二最佳分支点分别在所述终端移动设备和所述边缘服务器部署对应的分支深度神经网络模型，以使完成部署的所述终端移动设备采集多种所述电网设备的状态数据并传输至完成部署的所述边缘服务器；通过完成部署的所述边缘服务器对所述状态数据进行处理，得到多源状态数据，以使完成部署的所述边缘服务器基于用户流量需求通过内容分发网络将所述多源状态数据存储至各个边缘节点。
3.根据权利要求2所述的一种基于边缘智能及多源数据融合的电网设备状态预测方法，其特征在于，所述基于所述终端移动设备和所述边缘服务器间的测量带宽和延迟需求，通过完成训练的第一回归模型搜索完成训练的第一深度神经网络模型的第一最佳分支点，包括：选取所述完成训练的第一深度神经网络模型的任一分支层，通过所述完成训练的第一回归模型预测所述分支层分别在所述终端移动设备和所述边缘服务器上的运行延迟；基于所述终端移动设备和所述边缘服务器间的测量带宽，分别计算所述终端移动设备和所述边缘服务器的通信延迟，并结合所述运行延迟，得到总延迟；对所述分支层进行迭代更新，以通过更新后的所述分支层计算总延迟，并将总延迟最小时的分支层作为所述完成训练的第一深度神经网络模型的第一最佳分支点。
4.根据权利要求2所述的一种基于边缘智能及多源数据融合的电网设备状态预测方法，其特征在于，所述完成部署的所述边缘服务器基于用户流量需求通过内容分发网络将所述多源状态数据存储至各个边缘节点，包括：通过完成部署的所述边缘服务器实时监测所述用户流量，并通过机器学习模型对所述用户流量进行分析，以预测所述用户流量需求；构建内容分发网络，并根据所述用户流量需求对所述内容分发网络中的各个边缘节点进行节点配置；将所述多源状态数据按照访问频率进行分类，以根据分类结果将所述多源状态数据存储至对应的边缘节点。
5.根据权利要求1所述的一种基于边缘智能及多源数据融合的电网设备状态预测方法，其特征在于，所述参数还包括标签矩阵和多源状态数据融合矩阵；其中，所述通过交替迭代法对所述目标函数中的参数进行更新，包括：对所述表征数据矩阵进行更新，其更新过程通过下式表示：式中； 为多源状态数据矩阵；对所述权重进行更新，其更新过程通过下式表示：对所述标签矩阵进行更新，其更新过程通过下式表示：式中，k为标签类别；对所述多源状态数据融合矩阵进行更新，其更新过程通过下式表示：式中，g为多源向量；f为标签矩阵中的数据。
6.根据权利要求1所述的一种基于边缘智能及多源数据融合的电网设备状态预测方法，其特征在于，所述轻量化神经网络模型包括深度可分离卷积网络和递归神经网络；其中，所述将所述多源状态数据融合矩阵输入至轻量化神经网络模型中进行处理，输出对所述电网设备的状态预测结果，包括：通过所述深度可分离卷积网络从所述多源状态数据融合矩阵中进行特征提取，得到融合状态特征；通过所述递归神经网络对所述融合状态特征进行时间序列建模，得到对所述电网设备的状态预测结果。
7.根据权利要求6所述的一种基于边缘智能及多源数据融合的电网设备状态预测方法，其特征在于，所述递归神经网络包括第一更新门、重置门和第二更新门；其中，所述通过所述递归神经网络对所述融合状态特征进行时间序列建模，得到对所述电网设备的状态预测结果，包括：通过所述第一更新门分别对当前时间步的所述融合状态特征及其权重，和前一时间步的所述融合状态特征所对应的隐藏特征及其权重进行处理，得到第一处理结果；通过所述重置门分别对当前时间步的所述融合状态特征及其权重，和前一时间步的所述融合状态特征所对应的隐藏特征及其权重进行处理，得到第二处理结果；通过所述第二更新门对所述第一处理结果和所述第二处理结果进行处理，得到对所述电网设备的状态预测结果。
