1.应用于电力设备运检的基于LSTM的时序异常检测方法，包括LSTM算法和聚类，其特征在于，具体步骤如下：第一步，寻找多变量最大化主簇

聚类是无监督学习的典型算法，不需要标记结果，试图探索和发现一定的模式，用于发现共同的群体，按照内在相似性将数据划分为多个类别使得内内相似性大，内间相似性小；

聚类算法为k-means，算法接受输入量k，然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小；聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”来进行计算的；

已知观测集(x1,x2,…,xn)，其中每个观测都是一个D维实向量，k-平均聚类要把这n个观测划分到k个集合中，k≤n，使得组内平方和最小，换句话说，它的目标是找到使得下式满足的聚类Si；

首先从n个数据对象任意选择k个对象作为初始聚类中心，而对于所剩下其它对象，则根据它们与这些聚类中心的相似度，分别将它们分配给与其最相似的聚类，最相似的为聚类中心所代表的；然后再计算每个所获新聚类的聚类中心，最后不断重复这一过程直到标准测度函数开始收敛为止；

第二步，基于LSTM对多变量的时序进行结构最小化重构

数据输入是源数据经过第一步聚类后的最大化主簇，通过聚类其实已经做了一次简单的异常剔除，对减少了明显异常值后的主簇进行重构能使得其重构结果更接近于理想的标准化输出；

LSTM算法是RNN算法的一种优化变种形式，RNN是深度学习中处理与时间强相关的数据的最有效基础算法，包括以下两个计算步骤a＜t＞＝g1(Wa[a＜t-1＞,x＜t＞]+ba)

对于一层LSTM细胞来说，当前时刻的输入值与上一时刻的中间结果值a＜t-1＞经中间层权重多项式分配结果通过激活函数g1得到该时刻的中间结果值a＜t＞，a＜t＞经输出层权重多项式分配后结果通过激活函数g2得到该时刻的预期结果值 其中g1常用tanh和Relu激活函数，g2常用sigmoid或者softmax；

LSTM算法是为了解决长期以来问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式，在标准RNN中，这个重复的结构模块只有一个非常简单的结构，例如一个tanh层，LSTM算法同样是这样的结构，但是重复的模块拥有一个不同的结构，LSTM算法通过三个门来实现信息的保护和控制，这三个门分别是输入门、遗忘门和输出门；

ft＝δ(Wf[ht-1,xt]+bf)

在LSTM算法中的第一步决定会从细胞状态中丢弃什么信息，这个决定通过一个称为忘记门层完成，该门会读取ht-1和xt，输出一个在0到1之间的数值给每个在细胞状态Ct-1中的数字，1表示“完全保留”，0表示“完全舍弃”；

it＝δ(Wi[ht-1,xt]+bi)

接着是决定让多少新的信息加入到细胞状态中来，包括两个步骤，首先，一个叫做“inputgatelayer”的sigmoid层决定哪些信息需要更新；一个tanh层生成一个向量，也就是备选的用来更新的内容Ct，接下来把这两部分联合起来，对细胞状态进行一个更新；

Ct-1更新为Ct，把旧状态与ft相乘，丢弃掉确定需要丢弃的信息，接着加上 这就是新的候选值，根据决定更新每个状态的程度进行变化；

ot＝δ(Wo[ht-1,xt]+bo)

ht＝ot*tanh(Ct)

最终，需要确定输出什么值，输出将会基于细胞状态，但是也是一个过滤后的版本，首先，运行一个sigmoid层来确定细胞状态的哪个部分将输出出去，接着，把细胞状态通过tanh进行处理，得到一个在-1到1之间的值，并将它和sigmoid门的输出相乘，最终输出确定输出的部分；

第三步，通过源数据在重构时序上异常标注后，基于LSTM算法对多变量的标签时序进行异常检测建模，最后投入生产部署首先进行异常标注，受LSTM算法启示，对某一个时刻的值域做基于距离的异常检测，采用欧式距离，3δ原则标注该点的异常标签，并将此结果按一定权重和下一时刻的源数据值作为下一时刻的输入，输出下一时刻的异常标签，以此方法标注全时序的标签，这里“0”标签标识正常数据，“1”标签标识异常数据；

接着进行异常训练建立LSTM模型，以标注完标签的数据作为模型训练的输入，A，B，C三相电流值作为LSTM算法的特征向量输入，对标注标签预测建模训练；

最后将训练的最优模型投入到生产中生成电力设备时序异常警告，通过深度学习实现电力设备的智能化异常警告工作，同现有的人工巡查方案一起完善电力设备的日常检修系统。

2.根据权利要求1所述的应用于电力设备运检的基于LSTM的时序异常检测方法，其特征在于：所述第一步中k个聚类各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。

3.根据权利要求1所述的应用于电力设备运检的基于LSTM的时序异常检测方法，其特征在于：所述第一步中聚类中心为该聚类中所有对象的均值。

4.根据权利要求1所述的应用于电力设备运检的基于LSTM的时序异常检测方法，其特征在于：所述第三步中通过源数据在重构时序上异常标注采取多数投票制标注异常。

5.根据权利要求1所述的应用于电力设备运检的基于LSTM的时序异常检测方法，其特征在于：所述电力设备为极Ⅰ高端换流变进线。

6.根据权利要求5所述的应用于电力设备运检的基于LSTM的时序异常检测方法，其特征在于：所述源数据为极Ⅰ高端换流变8111B铁芯的接地电流，从8111B铁芯三相电流数据中通过人工智能挖掘出其器件的运作情况，进一步实时监测变电站极Ⅰ高端换流变进线周围运行状况，做到异常警告的及时反馈。