1.一种基于智能电网的数据分析方法，其特征在于，应用于智能电网分析系统，所述方法包括：

依据待分析的智能电网运行数据所对应的目标电力运维场景，确定与所述目标电力运维场景符合场景共性判定要求的过往电力运维场景，并确定与待分析的目标异常状态事件对应的前序异常状态事件；所述前序异常状态事件与所述目标异常状态事件至少存在部分相同的故障风险状态变量；

确定所述目标异常状态事件的第一异常状态发展趋势向量、以及所述前序异常状态事件的第二异常状态发展趋势向量；所述第一异常状态发展趋势向量用于表征所述目标异常状态事件响应于所述目标电力运维场景中已有故障运维标签的趋势变化；所述第二异常状态发展趋势向量用于表征所述前序异常状态事件响应于所述过往电力运维场景中已有故障运维标签的趋势变化；

对所述第二异常状态发展趋势向量和所述第一异常状态发展趋势向量进行趋势向量集成操作，获得所述目标异常状态事件在所述目标电力运维场景中的当前异常状态发展趋势向量；

将所述当前异常状态发展趋势向量与所述智能电网运行数据的全局状态发展趋势向量进行联合分析，确定所述智能电网运行数据与所述目标异常状态事件的相关性预测结果；

所述前序异常状态事件的个数为最少两个，所述目标异常状态事件为各所述前序异常状态事件中的其中一个；

所述方法还包括：获取各所述前序异常状态事件中除所述目标异常状态事件之外的候选异常状态事件的第一异常状态发展趋势向量；所述候选异常状态事件的第一异常状态发展趋势向量用于表征所述候选异常状态事件响应于所述目标电力运维场景中已有故障运维标签的趋势变化；

所述对所述第二异常状态发展趋势向量和所述第一异常状态发展趋势向量进行趋势向量集成操作，获得所述目标异常状态事件在所述目标电力运维场景中的当前异常状态发展趋势向量，包括：基于各所述前序异常状态事件各自对应的第一异常状态发展趋势向量，确定所述目标异常状态事件与所述候选异常状态事件在所述目标电力运维场景中的目标状态发展趋势共性值；基于各所述前序异常状态事件各自对应的第二异常状态发展趋势向量，确定所述目标异常状态事件与所述候选异常状态事件在所述过往电力运维场景中的过往状态发展趋势共性值；依据所述目标状态发展趋势共性值，对所述过往状态发展趋势共性值进行挖掘，获得所述目标异常状态事件在所述目标电力运维场景中的当前异常状态发展趋势向量；

所述依据所述目标状态发展趋势共性值，对所述过往状态发展趋势共性值进行挖掘，获得所述目标异常状态事件在所述目标电力运维场景中的当前异常状态发展趋势向量，包括基于各所述第一异常状态发展趋势向量投影到所述目标电力运维场景的特征关系网中的分布区域，确定各所述第一异常状态发展趋势向量之间的差异度；两个第一异常状态发展趋势向量之间的差异度，用于表征所述两个第一异常状态发展趋势向量之间的目标状态发展趋势共性值；

依据所述过往状态发展趋势共性值，调整所述目标异常状态事件的第一异常状态发展趋势向量与所述候选异常状态事件的第一异常状态发展趋势向量之间的差异度，获得所述目标异常状态事件的第一异常状态发展趋势向量在所述特征关系网中的分布调整区域；

依据所述分布调整区域确定所述目标异常状态事件在所述目标电力运维场景中的当前异常状态发展趋势向量。

2.根据权利要求1所述的方法，其特征在于，两个第一异常状态发展趋势向量之间的差异度，与所述两个第一异常状态发展趋势向量之间的目标状态发展趋势共性值具有第一量化关系；

所述依据所述过往状态发展趋势共性值，调整所述目标异常状态事件的第一异常状态发展趋势向量与所述候选异常状态事件的第一异常状态发展趋势向量之间的差异度，包括：如果所述过往状态发展趋势共性值符合共性指标，限缩所述目标异常状态事件的第一异常状态发展趋势向量与所述候选异常状态事件的第一异常状态发展趋势向量之间的差异度；

如果所述过往状态发展趋势共性值符合互斥指标，扩增所述目标异常状态事件的第一异常状态发展趋势向量与所述候选异常状态事件的第一异常状态发展趋势向量之间的差异度；所述共性指标和所述互斥指标所对应的电力运维场景不相同。

3.根据权利要求1所述的方法，其特征在于，所述候选异常状态事件的个数为最少两个；所述基于各所述前序异常状态事件各自对应的第一异常状态发展趋势向量，确定所述目标异常状态事件与所述候选异常状态事件在所述目标电力运维场景中的目标状态发展趋势共性值，包括：分别确定所述目标异常状态事件的第一异常状态发展趋势向量与每一所述候选异常状态事件各自对应的第一异常状态发展趋势向量之间的联合共性评分；

所述基于各所述第一异常状态发展趋势向量投影到所述目标电力运维场景的特征关系网中的分布区域，确定各所述第一异常状态发展趋势向量之间的差异度，包括：基于各所述第一异常状态发展趋势向量投影到所述目标电力运维场景的特征关系网中的分布区域，确定所述目标异常状态事件的第一异常状态发展趋势向量分别与每一所述候选异常状态事件各自对应的第一异常状态发展趋势向量之间的差异度。

4.根据权利要求1所述的方法，其特征在于，所述候选异常状态事件的个数为最少两个；所述方法还包括：获取各前序异常状态事件各自对应的异常状态事件知识向量，从各所述候选异常状态事件中确定与所述目标异常状态事件符合异常状态事件共性指标的待处理前序异常状态事件；

所述依据所述过往状态发展趋势共性值，调整所述目标异常状态事件的第一异常状态发展趋势向量与所述候选异常状态事件的第一异常状态发展趋势向量之间的差异度，获得所述目标异常状态事件的第一异常状态发展趋势向量在所述特征关系网中的分布调整区域，包括：依据所述目标异常状态事件与所述待处理前序异常状态事件的前序状态发展趋势共性值，调整所述目标异常状态事件的第一异常状态发展趋势向量与所述候选异常状态事件的第一异常状态发展趋势向量之间的差异度，获得所述目标异常状态事件的第一异常状态发展趋势向量在所述特征关系网中的分布调整区域。

5.根据权利要求1所述的方法，其特征在于，获得所述目标异常状态事件在所述目标电力运维场景中的当前异常状态发展趋势向量的步骤，包括：基于目标深度学习算法，对各所述第二异常状态发展趋势向量之间的过往状态发展趋势共性值进行挖掘，获得所述目标异常状态事件在所述目标电力运维场景中的当前异常状态发展趋势向量；

调试得到所述目标深度学习算法的步骤，包括：

依据由目标电力运维场景识别误差和一致性分析误差确定的全局调试误差，使用目标电力运维场景调试示例集对基础深度学习算法进行算法调试，得到用以确定所述目标电力运维场景中的当前异常状态发展趋势向量的目标深度学习算法；所述目标电力运维场景调试示例集包括：各异常状态事件样例在所述目标电力运维场景中的异常状态事件知识向量、各智能电网运行数据的数据知识、各所述异常状态事件样例响应于所述目标电力运维场景中已有故障运维标签的目标电力运维场景交互信息、以及各所述异常状态事件样例在过往电力运维场景中各自对应的第二异常状态发展趋势向量；所述目标电力运维场景识别误差的误差参数为各所述异常状态事件样例在所述目标电力运维场景中的异常状态事件知识向量、以及各所述智能电网运行数据的数据知识；所述一致性分析误差的误差参数为各所述异常状态事件样例在所述目标电力运维场景中的目标状态发展趋势共性值、以及各所述异常状态事件样例在所述过往电力运维场景中的过往状态发展趋势共性值。

6.根据权利要求1所述的方法，其特征在于，确定所述目标异常状态事件的第一异常状态发展趋势向量、以及所述前序异常状态事件的第二异常状态发展趋势向量的步骤，包括：获取所述目标异常状态事件响应于所述目标电力运维场景中已有故障运维标签的目标电力运维场景交互信息、以及所述前序异常状态事件响应于所述过往电力运维场景中已有故障运维标签的过往电力运维场景交互信息；所述目标电力运维场景交互信息的特征细粒度小于所述过往电力运维场景交互信息的特征细粒度；

依据所述目标电力运维场景交互信息对所述目标异常状态事件进行趋势变化挖掘，获得所述目标异常状态事件的第一异常状态发展趋势向量；

依据所述过往电力运维场景交互信息对所述前序异常状态事件进行趋势变化挖掘，获得所述前序异常状态事件的第二异常状态发展趋势向量。

7.根据权利要求1所述的方法，其特征在于，所述过往电力运维场景的个数为若干个；

确定所述前序异常状态事件的第二异常状态发展趋势向量的步骤，包括：

获取前序异常状态事件在每一所述过往电力运维场景中的异常状态前序趋势向量；

集成所述前序异常状态事件在每一所述过往电力运维场景中各自对应的异常状态前序趋势向量，得到所述前序异常状态事件的第二异常状态发展趋势向量。

8.一种智能电网分析系统，其特征在于，包括至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行权利要求1‑7任一项所述的方法。