1.一种基于大数据的智慧变电站实时监控系统，其特征在于，包括：多源采集处理模块、动态拓扑更新模块、设备状态监测模块、故障诊断预测模块、设备寿命预测模块、能效分析优化模块以及远程运维调度模块；

所述多源采集处理模块用于收集部署在变电站各电力设备的不同传感器采集的实时检测数据，并预处理收集的各组检测数据；

所述动态拓扑更新模块用于建立电力设备关联图谱，并基于预处理后的各检测数据，动态更新电力设备关联图谱；

动态拓扑更新模块收集变电站中的各组电力设备，并将其作为节点，根据设备之间的电气连接关系，建立各节点之间的边，用以连接各节点，根据各节点以及各节点之间的边建立电力设备关联图谱，并初始化每个节点特征，特征包括检测数据、设备历史运行状态和故障记录，并依据实时收集的各组检测数据动态更新电力设备关联图谱；

所述设备状态监测模块基于实时接收的预处理后的检测数据以及电力设备关联图谱，监测分析变电站各电力设备运行状态；

所述故障诊断预测模块依据变电站各电力设备运行状态的实时分析结果以及设备老化情况，预测变电站各电力设备的潜在故障；

所述设备寿命预测模块用于构建设备虚拟模型，基于变电站各电力设备运行状态的实时分析结果以及故障预测结果，分析各设备老化情况；

所述能效分析优化模块依据变电站各电力设备运行状态的实时分析结果以及电力设备关联图谱，优化变电站各电力设备运行模式；

所述远程运维调度模块用于结合变电站各电力设备故障检测数据、运行模式以及寿命预测结果，优化变电站检修计划。

2.根据权利要求1所述的一种基于大数据的智慧变电站实时监控系统，其特征在于，所述多源采集处理模块预处理收集的各组检测数据的具体步骤如下：S1.1：多源采集处理模块接收不同传感器采集到的各检测数据，包括温度数据、电压数据、湿度数据与超声数据各检测数据，将同一类型的检测数据分为一组，之后通过时间窗口重采样方法将各组检测数据的采样时间步长进行同步，同步完成后，通过单位标准化处理，统一各组检测数据的单位；

S1.2：将各组检测数据按照数据数值由小到大排列，并分别将各组检测数据的25%位置以及75%位置的数值，作为各组数据的第一四分位数Q1以及第三四分位数Q3，并通过Q3‑Q1获取各组检测数据的四分位距IQR，之后基于IQR，将Q1−1.5×IQR作为下边界，将Q3+1.5×IQR作为上边界，以绘制对应箱线图，遍历各组检测数据，若存在检测数据低于下边界或高于上边界，则将该检测数据标记为异常值；

S1.3：遍历各组检测数据，并统计各组检测数据中的缺失值，之后通过线性插值填补各缺失值，再通过均值填充处理替换各异常值，异常值处理完成后，重新计算Q1、Q3以及IQR，并绘制新的箱线图再次进行异常检测，验证各组检测数据质量，验证通过后，通过归一化处理将各组检测数据统一至[0，1]范围内。

3.根据权利要求2所述的一种基于大数据的智慧变电站实时监控系统，其特征在于，所述设备状态监测模块监测分析变电站各电力设备运行状态的具体步骤如下：S2.1：状态监测模块基于ST‑GCN架构建立监测分析模型，该监测分析模型包括输入层、GCN层、TCN层以及输出层，将动态拓扑更新模块建立的电力设备关联图谱记录的各组数据以及预处理后的各组实时检测数据，作为输入数据出传输至监测分析模型中，其中，电力设备关联图谱记录的各组数据包括历史检测数据、各电力设备连接关系、设备历史运行状态和故障记录；

S2.2：监测分析模型接收输入数据，并进行前向传播，GCN层依据输入数据，建立各电力设备间的邻接矩阵，并对邻接矩阵进行归一化处理，再对归一化后的邻接矩阵进行图卷积处理，以提取各电力设备状态的空间特征，之后利用TCN层的1D卷积核提取各电力设备的时间特征；

S2.3：通过多组GCN层与TCN层逐层提取各电力设备的空间特征以及时间特征，输出层接收最终提取的空间特征以及时间特征，并通过激活函数对各特征数据进行非线性激活处理，并输出各电力设备之间的故障关联以及预测各类型故障发生概率，同时依据故障关联结果以及各类型故障发生概率，提前预警存在的故障传播路径，并根据实际电力设备故障情况对监测分析模型进行参数更新。

4.根据权利要求3所述的一种基于大数据的智慧变电站实时监控系统，其特征在于，设备寿命预测模块分析各设备老化情况的具体步骤如下：S3.1：设备寿命预测模块通过工作人员实际测量或设备厂家说明书的方式，采集各电气设备的物理参数，并基于收集的各物理参数构建设备仿真模型，根据电气设备内部结构、组件以及运行机理，建立对应组件的物理方程，并采用有限元方法对电气设备进行网格剖分，之后结合实时传感器数据，求解各设备仿真模型的物理方程，以获取电气设备内部状态分布；

S3.2：基于各设备仿真模型构建对应的老化预测模型，并将各电力设备历史运行数据划分为训练集以及测试集，将训练集数据输入老化预测模型中，通过前向传播算法，逐层对输入的各训练集数据进行处理，并输出最终电力设备老化预测值，之后比较老化预测值与历史真实老化值，通过均方误差计算对应模型误差值；

S3.3：若模型误差值高于预设阈值，则将误差值输入老化预测模型，并通过反向传播算法，调整老化预测模型参数，每轮训练结束后，将测试集数据输入至老化预测模型中，并计算训练后老化预测模型的误差值，若误差值收敛至预设范围内，则停止训练，否则，继续训练模型；

S3.4：将当前各电力设备运行状态以及故障预测结果，分别输入至对应的老化预测模型中，通过前向传播算法预测各电力设备的老化趋势残差，并基于老化趋势残差修正后的各电力设备剩余寿命，同时输出修正后的各电力设备剩余寿命，比较最新寿命预测结果与前一轮寿命预测结果，若电力设备寿命预测值差距超出预设阈值，则提前生成预警，并制定维护计划。

5.一种基于大数据的智慧变电站实时监控方法，用于实现权利要求1‑4的任一项所述一种基于大数据的智慧变电站实时监控系统功能，其特征在于，包括以下步骤：Ⅰ、采集并预处理变电站各电力设备的运行数据及环境数据；

Ⅱ、根据采集的各组数据，构建电力设备关联图谱，分析多设备间的隐性故障关联，并优化变电站的检修策略；

Ⅲ、通过零信任访问控制机制实时管理数据访问权限，并基于实时工况数据预测各变电站电力设备寿命；

Ⅳ、实时分析各电力设备损耗与可再生能源出力各因素，并动态调整运行模式。

6.根据权利要求5所述的一种基于大数据的智慧变电站实时监控方法，其特征在于，步骤Ⅱ所述优化变电站的检修策略的具体步骤如下：S4.1：依据各电力设备运行状态、检测数据以及维护资源，分别构建对应的设备状态空间，并收集不同检修操作以及各操作对应不同的成本、风险及收益，以构建对应动作空间，基于维护成本、可靠性收益以及经济损失设置奖励函数；

S4.2：将当前电力设备在状态作为根节点，基于动作空间中的各检修决策，生成根节点对应的多组子节点，以建立初始策略树，之后从根节点开始，计算各子节点的上置信界值，并基于UCB选择策略，逐层选择上置信界值最高的子节点，直至选择到一组未完全扩展的子节点；

S4.3：选择动作空间中该子节点未使用的检修操作，并扩展新的子节点，之后基于当前子节点随机选择任一新的子节点，并模拟对应电力设备在当前检测操作下的健康状态演变，并通过奖励函数计算策略收益，再将模拟结果回传至根节点，并更新各节点的累计奖励和访问次数；

S4.4：重复进行选择、扩展、模拟以及回溯，直至各节点的累计奖励在多轮迭代中变化值收敛至预设阈值后，则停止迭代，之后选择累计奖励最高的节点路径，并基于该节点路径中各节点对应的各检测操作构建完整的检修策略，并对原有检修策略进行调整，同时依据后续各电力设备运行状态、检测数据以及维护资源的变化情况，动态更新检修策略。

7.根据权利要求5所述的一种基于大数据的智慧变电站实时监控方法，其特征在于，步骤Ⅳ所述动态调整运行模式的具体步骤如下：S5.1：收集变电站的输入碳排放量、输出碳排放量、碳减排量以及碳排放损耗，并构建碳流矩阵，以生成对应变电站碳流平衡方程，再分别以最小化碳排放总量、最大化变电站综合能效以及降低运行成本三组优化目标建立适应度函数；

S5.2：初始化一组种群，种群中各个体分别代表一组变电站运行参数，之后初始化各个体位置和速度，并通过适应度函数分别计算每组个体的适应度值，之后将适应度值最高的个体位置作为全局最优位置，并选择各个体自身的历史适应度值最高的个体位置作为局部最优位置；

S5.3：根据全局最优位置与局部最优位置更新各个体的速度，再基于更新后的速度值，对各个体位置进行更新，各个体位置更新完成后，通过NSGA‑II算法选择最优个体，并重新进行全局最优位置更新、局部最优位置更新、个体速度更新以及个体位置更新；

S5.4：反复更新迭代，直至全局最优位置的个体适应度值收敛至预设阈值，则停止优化，并选择最优个体对应的变电站运行参数，将其作为最优运行模式，基于选择的最优运行模式调整变电站负荷分配、储能充放电以及设备运行。