1.一种电力系统数据远程监控及控制方法，其特征在于，包括以下步骤：S1、实时采集电力系统运行过程中的实时电流、电压、设备温度、机械振动数据，通过混合加密算法对初步处理后的数据进行加密，通过基于深度学习的压缩算法对加密后的数据进行压缩，传输至数据处理中心；

S2、数据处理中心对接收的数据进行解压缩和解密，并对数据进行清洗，去除数据中的噪声、异常值和重复数据；

S3、构建卷积神经网络模型，对电流、电压波形数据进行特征学习，提取反映电力系统运行状态的关键特征数据；通过聚类算法，对设备温度、机械振动数据进行聚类分析，识别设备运行状态的异常特征数据；

S4、采用SVM算法，根据特征数据与已知故障类型的对应关系，对电力系统当前运行状态进行故障诊断，利用LSTM对电力系统未来一段时间内的运行数据进行预测；

S5、设定不同级别的预警阈值，当检测到的数据超过相应预警阈值或预测到潜在故障时，根据故障的严重程度和影响范围发出预警信息，并在监控界面上标识故障位置和类型。

2.根据权利要求1所述的电力系统数据远程监控及控制方法，其特征在于，步骤S1中，通过混合加密算法对初步处理后的数据进行加密，具体方法如下：S101、密钥生成：

对称加密密钥生成：随机生成一个长度为 位的对称加密密钥 ，表示为：；其中， 代表生成一个 位的随机数；

非对称加密密钥对生成：采用RSA算法生成非对称加密算法的公钥和私钥；

S102、数据的对称加密：

采集并初步处理的数据为 ，采用AES算法对数据 进行加密；对称加密函数表示为，则加密后的数据 为： ；

S103、对称加密密钥的非对称加密：使用非对称加密算法的公钥 对对称加密密钥 进行加密；非对称加密函数表示为，则加密后的对称加密密钥 为： ；

S104、最终加密数据：

最终用于传输的加密数据 由加密后的数据 和加密后的对称加密密钥 组成，表示为： 。

3.根据权利要求2所述的电力系统数据远程监控及控制方法，其特征在于，步骤S1中，通过基于深度学习的压缩算法对加密后的数据进行压缩，具体方法如下：S111、将加密后的数据 转换为适合深度学习模型输入的数值向量 ：；

其中， 是预处理函数，用于将字节序列转换为数值向量；

S112、构建深度学习模型：采用自编码器作为深度学习模型进行数据压缩，包括编码器和解码器两部分；

所述编码器将输入数据 映射到低维潜在空间中的向量 ，实现数据的压缩；所述解码器将潜在空间中的向量 重构为与输入数据 相似的输出 ；

S113、模型训练：使用若干电力设备运行数据进行训练，目标为最小化重构误差，使用MSE作为损失函数：；

其中，是训练数据的数量， 是第 个输入数据， 是第 个重构后的数据；

使用随机梯度下降法更新编码器和解码器的权重和偏置，以最小化损失函数 ；

S114、数据压缩：使用训练好的编码器对加密后的数据 进行压缩，得到潜在空间中的向量 ：；

其中， 是训练好的编码器。

4.根据权利要求3所述的电力系统数据远程监控及控制方法，其特征在于，步骤S112中，所述编码器和解码器均由多个神经网络层组成；

编码器共有 层，第 层的输出 的计算方法如下：；

编码器输出潜在空间中的向量： ；

其中， 是第 层的权重矩阵， 是第 层的偏置向量，是激活函数；

解码器共有 层，第 层的输出 的计算方法如下：；

解码器输出 是重构后的数据： ；

其中， 是第 层的权重矩阵， 是第 层的偏置向量。

5.根据权利要求3所述的电力系统数据远程监控及控制方法，其特征在于，步骤S2中，数据处理中心对接收的数据进行解压缩和解密，具体方法如下：S201、数据解压缩：

在接收端，使用训练好的解码器对压缩后的数据 进行解压缩，得到重构后的数据：；

其中， 是训练好的解码器；

将重构后的数据 进行逆预处理，得到解密后的数据 ：；

其中， 是逆预处理函数，用于将数值向量转换为字节序列；

S202、对称加密密钥的解密：

接收方使用非对称加密算法的私钥 对加密后的对称加密密钥 进行解密；非对称解密函数表示为 ，则解密后的对称加密密钥 为： ；

S203、数据的解密：

接收方使用解密后的对称加密密钥 对加密后的数据 进行解密；对称解密函数表示为 ，则解密后的数据为： 。

6.根据权利要求1所述的电力系统数据远程监控及控制方法，其特征在于，步骤S3中，提取反映电力系统运行状态的关键特征数据，具体方法如下：S301、将连续采集的电流、电压数据，截取成长度为T的固定时间窗口时序片段，转换为二维矩阵，并进行归一化处理；

S302、构建卷积神经网络模型：

输入层包括：第一卷积层、第二卷积层，两层卷积层的激活函数均选用ReLU；第一卷积层采用小卷积核，步长为1，第二层卷积层采用大卷积核；

采用最大池化对卷积层输出进行降维，池化窗口大小为2×1，步长为2；

将池化后的特征向量展平为一维向量，输入全连接层；

S303、特征学习：

利用卷积核在时序片段上滑动，通过权重共享机制提取局部模式；其中，小卷积核用于捕捉高频噪声、暂态扰动，大卷积核用于捕捉低频趋势、稳态特征；

利用浅层卷积层学习基础特征，包括单个周期内的波形斜率、谐波幅值；利用卷积层通过跨层连接，学习高阶特征，包括多周期波形的畸变模式、电流与电压的相位差；并行搭建不同卷积核尺寸的分支，分别提取不同时间尺度的特征；

S304、特征筛选与融合：

通过L1正则化计算特征重要性分数，筛选出对故障诊断或聚类分析贡献度高的特征，通过通道拼接的方式对电流和电压的特征图进行融合，生成包含电气量耦合关系的复合特征，得到反映电力系统运行状态的关键特征向量。

7.根据权利要求6所述的电力系统数据远程监控及控制方法，其特征在于，步骤S301中，将连续采集的电流、电压波形数据转换为二维矩阵，并进行归一化处理，具体方法如下：S3011、将原始时域电流信号 、电压信号 进行带通滤波：；

；

其中， 为带通滤波器的冲激响应；

S3012、对滤波后的电流信号 、电压信号 进行滑动窗口分割：将滤波后连续的实时电流、电压数据按每秒为时间间隔，截取成长度为T的固定时间窗口时序片段，每个片段对应一个双通道输入样本 ；

窗口长度为N，步长为S，第k个窗口的电流窗口、电压窗口信号为：；

；

S3013、对电流窗口信号、电压窗口信号进行时频特征提取：；

；

其中， 为窗函， 为时间索引，为频率索引， 为傅立叶变化指数形式；

S3014、计算频谱幅值矩阵：

；

；

S3015、频谱幅值矩阵归一化处理：；

；

S3016、构建多通道矩阵：将电流和电压的二维矩阵组合为双通道矩阵：。

8.根据权利要求7所述的电力系统数据远程监控及控制方法，其特征在于，步骤S3中，识别设备运行状态的异常特征数据，具体方法如下：S311、对温度数据和振动数据进行归一化，消除量纲影响；

S312、将每个设备的温度数据和振动数据组合为二维特征向量：；

其中，为设备 的温度值， 为设备 的振动值；

S313、设定聚类数 ，随机选取 个初始聚类中心： ；

计算每个数据点到各聚类中心的欧氏距离，分配至距离最近的簇：；

其中，为数据点 所属簇标签， 为第 次迭代的第 个聚类中心；

根据当前簇内数据点，重新计算聚类中心：；

其中， 为第 个簇的数据点集合， 为该簇数据点数量；

S314、当聚类中心变化小于预设阈值， ，为预设阈值或达到最大迭代次数时，停止迭代；

S315、根据业务经验或历史数据标注簇标签：若簇的温度均值高于正常阈值或振动幅值超出设备运行标准，判定为异常模式簇；另一簇为正常模式簇；

S316、对于新采集的特征向量 ，计算所属簇 ：；

其中， 为第 个聚类中心，若 值为异常簇标签，判定设备运行状态异常，记录设备运行状态异常时所采集的异常特征数据；

S317、将关键特征数据与异常特整数据融合为统一的特征数据，得到统一的特征向量：基于关键特征数据 与异常特整数据 尺度差异，对关键特征数据 进行二次归一化，进行特征拼接得到整合特征：；

其中， 表示欧几里得空间的维度，为异常标签的数值编码。

9.根据权利要求8所述的电力系统数据远程监控及控制方法，其特征在于，步骤S4中，对电力系统当前运行状态进行故障诊断，具体方法如下：S401、将步骤S3获取的特征数据按照7：3比例划分为训练集和测试集；

S402、采用径向基核函数构建非线性SVM模型，设置超参数取值范围，使用5折交叉验证，以测试集准确率为评价指标，通过网格搜索确定最优超参数；

S403、将训练集输入到确定好超参数的SVM模型中进行训练，训练完成后，将测试集输入到训练好的SVM模型中，得到每个测试样本的预测故障类型标签；

S404、对于每个测试样本，将预测的故障类型标签与实际的故障类型标签进行对比，若一致，则样本诊断正确，若不一致，则样本诊断错误；统计测试集中诊断正确的样本数量，计算测试集准确率：S405、将处理后的特征数据输入到训练好的SVM模型中，输出对应的故障类型标签。

10.根据权利要求1所述的电力系统数据远程监控及控制方法，其特征在于，步骤S4中，利用LSTM对电力系统未来一段时间内的运行数据进行预测，具体方法如下：S411、将电力系统历史运行数据作为一维时序序列，通过滑动窗口法，按设定的窗口大小和预测步长，把序列转换为输入‑输出对，并对数据进行归一化处理；

S412、搭建LSTM网络，输入层维度依据数据特征设定，隐藏层由多层LSTM单元组成，输出层为全连接层，神经元数量与预测步长对应，通过遗忘门、输入门、输出门和细胞状态更新机制，捕捉数据的长期依赖关系；

S413、以均方误差为损失函数，Adam为优化器，用训练数据对模型进行训练，通过反向传播算法调整模型参数；

S414、将实时采集的数据输入训练好的模型进行预测，并将预测结果逆归一化，还原为原始数据尺度。