输变电设备状态量的检测是由各个传感器来完成的，经过底层的预处理而上传到数据库进行状态评估的原始数据可以认为是按照时间序列排列的特征量数据。这些数据的统一格式为“时间.特征量=数值”。因此，可认为采集的所有状态量形成了一个单元或多元的连续而完整的时间序列[14]，如矩阵X所示：

式中，Xlh为状态量l在h时刻的数值。

输变电设备正常运行状态下的状态数据一般呈现如下三种规律，并都可适用于时间序列方法：一、状态量幅值变化较小，如导线拉力、接地电流、油中气体C2H2等，这些数据都属于平稳序列，可直接用自回归移动平均函数ARMA（p，q）拟合；二、状态量呈缓慢上升趋势，如油中气体CO和CO2，可以通过差分方法转化为平稳序列，并用自回归积分移动平均函数ARIMA（p，d，q）拟合；三、状态量呈周期性变化，在时间序列上表现为s个时间间隔后的观测点呈现相似性，如油温、导线线温等，可通过ARIMA（p，d，q）拟合。(www.daowen.com)

根据输变电设备的运行特点，状态数据中的异常通常表现为两种形式：一、可用于数据清洗的异常，即噪声点和缺失值；二、设备运行状态受到干扰而导致的数据异常。噪声点是指由于仪器异常或设备系统的扰动而引起的严重偏离期望值的数据，这些数据不仅影响模型拟合的精度，而且会导致后续状态评估出现偏差，引起误诊。缺失值是指由于传感器的短时失效、通信端口异常、记录失误等因素引起的数据中断，状态数据中存在的缺失值破坏了系统运行的连续性，不利于后续的状态评估和趋势检验。设备在运行过程中会发生突发性故障、绝缘劣化等，这些常常会引起数据的水平迁移异常和趋势改变性异常，此类数据反映了设备运行工况的异常，不属于清洗范畴。设备状态数据的时间序列中往往含有多个异常数据，修复所有的噪声点和缺失值是设备状态数据清洗的目标，同时也要保证突发性故障信息的有效获取，而不是作为异常数据被剔除。