随着国民经济的高速稳定增长,电力系统的规模日益扩大,电网结构日趋复杂,保证系统的安全运行、回避可能带来的停电损失也变得越发重要。架空线作为电力系统的重要组成部分,能否保持较好的运行状态、在出现不健康状态时能否得到及时处理,对电网的安全可靠运行有着重大影响。本文提出了结合时间序列分析与深度学习的组合模型的架空线数据挖掘方法,先用自回归综合滑动平均模型对架空线的关键状态量进行拟合,提取其中的线性特征,并用传递函数模型表达环境要素对关键状态量的线性作用,以干预变量模型表达突发事件对设备状态的影响;再通过采用长短时记忆单元的反馈神经网络对模型的残差进行拟合,提取外部条件对设备的非线性作用,以对时间序列模型进行修正,提升预测精度;采用自适应的学习率调整方法,优化模型的收敛速度。采用spark实现数据并行,方便模型与电力大数据平台对接的同时加快运算效率。对广州市某杆塔的顺线倾斜角建立了带有干预变量的时间序列模型,并用LSTM模型对其残差进行了拟合,取得了较好的精确度。以广州市某220kV架空线上一杆塔的绝缘子污秽情况拟合问题为例,建立了其绝缘子等值附盐密度的时间序列模型,然后用空间插值的方法求解杆塔周围的微气象要素,作为长短时记忆神经网络的输入,对等值附盐密度的残差进行估计。实验表明,这一方法可以精准地反映一段时间内状态量的变化情况,在spark上运行有较好的提速比。