1.一种电力设备局部放电信号放电类型识别方法，其特征在于，所述的识别方法包括下列步骤：S1、获取已知类型的局部放电时域波形，建立局部放电类型指纹库；S2、运用小波包对局部放电信号进行去噪预处理；S3、对局部放电信号进行S变换，得到时频矩阵A；S4、对局部放电信号进行谱峭度分解，提取出时频矩阵B，所述步骤S4包括以下步骤：S41、对离散局部放电信号进行短时傅里叶变换， 其中x(l)为离散局部放电信号，w(t)是长度为N w 的窗函数，X STFT (t,f)是x(l)经过短时傅里叶变换后的信号；S42、谱峭度估计值为： 其中，S n (f)为信号n阶谱矩，E〈.〉为均值计算，|.|为取模计算；S43、根据谱峭度性质，周期性窄带干扰谱峭度接近-1，平稳随机干扰谱峭度接近0，从时频矩阵A中提取出局部放电信号所在的频带范围的时频矩阵B；S5、对时频矩阵B进行奇异值分解，选取合适的奇异值个数，并归一化奇异值作为特征向量；S6、将训练样本的特征向量作为遗传算法优化的概率神经网络输入，训练得到最优PNN网络结构；S7、将检验样本特征向量输入最优PNN网络结构，得到局部放电信号类型。
2.根据权利要求1所述的一种电力设备局部放电信号放电类型识别方法，其特征在于，所述步骤S1中，局部放电类型采用十进制数字标记，建立指纹库。
3.根据权利要求1所述的一种电力设备局部放电信号放电类型识别方法，其特征在于，所述步骤S2包括以下步骤：S21、将局部放电时域波形进行小波包分解，得到近似分量和细节分量；S22、设定预设阈值 其中，δ、n为数据点的标准差与个数，通过预设阈值k处理细节分量，将小于预设阈值k的小波包系数置0；S23、将处理后的小波包系数进行重构，得到去噪后的局部放电信号。
4.根据权利要求1所述的一种电力设备局部放电信号放电类型识别方法，其特征在于，所述步骤S3过程如下：对局部放电信号进行S变换，其中，局部放电信号为离散信号，对离散信号进行S变换计算公式为：式中i,m,n＝0,1,...,N-1，T、N分别为采样间隔和采样点数，x((i+n)/NT)是离散局部放电信号，S(mT,n/NT)为经过S变换后得到的时频矩阵，记为时频矩阵A，时频矩阵A中，mT代表时间序列，n/NT代表频率值。
5.根据权利要求1所述的一种电力设备局部放电信号放电类型识别方法，其特征在于，所述窗函数选择汉明窗函数，窗口长度选择2 n 。
6.根据权利要求1所述的一种电力设备局部放电信号放电类型识别方法，其特征在于，所述步骤S5包括以下步骤：S51、对时频矩阵B进行奇异值分解，分解成 其中矩阵U、V分别为m×m、n×n的正交矩阵，D＝diag(λ 1 ,λ 2 ,...,λ r )(r＝min(m,n))，奇异值λ i 满足λ 1 ≥λ 2 ≥...≥λ r ＞0，u i 和v i 表示m、n维列向量；S52、选取前n个奇异值，并将其归一化后作为特征向量TT＝[λ 1 ′,λ 2 ′,...,λ n ′]，前n个特征值应满足：
7.根据权利要求1所述的一种电力设备局部放电信号放电类型识别方法，其特征在于，所述步骤S6包括以下步骤：S61、使用matlab自带PNN函数构建PNN网络，其中，PNN网络参数如下：种群个体数NIND＝40，最大遗传代数MAXGEN＝20，代沟GGAP＝0.95，交叉概率px＝0.7，变异概率pm＝0.01；S62、确定优化参数为平滑因子δ，以分类准确率acc＝Y 预测 /Y 实际 为适应度值；S63、将训练样本的特征向量作为遗传算法优化的概率神经网络输入；S64、使用谢菲尔德大学的遗传工具箱的遗传算法得到acc最高时的平滑因子δ，获得最佳PNN网络结构。
8.根据权利要求7所述的一种电力设备局部放电信号放电类型识别方法，其特征在于，所述步骤S64包括以下步骤：S641、初始化种群；根据平滑因子δ的区间[0,100]形成初始种群[δ 1 ,δ 2 ,...,δ NIND ]，NIND为种群个体数；S642、将种群个体分别代入PNN网络训练，以分类准确率acc为适应度值；S643、对种群进行分配适应度值、选择、重组变异，得到子代适应度值；S644、将子代重插入父代，得到新种群与子代适应度值；S645、记录每代平滑因子δ与分类准确率acc最优值；S646、若遗传代数未达到最大，则将得到的平滑因子δ最优值代入概率神经网络，转到步骤S643，继续寻优；若遗传代数达到最大，退出运行，得到最佳PNN模型。
