1.一种用于电力设备相位分辩的局放网络训练方法，其特征在于，包括以下步骤：(1)采集局放测量信号的相位分辩的局部放电图谱，形成电力设备局部放电原始检测样本集D，并对所述原始检测样本集D中的原始检测样本进行预处理；原始检测样本集D＝{d 1 ,d 2 ,...,d i ,...,d n }，n为采集的样本总量，1≤i≤n；所述原始检测样本通过三维数据表示，d i ＝＜θ,t,Q＞，其中，θ为相位角，t为时间，Q为缺陷率，θ,t,Q分别置于x轴方向、y轴方向和z轴方向；(2)采用白化机制对预处理后的检测样本进行再处理，并将部分检测样本作为训练数据输入到神经网络输入层；采用白化机制对预处理后的检测样本进行再处理，包括：(21)分别求得所有训练样本对应的三个特征θ,t,Q的平均值，对所有的样本减去对应特征的平均值，得到均值为零，方差相等的训练样本DataAdjust(m*3)，m为训练样本的样例数；(22)求训练样本DataAdjust的特征协方差矩阵C(3*3)，表示为：其中，cov()为各个特征值之间的协方差矩阵；(23)分别求所述协方差矩阵对应的特征值values(3*1)和特征向量vectors(3*3)，将所述特征值values按照从大到小的顺序排序，选择其中最大的2个，然后将其对应的2个特征向量分别作为列向量组成特征向量矩阵；(24)将训练样本点投影到选取的二维平面上，二维平面由协方差矩阵的主特征向量u 1 和与主特征向量正交方向的协方差矩阵的次特征向量u 2 构成；(25)选择特征值values最大的特征向量vectors作为将为一维的投影基，将训练样本映射到新基上，得到降维后的训练样本ODData；(3)对所述神经网络进行训练，并根据所述神经网络的损失函数优化所述神经网络的输出；神经网络的损失函数S(φ；x,y)表示为：其中，φ为所述神经网络训练的参数集合，x、y分别为神经网络的输入数据和输出数据，y'为样本的人工标注值，η为惩罚系数，η∈[0，∞)，P(*)为惩罚项；(4)采用其余部分的检测样本作为测试数据预测电力设备局部放电故障分类。
2.根据权利要求1所述的用于电力设备相位分辩的局放网络训练方法，其特征在于，所述惩罚项计算公式为：其中，Γ(*)的表示为：
3.一种用于电力设备相位分辩的局放网络训练装置，其特征在于，包括：采集模块，用于采集局放测量信号的相位分辩的局部放电图谱，形成电力设备局部放电原始检测样本集D，并对所述原始检测样本集D中的原始检测样本进行预处理；采集模块还包括样本表示单元，其用于表示原始检测样本集：D＝{d 1 ,d 2 ,...,d i ,...,d n }，其中，n为采集的样本总量，1≤i≤n；所述原始检测样本通过三维数据表示，d i ＝＜θ,t,Q＞，其中，θ为相位角，t为时间，Q为缺陷率，θ,t,Q分别置于x轴方向、y轴方向和z轴方向；数据白化模块，用于采用白化机制对预处理后的检测样本进行再处理，并将部分检测样本作为训练数据输入到神经网络输入层；数据白化模块，还包括：数据归一化单元，用于分别求得所有训练样本对应的三个特征θ,t,Q的平均值，对所有的样本减去对应特征的平均值，得到均值为零，方差相等的训练样本DataAdjust(m*3)，m为训练样本的样例数；协方差矩阵计算单元，用于计算训练样本DataAdjust的特征协方差矩阵C(3*3)，表示为：其中，cov()为各个特征值之间的协方差矩阵；二维平面选取单元，用于分别求所述协方差矩阵对应的特征值values(3*1)和特征向量vectors(3*3)，将所述特征值values按照从大到小的顺序排序，选择其中最大的2个，然后将其对应的2个特征向量分别作为列向量组成特征向量矩阵；二维数据映射单元，用于将训练样本点投影到选取的二维平面上，二维平面由协方差矩阵的主特征向量u 1 和与主特征向量正交方向的协方差矩阵的次特征向量u 2 构成；一维数据映射单元，用于选择特征值values最大的特征向量vectors作为将为一维的投影基，将训练样本映射到新基上，得到降维后的训练样本ODData；模型训练模块，用于对所述神经网络进行训练，并根据所述神经网络的损失函数优化所述神经网络的输出；所述神经网络的损失函数S(φ；x,y)，表示为：其中，φ为所述神经网络训练的参数集合，x、y分别为神经网络的输入数据和输出数据，y'为样本的人工标注值，η为惩罚系数，η∈[0，∞)，P(*)为惩罚项；预测模块，用于采用其余部分的检测样本作为测试数据预测电力设备局部放电故障分类。
4.根据权利要求3所述的用于电力设备相位分辩的局放网络训练装置，其特征在于，所述惩罚项计算公式为：其中，Γ(*)的表示为：
