1.一种基于神经网络模型的带电设备故障诊断方法，其特征在于，所述方法包括以下步骤：S1、采集被测对象的红外图像：为特定区域内所有被测对象开展多次定点、定向、定位的红外精确拍摄；S2、对步骤S1中采集到的红外图像进行图像处理，并建立图像模型库：建立图像模型，透明化图像模型，作为图像模型库保存；S3、关联被测对象的对象名称，提取检测特征：将步骤S2中建立的图像模型与被测对象的对象名称关联；S4、阙值上限设置，制定诊断规则；S5、构建缺陷样本图像的数据集，构建卷积神经网络模型并对卷积神经网络模型进行训练；S6、在线采集被测对象的红外图像，将待检测被测对象的图像输入到上述训练好的卷积神经网络模型中进行图像匹配，通过卷积神经网络模型实现在线的自动诊断，从而识别诊断带电设备存在的故障；S7、将诊断结果上传并储存到诊断系统中，诊断系统根据诊断结果对远程控制端发出预警信号，巡检人员对带电设备进行排查。
2.根据权利要求1所述的一种基于神经网络模型的带电设备故障诊断方法，其特征在于，所述步骤S2包括以下步骤：S2.1、选定红外热图像中被测对象的区域，根据预设的阈值对图像做二值化处理：使用双阈值边缘提取方法实现边缘选取，在高阈值图像中把边缘链接成轮廓，使得整个图像边缘闭合，最终将边缘提取后的图像做矢量化处理，生成一个被测对象的矢量图；S2.2、批量透明化处理所有图像模型：对图像模型轮廓内外的像素做全透明处理，模型图轮廓的像素做半透明处理。
3.根据权利要求1所述的一种基于神经网络模型的带电设备故障诊断方法，其特征在于，所述步骤S3包括以下步骤：S3.1、将步骤S2处理好的图像模型与被测对象的对象名称关联，并关联被测对象图像模型的对象材质与对应的辐射率；S3.2、建立若干分析框，手动提取对齐点，从分析框最小外接矩形边缘出发设置对齐点停止提取条件，以确定分析框区域，将若干分析框根据对齐点覆盖被测对象的被测对象的不同部位，并对不同部位覆盖的分析框进行标记，以及对上述标记的不同分析框内的被测对象进行特征检测提取。
4.根据权利要求3所述的一种基于神经网络模型的带电设备故障诊断方法，其特征在于，所述S3.2中特征检测提取包括以下步骤：步骤1、将被测对象红外热成像的分析框按M*N划分小方格，对分析框进行二维图像坐标系建立，对每个小方格均随机部署f个测量点，(M x ,N y )为每个小方格像素块测量点的坐标，并对每个小方格区域中f个测量点的温度进行测量，记为T fn ，计算并统计每个小方格区域内的平均温度值T mean ，平均温度值如下公式所述：将每个小方格的平均温度T mean 作为小方格的温度；步骤2、对比并记录每个小方格与其相邻小方格的温度差值，将多个相邻小方格的温度差值的温度最大值T max 作为对应分析框的温度梯度K；步骤3、测量被测对象每个小方格的发热部位面积S M,N ，根据被测对象温度和发热部位面积占比的关系建立数学模型，得到温度覆盖率Q n ：步骤4、重新采集影响红外热成像分析框温度变化的数据，所述温度变化的数据包括带电设备环境温度参照体的温度T 环境 、发热点T 异常 和正常点的温度T 正常 ；步骤5、将所述的每个小方格的平均温度T mean 、温度覆盖率Q n 、温度梯度K、环境温度参照体的温度T 环境 、发热点T 异常 和正常点的温度T 正常 作为神经网络模型的特征数据输入样本。
5.根据权利要求1所述的一种基于神经网络模型的带电设备故障诊断方法，其特征在于，所述步骤S5包括以下步骤：S5.1、输入步骤S3.2中检测提取后的特征数据，并进行归一化处理，形成特征数据库；S5.2、将该特征数据库中的数据集中的所有缺陷样本图像划分出训练集和验证集；S5.3、搭建卷积神经网络模型；S5.4、设定迭代周期，输入被测对象缺陷样本图像；S5.5、计算损失函数；S5.6、用优化器进行迭代优化计算，得到更新的卷积神经网络模型的最优的模型参数；S5.7、在每一个迭代周期都进行步骤S5.4到步骤S5.7的迭代优化运算，每迭代一个周期，输出一次验证集准确率，可对参数进行微调或修改迭代周期数来获得最优模型，当迭代周期达到迭代周期设定值时退出训练。
6.根据权利要求1所述的一种基于神经网络模型的带电设备故障诊断方法，其特征在于，所述步骤S1包括区域内对所有被测对象进行精确拍摄，在安全距离允许的情况下，被测对象充满红外热成像画面且未被遮挡，保存被测对象的红外热像图。
7.根据权利要求1所述的一种基于神经网络模型的带电设备故障诊断方法，其特征在于，所述缺陷性质包括无缺陷、一般缺陷、严重缺陷和紧急缺陷；所述被测对象制热类型包括电流制热型和电压制热型，每个被测对象对应一个或者多个制热类型，被测对象与制热类型关联；所述故障特征包括被测对象发热部位存在接触不良或老化积灰现象。
8.根据权利要求1或4所述的一种基于神经网络模型的带电设备故障诊断方法，其特征在于，所述步骤S4包括：S4.1、设置被测对象某一部位正常发热情况下的温度为T 正常 ，异常发热情况下的温度T 异常 ，环境温度为T 环境 ，可得到：其中τ1表示发热点的温升；τ2表示正常相对应点的温升；当温差θ≥80％，则表示被测对象的缺陷性质为严重缺陷，并发出报警；当温差θ≥95％，则表示被测对象的缺陷性质为紧急缺陷，并发出报警；S4.2、设定被测对象红外成像分析框的正常发热情况下的最大温度为T 正常max ，最小温度为T 正常min ，设置温度阙值范围为[T 正常min ,T 正常max ]，当存在小方格的温度梯度K超过设定阙值，则发出报警；S4.3、将分析框的每个小方格的平均温度T mean ，若该分析框内的温度总和超过温度阙值范围[T 正常min ,T 正常max ]，则发出报警；S4.4、比较被测对象不同分析框的温度覆盖率Q n ，通过比较判断被测对象的缺陷性质。
9.根据权利要求1所述的一种基于神经网络模型的带电设备故障诊断方法，其特征在于，所述步骤S6包括以下步骤：S6.1、根据带电检测的巡检顺序生成一个任务列表，巡检过程中按照任务列表的顺序拍摄；S6.2、选择热像装置的任务模式，界面一侧显示被测对象的任务列表，主界面显示实时的红外热像图，任务列表中的被测对象对应的图像模型及分析框自动叠加在红外热像图的中间区域；S6.3、拍摄者调整画面中被测对象的大小、位置使被测对象与图像模型重合，热像装置自动保存该被测对象的红外热像图，同时保存拍摄时间；S6.4、将任务列表中的所有被测对象拍摄完毕后，将保存的红外热像图输入到上述训练好的卷积神经网络模型中与训练集进行图像匹配；S6.5、根据诊断规则对被测对象进行诊断，并自动冻结图像，冻结的红外图像上叠加被测设备的诊断结果。
10.根据权利要求9所述的一种基于神经网络模型的带电设备故障诊断方法，其特征在于，所述步骤S6.4中包括巡检人员根据被测对象当时的负荷、风速以及环境温度，修正被测对象的分析框内的温度，所述修正包括以下步骤：S7.1、采用二次线性方程拟合建立测温数学模型，分布得到被测对象温度T与负荷P的关系T 修正1 ＝f 1 (T,P)、被测对象温度T与风速W的关系T 修正2 ＝f 2 (T,W)以及被测对象温度T与环境温度T 环境 的关系T 修正3 ＝f 3 (T,T 环境 )；S7.2、读取被测对象当时的负荷P、风速W以及环境温度T 环境 ，将被测对象采集的红外图像上的温度，代入f1(T，P)，得到的T 修正1 作为T代入T 修正2 ＝f 2 (T,W)，再代入T 修正3 ＝f 3 (T,T 环境 )得到最终修正的被测对象的修正后的实测温度分布。
