1.放电和干扰信号样本生成方法，其特征在于，包括以下步骤：S1：采集高压电缆局部放电和干扰数据，包括通过现场采集数据获得高压电缆局部放电和干扰数据，以及通过采集实验室试验数据获得高压电缆局部放电和干扰数据；将所述通过采集实验室试验数据获得的高压电缆局部放电和干扰数据进行划分，其中70％为生成模型训练数据集，30％为判别模型训练数据集；将所述通过现场采集数据获得的高压电缆局部放电和干扰数据加入判别模型训练数据集；S2：提取所述生成模型训练数据集的噪声信号特征；S3：构建基于GAN的生成模型和基于GAN的判别模型，将从生成模型训练数据集提取的噪声信号特征输入所述生成模型中进行训练，将所述判别模型训练数据集输入所述判别模型中进行训练，然后通过迭代的方式依次将所述生成模型得到的生成结果输入所述判别模型中进行训练，以及将根据所述判别模型得到的判别结果计算的损失函数输入所述生成模型中进行训练，得到完成训练的生成模型和判别模型；S4：采集实验室试验数据获得的高压电缆局部放电和干扰数据后输入完成训练的生成模型和判别模型中，分别输出得到局放样本信号和干扰样本信号。
2.根据权利要求1所述的放电和干扰信号样本生成方法，其特征在于，所述S3步骤中，其具体步骤包括：S3.1：将从生成模型训练数据集提取得到的噪声信号特征输入所述基于GAN的生成模型中进行训练，得到生成函数G(x)，其中G(x)为0～1范围内的实数，0表示生成结果为“假”，1表示生成结果为“真”；S3.2：将所述判别模型训练数据集输入所述基于GAN的判别模型中进行训练，得到判别函数D(x)，其中D(x)为0～1范围内的实数，0表示判别结果为“假”，1表示判别结果为“真”；S3.3：定义损失函数loss为：loss＝1-D(x)；将所述S3.1步骤中训练生成的局放信号输入所述完成训练的判别模型中，更新判别函数D(x)，然后计算损失函数loss；S3.4：将所述损失函数loss输入所述完成训练的生成模型中生成新局放信号，更新生成函数G(x)，使G(x)→1，即所述基于GAN的生成模型生成结果趋向于为“真”；S3.5：将所述S3.4步骤中生成的新局放信号输入所述S3.2步骤中完成训练的判别模型中，更新判别函数D(x)，使D(x)→0，即所述基于GAN的判别模型输出的判别结果趋向于“假”；S3.6：跳转执行S3.4步骤，优化基于GAN的生成模型和基于GAN的判别模型内部参数，并更新生成函数G(x)和判别函数D(x)，至满足下式：其中，V(D,G)表示衡量函数 和E z～pz(z) [·]之间差距程度的函数，当给定生成函数G(x)时，选择一个判别函数D(x)，使得D(x)最大，即 也最大， 与E z～pz(z) [·]之间的差距最大；当给定判别函数D(x)时，选择一个生成函数G(x)，使G(x)最小，即E z～pz(z) [·]最小； 表示优化训练后模型的判别函数D(x)的取值，使其趋向于“0”，判别为“假”，E z～pz(z) [·]表示训练后生成函数G(x)的取值，使其趋向于“1”，生成为“真”；S3.7：判断生成函数G(x)和判别函数D(x)是否达到纳什平衡：若是，则得到完成训练的生成模型和判别模型，若否，则跳转执行S3.1步骤。
3.根据权利要求2所述的放电和干扰信号样本生成方法，其特征在于，所述S3.7步骤中，判断生成函数G(x)和判别函数D(x)是否满足纳什平衡的表达公式如下：G(x)＝D(x)＝0.5。
4.根据权利要求2所述的放电和干扰信号样本生成方法，其特征在于，所述S4步骤中，其具体步骤如下：S4.1：将通过采集实验室试验数据获得的高压电缆局部放电和干扰数据划分为第一数据集、第二数据集，然后分别输入完成训练的生成模型和判别模型中，分别输出得到生成结果和判别结果；S4.2：根据所述S4.1步骤得到的判别结果计算损失函数loss，将所述损失函数loss输入所述完成训练的生成模型中进一步输出生成结果；将所述S4.1步骤得到的生成结果输入所述完成训练的判别模型中进一步输出判别结果；所述完成训练的生成模型和判别模型分别输出的生成结果和判别结果即为局放样本信号和干扰样本信号。
5.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的放电和干扰信号样本生成方法的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的放电和干扰信号样本生成方法的步骤。
