1.一种基于GIL金属微粒局部放电时域波形图像的故障识别方法，其特征在于，所述方法包括以下步骤：步骤1：采集不同故障类型下的GIL金属微粒局部放电时域波形历史图像；步骤2：对所述步骤1中的GIL内部金属微粒局部放电的时域波形历史图像进行预处理，构造训练数据样本集和测试数据样本集，其中，预处理是指使用直方图均衡化算法对GIL内部金属微粒局部放电的时域波形图像进行图像增强处理；步骤3：利用SVM二分类器对预处理得到的训练数据样本集进行训练，确定分类器模型；步骤4：将所述步骤2中的测试数据样本集输入步骤3训练后确定的分类器模型中，对所述分类器中各个节点进行优化，得到最终的DAG分类器模型；所述测试数据样本在输入步骤3的分类器的模型之前，对数据进行一维化归一化处理，将处理好的数据分为训练集和测试集，把训练集输入训练模型；所述步骤4对所述分类器中各个节点进行优化，包括以下步骤：步骤401：通过叠加多层受限玻尔兹曼机网络和一层BP神经网络来构建训练模型；步骤402：将测试数据样本一维化归一化处理，将处理好的数据分为训练集和测试集，把训练集输入训练模型的最底层的受限玻尔兹曼机网络层；步骤403：开始进行无监督预训练，随机初始化受限玻尔兹曼机网络的参数ε＝(a,b,ω)，权值ω，可视层偏置b与隐含层偏置a，设置网络的层节点数，最大层数m；步骤404：通过以下公式求出一层受限玻尔兹曼机网络层的隐含层和可视层中的神经元被激活的概率，且计算结果大于预设值则执行步骤405，否则结束该受限玻尔兹曼机网络层的训练：其中，h j 表示第j个隐含层神经元的状态，v j 表示第j个可视层神经元的状态；v表示可视层的神经元的状态，h表示隐含层的神经元的状态；b j 表示第j个可视层的偏置，a j 表示第j个隐含层的偏置，ω ij 是神经元之间的权值；步骤405：通过以下公式更新网络的权值和可视层与隐含层的偏置：其中：Δ[ω ij ] n+1 是更新后的第i个可视层神经元到第j个隐含层神经元的权值，n代表第n次迭代，λ是动量因子，η为学习因子，v i 表示第i个可视层神经元的状态，h j 表示第j个隐含层神经元的状态，(v i h j ) d 表示数据分布期望，(v i h j ) m 表示模型分布的期望；Δ[b j ] n+1 为更新后第j个可视层的偏置，Δ[a i ] n+1 为更新后第i个隐含层的偏置；步骤406：重复步骤404-405直到所有受限玻尔兹曼机网络层训练完成，利用最顶层的BP网络层进行反向参数寻优，并输出训练好的DAG模型；步骤5：实时采集GIL金属微粒局部放电时域波形图像，并输入收到所述步骤4中获得的DAG分类器模型中，输出对应的故障识别结果。
2.根据权利要求1所述的基于GIL金属微粒局部放电时域波形图像的故障识别方法，其特征在于：在步骤1中，GIL金属微粒局部放电故障类型包括悬浮放电故障、沿面放电故障、气隙放电故障、尖端放电故障和其它干扰。
3.根据权利要求1或2所述的基于GIL金属微粒局部放电时域波形图像的故障识别方法，其特征在于：所述步骤2包括以下步骤：步骤201：根据图像的灰度级分布建立图像直方图，横坐标和纵坐标分别代表图像中各像素点的亮度范围和各灰度级在全幅图像中变化情况；步骤202：假设原始图像包含N个灰度级，通过以下公式确定图像直方图灰度的分布p(r k )：其中，n为整幅图像像素点数之和，n k 表示分布在第k灰度级的像素点数量，k＝0,1,2,……,N-1；步骤203：对所述步骤202的分布函数进行离散化获得离散化后的累计分布函数：上式表示将灰度级为r k 的像素变换成灰度级为S k 的像素，T(r k )为变换函数，P r (r i )表示灰度级为r i 的像素在图像中出现概率，k＝0,1,2,……,N-1。
4.根据权利要求1所述的基于GIL金属微粒局部放电时域波形图像的故障识别方法，其特征在于：所述步骤3中，根据步骤1所设定的不同故障类型数n，构造n(n-1)/2个SVM二分类器，所有二分类器构成一个二叉树结构，二叉树结构的每一节点对应一个二分类器，每个叶子代表一个故障类别；利用SVM二分类器对不同故障对应的训练数据样本集进行两两训练，得到训练后的分类器模型。
5.根据权利要求4所述的基于GIL金属微粒局部放电时域波形图像的故障识别方法，其特征在于：在二叉树结构中，将训练后得到精度最高的SVM二分类器当作二叉树结构的根节点，以精度次高的SVM二分类器依次当作下层节点。
