1.一种基于融合神经网络模型的电网故障辨识方法，其特征在于，包括：获取待故障辨识电网线路中若干表征电网运行状态的电力参数作为特征值并进行预处理；将预处理后的特征值输入预先获得的融合神经网络模型，获得待故障辨识电网线路的故障概率；其中，所述融合神经网络模型融合了一维卷积神经网络以及LSTM神经网络；所述融合神经网络模型通过对电网的故障运行数据进行学习获得；所述获取待故障辨识电网线路的特征值并进行预处理的步骤中，所述待故障辨识电网线路为具有拓扑结构的电网线路；所述获取待故障辨识电网线路的特征值并进行预处理的步骤中，具体包括：采用树搜索方式对拓扑结构的待故障辨识电网线路进行节点编号；所述特征值包括线路首端电压幅值、线路末端电压幅值、线路首端注入功率、线路末端注入功率、线路有功和线路无功中至少三个；其中，线路首端为节点编号最小的一端，线路末端为节点编号最大的一端；所述将预处理后的特征值输入预先建立的融合神经网络模型，获得待故障辨识电网线路的故障概率的步骤中，所述预先建立的融合神经网络模型包括依次连接的一层一维卷积神经网络、一层池化层、两层LSTM神经网络和三层全连接层；所述获取待故障辨识电网线路的特征值并进行预处理的步骤中，线路有功P ij 计算方法为：线路无功Q ij 计算方法为：其中，U i 为线路首端电压幅值，U j 为线路末端电压幅值，B ij 为线路电纳，G ij 为线路电导，y ij0 为对地导纳，θ ij 为首末端节点电压相角差；所述将预处理后的特征值输入预先建立的融合神经网络模型，获得待故障辨识电网线路的故障概率的步骤中，所述一维卷积神经网络的卷积核数量等于特征值的数量M；每个卷积核的大小为a，a的取值范围为 步长为l，步长大于或等于卷积核尺寸a。
2.根据权利要求1所述的一种基于融合神经网络模型的电网故障辨识方法，其特征在于，所述将预处理后的特征值输入预先建立的融合神经网络模型，获得待故障辨识电网线路的故障概率的步骤中，所述预处理具体为将获取的待故障辨识电网线路的特征值转化为一维向量格式。
3.根据权利要求1所述的一种基于融合神经网络模型的电网故障辨识方法，其特征在于，所述将预处理后的特征值输入预先建立的融合神经网络模型，获得待故障辨识电网线路的故障概率的步骤中，以三层全连接层作为输出层，最后的输出层输出单元个数与故障类型数相同，采用sigmoid函数作为激活函数，将各输出归为(0，1)区间，表明各类故障发生的概率大小。
4.一种基于融合神经网络模型的电网故障辨识系统，其特征在于，包括：数据采集模块，用于获取待故障辨识电网线路的特征值并进行预处理；故障辨识模块，用于将预处理后的特征值输入预先建立的融合神经网络模型，获得待故障辨识电网线路的故障概率；其中，所述融合神经网络模型融合了一维卷积神经网络以及LSTM神经网络；所述融合神经网络模型通过对电网的故障运行数据进行学习获得；所述获取待故障辨识电网线路的特征值并进行预处理的步骤中，所述待故障辨识电网线路为具有拓扑结构的电网线路；所述获取待故障辨识电网线路的特征值并进行预处理的步骤中，具体包括：采用树搜索方式对拓扑结构的待故障辨识电网线路进行节点编号；所述特征值包括线路首端电压幅值、线路末端电压幅值、线路首端注入功率、线路末端注入功率、线路有功和线路无功中至少三个；其中，线路首端为节点编号最小的一端，线路末端为节点编号最大的一端；所述将预处理后的特征值输入预先建立的融合神经网络模型，获得待故障辨识电网线路的故障概率的步骤中，所述预先建立的融合神经网络模型包括依次连接的一层一维卷积神经网络、一层池化层、两层LSTM神经网络和三层全连接层；所述获取待故障辨识电网线路的特征值并进行预处理的步骤中，线路有功P ij 计算方法为：线路无功Q ij 计算方法为：其中，U i 为线路首端电压幅值，U j 为线路末端电压幅值，B ij 为线路电纳，G ij 为线路电导，y ij0 为对地导纳，θ ij 为首末端节点电压相角差；所述将预处理后的特征值输入预先建立的融合神经网络模型，获得待故障辨识电网线路的故障概率的步骤中，所述一维卷积神经网络的卷积核数量等于特征值的数量M；每个卷积核的大小为a，a的取值范围为 步长为l，步长大于或等于卷积核尺寸a。
5.一种基于融合神经网络模型的电网故障辨识系统，应用于电力系统，其特征在于，包括：处理器以及与所述处理器耦合的存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现权利要求1至3中任一项所述的方法步骤。
