1.一种基于深度残差网络的设备故障容错诊断方法，其特征在于，该方法包括如下步骤：步骤1：采集输变电设备的运行状态数据；步骤2：按照一定时间间隔对采集到的状态数据进行特征值提取，得到各设备不同运行状态下的时域特征；通过比较数据集中不同类型状态量的重要程度，删除无关属性和冗余属性，提取出关键状态参量；选择出关键参量后，根据时域分析方法，得到各设备不同运行状态下的时域特征；步骤3：对提取到的时域特征数据按照设备类型及运行状态进行分类并编码；步骤4：构造训练集和测试集，将分类和编码后数据输入深度残差网络进行深度网络模型的训练；步骤5：利用训练好的深度残差网络模型进行输变电设备状态的差异化及精细化识别；步骤3中，对提取到的时域特征数据按照设备类型和运行状态进行分类，并对不同类型的数据进行编码，打上相应标签；步骤4中，随机选取各设备不同运行状态时域特征数据的80％作为训练集及验证集，对深度残差网络模型进行参数训练；剩余的20％作为测试集对深度残差网络模型的性能进行分析和测试；步骤4中，深度残差网络包括残差模块，多个残差模块的首尾相连搭建成了深度残差网络；步骤4中，残差模块由卷积层、批量化归一层和激活函数层组成；卷积层利用多个不同的卷积核提取输入数据的主要特征，对于一维输入数据，第l卷积层的输出为：其中， 为第l卷积层的输出， 为第l层卷积层的输入， 为卷积核权值， 为对应偏置；批量化归一层使得各层之间的输出均符合均值、方差相同的高斯分布，对于1个小批量数据x i ，批量化归一层的运算表示为：其中，μ为一组数据的均值，ε为极小量，σ为该组数据的方差， 为批量化归一层处理后的数据；激活函数层采用Relu函数，表示为：Relu(x)＝max(0,x)；残差模块的最终输出为：y＝x+F(x,w c )其中，x为残差块输入，F为包含批量归一化层、激活函数层和卷积层的非线性函数，w c 为包含批量归一化层、激活函数层和卷积层的非线性函数中需要优化的参数；所述深度残差网络包括9个卷积层，其中第一个卷积层采用宽卷积核，其余卷积层由4个残差模块组成，每个残差模块均包含2个卷积层；残差模块后使用全局平均池化层，在全局平均池化层后添加Dropout层，最终通过Softmax分类器实现故障分类；设备类型包括电力变压器、高压断路器、隔离开关、电压/电流互感器、及输电线路；运行状态包括正常状态及不同故障状态；电力变压器的故障状态包括过热故障、绕组障、以及放电故障；高压断路器的故障状态包括机械故障、二次回路故障、以及密封失效故障等；隔离开关的故障状态包括过热故障、机械故障、以及绝缘故障；电压/电流互感器的故障状态包括机械故障、绝缘故障、二次回路故障、以及谐振故障，输电线路的故障状态包括接地故障、断路故障、断路故障、以及过负荷故障。
2.如权利要求1所述的深度残差网络的设备故障容错诊断方法，其特征在于，步骤1中，状态数据来源于设备数据、监测数据及外部数据；设备数据包括铭牌参数、台账数据、运行数据、巡视数据、缺陷/消缺数据、以及故障/检修记录；检测数据包括带电检测数据和在线监测数据；带电监测数据包括红外检测、紫外检测、以及超声检测；在线监测数据包括油中溶解气体、局部放电、铁芯接地电流、以及气体压力；外部数据包括气象、环境、地理、电网调度、以及负荷。
3.如权利要求1所述的深度残差网络的设备故障容错诊断方法，其特征在于，步骤4中，步骤4.1，将提取出的时域特征数据按照6:2:2的比例划分为训练集、验证集及测试集；步骤4.2，将训练集和验证集分批输入到搭建的深度残差网络中，计算预测值与真实结果的误差；步骤4.3，训练集每完成1轮迭代，便采用验证集进行评估1次；步骤4.4，依据平均交叉熵算法对DRN网络的各层权重进行更新，并不断重复步骤4.2到步骤4.4，直到损失函数最小，以得到最优的深度残差网络；最后，将测试集输入到训练好的深度残差网络中，输出诊断结果，验证模型的诊断能力。
4.如权利要求3所述的深度残差网络的设备故障容错诊断方法，其特征在于，损失函数采用Softmax loss函数，Softmax的功能是分类器，给定输入预测值x i 以及对应的真实标签值y i ，其计算公式为：其中，x i 表示第i个的输入特征；y i 表示第i个输入对应类别的标签， 代表第i个样本真实类别对应的偏置，W j 表示第j类的权重向量， 表示输入对应类别标签的权重向量，T表示向量转置，b j 表示该样本类别的偏置，n表示样本的类别数；Softmax loss的计算公式为：其中，Ls表示Softmax loss函数，即样本平均交叉熵；m表示训练样本的数量。
