1.基于迁移卷积神经网络的配电网故障检测定位方法，其特征在于，包括如下步骤：获取配电网历史故障时各种信号的故障波形，利用双曲线窗的S变换方法对所述故障波形进行波形预处理；将预处理后的波形数据利用时频矩阵进行样本图像构造，得到分块时频谱；将所述分块时频谱作为输入，故障类型作为输出进行迁移卷积神经网络的训练；采集配电网故障时的待测故障波形作为训练好的所述迁移卷积神经网络的输入进行故障类型识别，将概率最大的输出作为最终判定的配电网故障类型，输出所述最终判定的配电网故障类型和对应的故障线路。
2.根据权利要求1所述的基于迁移卷积神经网络的配电网故障检测定位方法，其特征在于，将预处理后的波形数据利用时频矩阵进行样本图像构造，得到分块时频谱，具体包括：通过带通滤波构造预处理后的波形数据分频带的时频矩阵；将时频矩阵中各个频带序列按时间进行等分，得到若干个时频块并计算各个频带序列中各时频块的能量；基于所述各时频块的能量对所述分频带的时频矩阵进行处理，得到分块时频谱矩阵。
3.根据权利要求1所述的基于迁移卷积神经网络的配电网故障检测定位方法，其特征在于，所述迁移卷积神经网络是利用已完成配电网故障分类训练的卷积神经网络经过迁移学习得到的，具体包括:利用配电网故障样本训练卷积神经网络，得到完成配电网故障分类训练的卷积神经网络模型；对所述卷积神经网络模型进行迁移微调训练，在训练过程中先冻结所述卷积神经网络模型隐含层的网络参数，重新设置全连接层参数，并且在反向传播时不更新所述隐含层的网络参数，当所述全连接层学习完成后解冻所述隐含层，再整体训练所述卷积神经网络模型；将经过所述迁移微调训练的卷积神经网络模型定义为所述迁移卷积神经网络，利用配电网故障数据验证所述迁移卷积神经网络的故障选线效果，以选线正确率对所述迁移卷积神经网络的选线效果和性能进行评价。
4.根据权利要求3所述的基于迁移卷积神经网络的配电网故障检测定位方法，其特征在于，利用配电网故障样本训练卷积神经网络，得到完成配电网故障分类训练的卷积神经网络模型，具体包括：初始化待训练卷积神经网络的结构；将所有所述分块时频谱进行预处理，并把所有分块时频谱样本划分为训练集和测试集；利用所述训练集不断训练网络直到输出的误差满足精度要求或达到迭代此处上限，每次训练网络时均调整各层的参数；保存训练结束时各层的最新参数；将所述测试集按照故障类型进行标记并利用训练好的卷积神经网络进行分类识别，直到识别率达到设定要求时得到所述完成配电网故障分类训练的卷积神经网络模型。
5.根据权利要求1所述的基于迁移卷积神经网络的配电网故障检测定位方法，其特征在于，所述双曲线窗的S变换方法通过双曲线窗函数对所述故障波形进行波形预处理，所述双曲线窗函数具体为：式中，X是(τ-t)中的双曲线，曲线的左右形状依赖于两个参数 和 为函数下降沿参数， 为函数上升沿参数，λ HY 为正曲率参数，f表示频率。
6.基于迁移卷积神经网络的配电网故障检测定位系统，其特征在于，包括：数据预处理单元，用于获取配电网历史故障时各种信号的故障波形，利用双曲线窗的S变换方法对所述故障波形进行波形预处理；图像化单元，用于将预处理后的波形数据利用时频矩阵进行样本图像构造，得到分块时频谱；识别模型训练单元，用于将所述分块时频谱作为输入，故障类型作为输出进行迁移卷积神经网络的训练；故障识别单元，用于采集配电网故障时的待测故障波形作为训练好的所述迁移卷积神经网络的输入进行故障类型识别，将概率最大的输出作为最终判定的配电网故障类型，输出所述最终判定的配电网故障类型和对应的故障线路。
7.根据权利要求6所述的基于迁移卷积神经网络的配电网故障检测定位系统，其特征在于，所述图像化单元具体用于：通过带通滤波构造预处理后的波形数据分频带的时频矩阵；将时频矩阵中各个频带序列按时间进行等分，得到若干个时频块并计算各个频带序列中各时频块的能量；基于所述各时频块的能量对所述分频带的时频矩阵进行处理，得到分块时频谱矩阵。
8.根据权利要求6所述的基于迁移卷积神经网络的配电网故障检测定位系统，其特征在于，所述识别模型训练单元中所述迁移卷积神经网络是利用已完成配电网故障分类训练的卷积神经网络经过迁移学习得到的，具体包括:利用配电网故障样本训练卷积神经网络，得到完成配电网故障分类训练的卷积神经网络模型；对所述卷积神经网络模型进行迁移微调训练，在训练过程中先冻结所述卷积神经网络模型隐含层的网络参数，重新设置全连接层参数，并且在反向传播时不更新所述隐含层的网络参数，当所述全连接层学习完成后解冻所述隐含层，再整体训练所述卷积神经网络模型；将经过所述迁移微调训练的卷积神经网络模型定义为所述迁移卷积神经网络，利用配电网故障数据验证所述迁移卷积神经网络的故障选线效果，以选线正确率对所述迁移卷积神经网络的选线效果和性能进行评价。
9.根据权利要求8所述的基于迁移卷积神经网络的配电网故障检测定位系统，其特征在于，利用配电网故障样本训练卷积神经网络，得到完成配电网故障分类训练的卷积神经网络模型，具体包括：初始化待训练卷积神经网络的结构；将所有所述分块时频谱进行预处理，并把所有分块时频谱样本划分为训练集和测试集；利用所述训练集不断训练网络直到输出的误差满足精度要求或达到迭代此处上限，每次训练网络时均调整各层的参数；保存训练结束时各层的最新参数；将所述测试集按照故障类型进行标记并利用训练好的卷积神经网络进行分类识别，直到识别率达到设定要求时得到所述完成配电网故障分类训练的卷积神经网络模型。
10.根据权利要求6所述的基于迁移卷积神经网络的配电网故障检测定位系统，其特征在于，所述双曲线窗的S变换方法通过双曲线窗函数对所述故障波形进行波形预处理，所述双曲线窗函数具体为：式中，X是(τ-t)中的双曲线，曲线的左右形状依赖于两个参数 和 为函数下降沿参数， 为函数上升沿参数，λ HY 为正曲率参数，f表示频率。
