1.一种电气设备故障判别方法，其特征在于，包括以下步骤：S1：采集获取电气设备各单元的监测信息以及电气设备基础信息，整合统一为状态数据集；S2：针对不同故障类型，使用不同结构的神经网络训练获得若干对应预设的故障关键因子集；根据多维函数联合激励评价原则选取故障关键因子集；对于不同故障类型选取不同结构神经网络学习训练，具体过程为：评估各神经网络输出的故障关键因子集对应故障类型的适配度，第n种神经网络的适配度评估算法的表达式为：其中，a w 为资源期望系数；a p 为内存占有系数；a t 为时间系数；N IN 为输入的故障关键因子数量；N OUT 为输出的故障关键因子数量；G 1 为资源占有预设分值；N c 为该神经网络输出的故障关键因子集被选择的次数；N all 为该神经网络输出故障关键因子集待选的总次数；G 2 为选用率预设分值；N m 为相同故障关键因子集存在的个数；G 3 为重复率预设分值；若G(n)大于等于预设的阈值G a ，则第n种神经网络为故障类型选取的神经网络；多维函数联合激励评价原则为：对于参数为m维的N个样本，以及故障类型为c特征样本空间，选取维数p，p≤m，的子空间S，以此构建最优故障关键因子集，使得子空间S各关键因子的相关性最小，各关键因子与故障类型的相关性最大；S3：根据多维度评价函数判断选取的故障关键因子集是否为判断对应故障类型的最佳故障关键因子集；所述的多维度评价函数包括重要性评价函数和冗余性评价函数；多维度评价函数判断选取的故障关键因子集是否重要性最大且冗余性最小；若是，则该选取的故障关键因子集为最佳关键因子集；否则返回步骤S2重新选取关键故障因子集；S4：以正常运行样本和故障测试样本的马氏距离为故障阈值，采用马氏距离法计算最佳故障关键因子集中各个样本的马氏距离，判断故障。
2.根据权利要求1所述的一种电气设备故障判别方法，其特征在于，所述的步骤S2的具体过程为：S201：对应不同故障类型，将历史相关故障关键因子分别输入到若干不同结构的神经网络中学习训练；S202：各神经网络分别输出故障关键因子集，整合相同的故障关键因子集，得到故障类型对应的故障关键因子集；S203：根据多维函数联合激励评价原则选取故障关键因子集。
3.根据权利要求1或2所述的一种电气设备故障判别方法，其特征在于，各关键因子与故障类型的相关性最大的表达式为：maxD(S，c)其中，I(x i ；C)为子空间S中第i个关键因子x i 和故障类别c之间的交互信息；子空间S中各关键因子的相关性最小的表达式为：min R(S)其中，I(x i ；C)为子空间S中第i个关键因子x i 和第j个关键因子x j 之间的交互信息；|S|为特征空间维数。
4.根据权利要求1所述的一种电气设备故障判别方法，其特征在于，重要性评价过程为：采用若干重要性评价函数分别评价选取的故障关键因子集的重要性；根据评价获得的重要性以及故障类型选取对应的重要性评价函数；对所有的待选的故障关键因子集采用选取的重要性评价函数进行评价，并对重要性排序；判断选取的故障关键因子集的重要性是否为所有待选的故障关键因子集中重要性的最大值；若是，则进行冗余度判断；否则，返回步骤S2重新选取关键故障因子集；所述的重要性评价函数选取过程为：计算选取值P im ：P im ＝α(N p +R im )+N r其中，α为故障类型与重要性评价函数的匹配系数；N p 为故障类型与重要性评价函数的历史匹配次数；R im 为对应重要性评价函数获得的重要性值；N r 为重要性值重复次数；根据各重要性评价函数的选取值P im 排序，选取P im 最大时对应的重要性评价函数评价对应故障类型的关键故障因子集。
5.根据权利要求3所述的一种电气设备故障判别方法，其特征在于，若故障关键因子集的个数为k，冗余度判断的表达式为：其中， 为集合中关键因子的平均权重； 为集合中关键因子间的平均相关度；y为d×1的指示向量y＝[y 1 ，y 2 ，…，y d ]；y值大小表明元素重要性和选中概率。
