1.一种基于MP-Convformer并行网络的电力系统暂态信号故障诊断方法，其特征在于，包括：采集异常情况下的暂态信号的数据；利用小波降噪对暂态信号进行预处理，并获取预处理信号；利用倒残差模块中的卷积操作对预处理信号进行上采样并提取局部特征信息；利用倒残差模块中嵌入的通道注意力机制整合不同通道的特征信息；利用ConvFormer模块提取不同路径下不同尺度上的全局特征信息；基于特征融合模块对局部特征信息以及全局特征信息进行融合；基于Softmax函数的分类器对电力系统暂态信号的故障进行分类；所述利用ConvFormer模块提取不同路径下不同尺度上的全局特征信息中，所述ConvFormer模块包括多层卷积模块和多头注意力卷积模块；所述多层卷积模块包括依次堆叠的三个卷积核大小为3的卷积层，用以提取预处理信号更深层特征；所述多头注意力卷积模块包括三个不同尺度卷积核的卷积层、多头注意力机制、归一化层和前馈网络层；所述利用倒残差模块中嵌入的通道注意力机制整合不同通道的特征信息的步骤，包括以下步骤：利用通道注意力机制整合不同通道的特征信息，所述通道注意力机制嵌入至两个卷积核大小为1*1的标准卷积层之间；利用卷积核大小为1的点卷积操作恢复预处理信号数据的维度；利用卷积核大小为3的深度可分离卷积恢复卷积处理后的预处理信号；在所述基于特征融合模块对局部特征信息以及全局特征信息进行融合的步骤中，特征融合模块采用如下公式进行融合： ，其中，G in 表示多头注意力卷积模块的输出，L i 表示多层卷积模块的输出，A i 表示聚合后的特征，i表示第i个类别特征，n表示第n个并联式Convformer模块输出；所述利用小波降噪对暂态信号进行预处理，并获取预处理信号的步骤，包括以下步骤：基于正交小波分解将含噪声的暂态信号在时域和频域进行局部分解，其中正交小波分解后幅值比较大的小波系数为去噪信号，而幅值较小的系数为噪声信号；判断小波系数是否大于预设阈值，若是，保留该小波系数，若否，将该小波系数替换为预测的变量阈值，其中利用软阈值函数对小波系数进行处理的公式为： ， 和 分别代表经过去噪处理前后小波变换系数， 为符号函数， 为预设阈值，s代表小波分解层数；利用小波逆变换对处理后的小波系数进行还原；在所述判断小波系数是否大于预设阈值的步骤中，预测的变量阈值按照以下公式计算： ， ， ，其中，n为暂态信号x长度， 为通用固定阈值规则的阈值，eta为通用固定阈值规则， 为无偏似然估计规则的阈值，crit为无偏似然估计规则， 为预测的变量阈值；在所述利用小波逆变换对处理后的小波系数进行还原的步骤中，利用小波重构减少噪声干扰，小波重构公式为： ， ， ，其中，j为小波分解层数，k为离散采样点数， 和 表示低通滤波器组系数， 和 表示高通滤波器组系数， 和 分别为尺度系数和滤波处理后的小波系数，m表示滤波器索引参数。
2.根据权利要求1所述的基于MP-Convformer并行网络的电力系统暂态信号故障诊断方法，其特征在于，所述利用倒残差模块中的卷积操作对预处理信号进行上采样并提取局部特征信息的步骤，包括以下步骤：利用卷积核大小为3的深度可分离卷积进行上采样并提取局部特征信息；利用卷积核大小为1的点卷积操作改变预处理信号的维度。
3.根据权利要求1所述的基于MP-Convformer并行网络的电力系统暂态信号故障诊断方法，其特征在于，所述多头注意力卷积模块执行以下步骤：利用三个不同尺度卷积核的卷积层提取不同尺度的预处理信号故障特征，三个卷积层的卷积核大小分别为3、5、7；将输入的预处理信号分为三个维度相同的向量，分别为查询向量q、键向量k和值向量v；分别将三个向量封装成三个矩阵，分别为查询Q、值K、值向量V；计算矩阵Q与值K之间的点积操作得到两者之间相似性；通过Softmax操作进行归一化处理；通过将归一化处理后的权重与值向量 V 进行加权求和，以赋予注意力层不同的表示子空间，来提高自注意力层的性能，注意力机制计算公式如下： ，其中，Q表示查询，K表示值、V表示值向量， 表示缩放因子。
4.根据权利要求1所述的基于MP-Convformer并行网络的电力系统暂态信号故障诊断方法，其特征在于，在所述基于Softmax函数的分类器对电力系统暂态信号的故障进行分类的步骤中，Softmax函数为： ，其中， 表示第f个类别的得分，k表示总的类别数。
5.一种基于MP-Convformer并行网络的电力系统暂态信号故障诊断系统，其特征在于，包括：存储器，用于存储可执行程序代码；以及处理器，连接至所述存储器，通过读取所述可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以执行如权利要求1-4中任一项基于MP-Convformer并行网络的电力系统暂态信号故障诊断方法中的步骤。
