1.一种HVDC输电线路故障智能识别方法，其特征在于，包括如下步骤：

步骤1，对HVDC输电线路的整流侧和逆变侧故障后的故障电流行波进行采集；

步骤2，根据采集的故障电流行波建立多尺度S变换波动指数区内外故障特征向量以及多尺度S变换能量和比值的故障极特征向量；

步骤3，将多尺度S变换波动指数区内外故障特征向量以及多尺度S变换能量和比值的故障极特征向量进行组合，建立能同时反映区内外故障特征和故障极特征的组合特征样本向量；

步骤4，为组合特征样本向量中的各个样本向量进行编号作为随机森林的训练样本数据，再按照编号顺序将训练样本数据输入随机森林中进行训练，从而建立随机森林故障智能识别模型；

步骤5，利用实时采集的电流行波数据建立实时数据的组合特征样本向量，再利用随机森林故障智能识别模型对实时数据的组合特征样本向量进行分析，识别出当前HVDC输电线路是否存在区内外故障。

2.根据权利要求1所述的HVDC输电线路故障智能识别方法，其特征在于，步骤2中，根据采集的故障电流行波建立多尺度S变换波动指数区内外故障特征向量的具体步骤为：首先，利用凯伦贝尔极模变换法对采集的故障电流行波进行解耦获得线模电流分量；

然后，对线模电流分量进行离散S变换；

最后，选取S变换多个特征频率下的分量信号，分别计算各个特征频率下的波动指数，利用得到的各个波动指数组成多尺度S变换波动指数区内外故障特征向量。

3.根据权利要求2所述的HVDC输电线路故障智能识别方法，其特征在于，利用凯伦贝尔极模变换法对采集的故障电流行波进行解耦时，凯伦贝尔变换解耦公式为：式(1)中，iG(t)和iL(t)分别为地模电流分量和线模电流分量，R表示整流侧，iR1(t)和iR2(t)为整流侧正、负极电流。

4.根据权利要求2所述的HVDC输电线路故障智能识别方法，其特征在于，对线模电流分量进行离散S变换时，设定iL[kT](k＝0,1,2,…,N-1)为线模电流分量iL(t)采样得到的离散时间序列，T为采样间隔，N为采样点数，则iL[kT]的离散傅里叶变换函数为：式(2)中，n＝0,1,…N-1，则线模电流分量iL(t)的离散S变换公式为：利用式(3)对线模电流分量iL(t)进行离散S变换。

5.根据权利要求2所述的HVDC输电线路故障智能识别方法，其特征在于，在选取S变换多个特征频率下的分量信号时，在整流侧和逆变侧均选取S变换频率fl(l＝10,20,30,40,

50,60,70,80)kHz下的八个分量信号；在计算各个特征频率下的波动指数时，计算各频率下故障电流行波2ms时间窗内400个采样数据的波动指数，波动指数的计算公式为：式(4)中，M为采样时间窗内的采样点数，l为故障行波S变换的lHz分量；在组成多尺度S变换波动指数区内外识别故障特征向量时，利用上述八个频率下的波动指数组成区内外故障特征向量表示为：F＝(FR10 … FR80 FI10 … FI80)1×16    (5)式(5)中，R表示整流侧，I表示逆变侧。

6.根据权利要求5所述的HVDC输电线路故障智能识别方法，其特征在于，步骤2中，根据采集的故障电流行波建立多尺度S变换能量和比值的故障极特征向量的具体步骤为：首先，对采集的故障电流行波进行离散S变换，且故障电流行波包括正极故障电流行波和负极故障电流行波；

然后，选取S变换多个特征频率下的分量信号，分别计算各个特征频率下的能量和比值，利用得到的各个能量和比值组成多尺度S变换能量和比值的故障极特征向量。

7.根据权利要求6所述的HVDC输电线路故障智能识别方法，其特征在于，在选取S变换多个特征频率下的分量信号时，选取S变换频率fj(j＝1,2,3,4,5,6,7,8)kHz下八个分量信号；在计算各个特征频率下的能量和比值时，计算各频率下正、负极故障电流行波2ms时间窗内400个采样数据的能量和比值；利用各个能量和比值组成多尺度S变换能量和比值的故障极特征向量时，得到的多尺度S变换能量和比值的故障极特征向量为：K＝(KR1 … KR8 KI1 … KI8)1×16    (6)

式(6)中，R表示整流侧，I表示逆变侧。

8.根据权利要求6所述的HVDC输电线路故障智能识别方法，其特征在于，多尺度S变换能量和比值的计算公式为：式(7)中，Impj和Imnj分别表示正极和负极故障电流行波S变换的j Hz分量，R表示整流侧，I表示逆变侧，a＝1表示所取2ms数据窗内的第一个采样点，NK为2ms数据窗内的采样点数。

9.根据权利要求7所述的HVDC输电线路故障智能识别方法，其特征在于，步骤3中，组合特征样本向量为：式(8)中，F为区内外故障特征向量，K为故障极特征向量。

10.根据权利要求9所述的HVDC输电线路故障智能识别方法，其特征在于，步骤4中，建立随机森林故障智能识别模型的具体步骤为：首选利用Booststrap法重采样产生每棵决策树的训练集：对组合特征样本向量θ中的样本向量进行编号为{θ1，θ2，…，θ32}，单次有放回地从中抽取一个样本θi，共计抽取32次，组合成新的集合θ*构成训练集；

然后构建每棵决策树：在每个非叶子节点上选择属性前，从Q个属性中随机抽取(q

最后形成随机森林：利用生成的各个决策树对测试样本进行测试，测试样本由组合特征样本向量θ抽取，汇总各决策树的输出类别，以所有决策树输出最多的类别作为测试样本的识别类别，即为测试样本的故障类型识别结果。