1.基于平行特征域的变压器多源局部放电模式识别方法，其特征在于包括以下步骤：步骤1：提取变压器多源局部放电时域脉冲信号，构成时频信号集；对多源局部放电时域脉冲信号进行S变换后的时频矩阵，构成时频域信号集；

S变换的公式为：

其中，x(t)为时域信号，t为时间，S(τ,f)为所求得的时频域矩阵，τ是高斯窗函数的中心，f为时域信号的频率，e为自然底数； 为积分符号，-∞为积分下限，+∞为积分上限，dt为微分符号，表示对时间t求导,i为虚数单位；

步骤2：将多个单一神经网络自动编码器组合成两个堆叠编码器，其中一个堆叠编码器用来提取多源局部放电时域特征，另一个堆叠编码器用来提取多源局部放电时频域特征；

步骤3：选择sigmoid函数，作为堆叠编码器网络层之间的激活函数，并利用激活函数获得下一网络层的激活值；

激活函数每个相邻网络层之间的非线性映射，其与网络层的激活值、网络参数间的关系为：f(x)＝Se(b+Wx)        (2)

其中，W和b构成网络参数，分别为权值矩阵和偏置矩阵，x即为网络层的激活值，f(x)为待求网络层的激活值；在自动编码器中，Se为编码器网络的激活函数，能将隐藏层的激活值限制在(0,1)，其公式为：其中，Se(x)为激活函数的值，e为自然底数，x为输入值；

步骤4：对堆叠编码器中调节每层网络参数的损失函数添加正则化项；

损失函数的表达式为：

其中，xk是理论值， 为网络计算出的预测值， 为实际值和预测值之间的误差，a代表实际值，b代表预测值，系数向量θ＝{b,W}；

损失函数用来衡量网络输出和实际值之间的差异，这里改进了损失函数，在损失函数中加入正则项变换L1范数；

变换L1范数的表达式为：

其中，ρa(·)为变换L1范数的值，a为调节参数，x为输入量，正则化项作为一个函数，将其添加在损失函数的表达式中，能够限制神经网络中冗余的网络参数；

步骤5：设置损失函数的优化求解方法，为近端导向随机子梯度算法；近端导向随机子梯度算法通过在每次迭代中不精确求解近端算子来计算出近似平稳点，一个非凸、非光滑函数的近端算子表达式为：其中，φ(·)即为非凸、非光滑函数，为凸集，r为控制系数，y为非凸、非光滑函数的自变量，x为近端算子的待求量；对该近端算子使用随机次梯度法来近似求解；次梯度公式如下：其中，r为控制系数，y为非凸、非光滑函数的自变量，x为近端算子的待求量， 为自变量y的梯度；

步骤6：添加softmax，作为神经网络的分类层；

softmax是神经网络中常用的分类器，其实质为归一化指数函数，公式为：其中，X输入向量，XT为输入向量的转置，T为矩阵转置符号，j为所属类别，K为类别总数，Wk所有的类别向量矩阵，W为某一个类别向量，y为输出的类别；

步骤7：使用堆叠编码器，对多源局部放电时域信号集和时频域信号集进行并行训练；

所述并行训练过程为：每个神经元的激活值由前一层的输入通过激活函数非线性映射得到，再将该层神经元的激活值作为输入计算下一层的激活值，如此往复直至最后一层隐藏层；

对时域信号集和时频域信号集同时执行上述过程，两个堆叠编码器最后一层隐藏层的激活值构成了两种特征矩阵，再将这两种特征矩阵进行融合并将其作为分类层的输入，然后，分类层计算出该局部放电缺陷特征所属类别的概率进行分类，分类层的输出即为对多源局部放电信号进行模式识别的结果。

2.根据权利要求1所述基于平行特征域的变压器多源局部放电模式识别方法，其特征在于：特征矩阵数据有着相应的标签，对比分类结果，对网络参数进行微调，使用已经微调好网络参数的平行特征域堆叠编码器对多源局部放电信号进行模式识别，其中，多源局部放电信号由多个单源局部放电信号组合而成；对待识别的多源局部放电信号执行上述步骤

1～步骤6。

3.根据权利要求2所述基于平行特征域的变压器多源局部放电模式识别方法，其特征在于：所述微调过程为：当分类结果较差，通过使用近端导向随机子梯度算法，对神经网络最后一层隐藏层和分类层之间所有神经元的损失函数进行优化求解，得到的最优解作为该层新的网络参数；得到更新后的参数后，将后一层网络的激活值作为输入，反向更新求解前一层网络的激活值，如此往复，直至更新完输入层和第一层隐藏层之间的网络参数。