1.一种考虑暴雨时空分布的分布式供电系统涉电安全感知方法，其特征在于，包括：推导考虑积水深度和微地形环境的分布式供电光储系统多维度并联寄生电容解析模型，以建立暴雨情况下分布式供电光储系统漏电流计算模型；

采集数据集并对数据集进行预处理，并将数据集划分为支撑集、查询集、训练集以及测试集，其中，所述数据集包括输入参数和输出参数，所述输入参数为暴雨时空分布特征参数和光储微地形特征参数，所述输出参数为模型拟合参数和微地形拟合参数，暴雨时空分布特征参数包括雨峰位置、云层移动、降雨强度以及降雨历时，光储微地形特征参数包括屋顶长度、屋顶宽度、屋顶倾斜角、屋顶排水速率、单位面积光伏安装量、光伏安装倾斜角以及单位面积储能电池安装量；

将待预测区域暴雨时空分布特征参数与周围区域暴雨时空分布特征参数进行时空相关性分析，选择相关性高的区域的暴雨时空分布特征参数加入待测区域样本中对所述漏电流计算模型进行训练；

建立考虑暴雨时程与空间分布不均衡性和随机性的分布式供电光储系统漏电流风险概率预测模型，以通过所述漏电流计算模型和所述漏电流风险概率预测模型对待预测区域进行漏电风险感知；

所述建立考虑暴雨时程与空间分布不均衡性和随机性的分布式供电光储系统漏电流风险概率预测模型，以通过所述漏电流计算模型和所述漏电流风险概率预测模型对待预测区域进行漏电风险感知，包括：建立基于深度元学习的分布式供电光储系统涉电安全隐患风险感知模型；

将数据集作为训练样本，并将训练样本按时空分布划分为不同子任务样本，通过子任务样本对风险感知模型分别进行预训练；

将预训练所得到的各权重与偏置参数按其与待测区域样本时空相关性大小通过软更新的方式更新正式训练模型的权重与偏置参数；

采用预训练得到的权重与偏置参数对正式训练模型进行训练，以得到考虑暴雨时程与空间分布不均衡性和随机性的分布式供电光储系统漏电流风险概率预测模型；

根据所述漏电流计算模型得到各待预测区域分布式供电光储系统的各档位漏电流临界水深，将所述临界水深代入所述漏电流风险概率预测模型以识别待测区域的分布式供电系统涉电公共安全隐患的时空分布范围；

所述推导考虑积水深度和微地形环境的分布式供电光储系统多维度并联寄生电容解析模型，以建立暴雨情况下分布式供电光储系统漏电流计算模型，包括：推导考虑积水深度和微地形环境的分布式供电光储系统多维度并联寄生电容解析模型；

基于所述寄生电容解析模型建立暴雨情况下分布式供电光储系统漏电流计算模型；

所述推导考虑积水深度和微地形环境的分布式供电光储系统多维度并联寄生电容解析模型，包括：获取考虑光伏板表面积水与光伏板与第五框架（5）之间积水深度的寄生电容模型，并标记为第一模型，其中，所述第一模型的计算公式为： ，

，

，

 ，

，

 ，

，

 ，

 ，

，

 ，

，

，

式中， 为暴雨情况下光伏板与总框架之间的电容， 为未考虑光伏板表面积水时光伏电池与总框架之间的寄生电容，总框架包括第一框架（1）、第二框架（2）、第三框架（3）、第四框架（4）和第五框架（5）， 为光伏电池与第一框架（1）之间的寄生电容大小， 为光伏电池与第二框架（2）之间的寄生电容大小， 为光伏电池与第三框架（3）之间的寄生电容大小， 为光伏电池与第四框架（4）之间的寄生电容大小，  为光伏电池与第五框架（5）之间的寄生电容大小， 为绝对介电常数， 为玻璃的相对介电常数， 为空气的相对介电常数， 为水的相对介电常数， 为EVA层相对介电常数， 为Tedlar层的厚度，为第一框架（1）与玻璃之间的距离，  为玻璃的厚度， 为EVA层的厚度， 为第一框架（1）、第二框架（2）、第三框架（3）、第四框架（4）和第五框架（5）的厚度， 为框架电容计算长度，  为光伏电池到第三框架（3）的距离， 为第一框架（1）的长度， 为第三框架（3）的长度， 为第五框架（5）与光伏电池重合的长度， 为光伏电池的厚度， 为第四框架（4）的长度， 为光伏板面积， 为光伏板表面积水面积， 为光伏板表面积水时EVA层与积水之间的电容， 为光伏板表面积水时光伏电池与玻璃之间的电容， 为光伏板长度， 为光伏板宽度， 为第五框架（5）与光伏板之间的积水深度；

所述推导考虑积水深度和微地形环境的分布式供电光储系统多维度并联寄生电容解析模型，还包括：获取考虑光伏板与支架之间积水深度的寄生电容模型，并标记为第二模型，其中，所述第二模型的计算公式为： ，

式中， 为光伏电池与支架之间积水深度， 为暴雨情况下光伏电池与支架之间的寄生电容， 为光伏电池与Tedlar层之间的电容大小， 为EVA层与空气层之间的电容大小， 为光伏板支架与光伏电池间之间有积水时Tedlar层与空气层之间的电容大小，为光伏板支架与光伏电池间之间有积水时空气层与支架之间的电容大小，  为绝对介电常数，  为EVA层相对介电常数、 为Tedlar层相对介电常数， 为空气相对介电常数， 为水的相对介电常数，  为支架的宽度， 为EVA层的厚度， 为Tedlar层的厚度， 为Tedlar层与支架之间空气的厚度， 为光伏板长度， 为光伏板宽度；

所述推导考虑积水深度和微地形环境的分布式供电光储系统多维度并联寄生电容解析模型，还包括：获取考虑光伏板与地面之间积水深度的寄生电容模型，并标记为第三模型，其中，所述第三模型的计算公式为：式中， 为光伏板与地面之间的积水深度， 为暴雨情况下光伏板与地面之间的电容， 为光伏板与Tedlar层之间的电容大小， 为EVA层与空气层之间的电容大小， 为光伏板与地面之间有积水时Tedlar层与大地之间的电容大小， 为光伏板与地面之间的空气层与地面积水之间的电容， 为光伏板顶部与积水之间的电容， 为绝对介电常数，为空气的相对介电常数， 为水的相对介电常数， 为EVA层的厚度， 为Tedlar层的厚度， 为Tedlar层与大地之间的距离，  为光伏板宽度， 为框架电容计算长度，为光伏电池的厚度；

所述推导考虑积水深度和微地形环境的分布式供电光储系统多维度并联寄生电容解析模型，还包括：获取考虑储能电池与地面之间积水深度的寄生电容模型，并标记为第四模型，其中，所述第四模型的计算公式为：，

，

，

 ，

式中， 为暴雨情况下储能电池与地面之间的寄生电容， 为储能电池顶部与地面之间的寄生电容， 为储能电池侧面与地面之间的寄生电容， 为储能电池底部与地面之间的寄生电容， 为储能电池与地面之间的积水深度， 为储能电池顶部长度，为储能电池与地面之间的距离， 为储能电池侧面的高度， 为储能电池的宽度，为绝对介电常数， 为空气的相对介电常数， 为水的相对介电常数；

所述基于所述寄生电容解析模型建立暴雨情况下分布式供电光储系统漏电流计算模型，包括：获取光伏板以及储能电池与大地之间产生的高频共模漏电流表达式：，

式中， 为光伏板或储能电池正端与大地之间等效的寄生电容， 为光伏板或储能电池负端与大地之间等效的寄生电容， 与 均为漏电流， 为 的电压，为 的电压；

基于光伏板以及储能电池与大地之间产生的高频共模漏电流表达式，结合所述第一模型、所述第二模型、所述第三模型和所述第四模型建立暴雨情况下分布式供电光储系统漏电流计算模型，并得到分布式供电光储系统漏电流超过 时所对应的积水深度 。

2.根据权利要求1所述的一种考虑暴雨时空分布的分布式供电系统涉电安全感知方法，其特征在于，所述将待预测区域暴雨时空分布特征参数与周围区域暴雨时空分布特征参数进行时空相关性分析，选择相关性高的区域的暴雨时空分布特征参数加入待测区域样本中对所述漏电流计算模型进行训练，包括：对输入参数进行基于时间序列的时间相关性分析：

，

式中， 和 为输入参数在不同时间下的

数值大小，  为 与 的相关系数， 为 与 的和协方差，为 的方差， 为 的方差；

对输入参数进行基于地理信息的空间相关性分析：

，

式中， 和 为输入参数在不同时间下的

数值大小，  为  与 的相关系数， 为 与 的和协方差，为  的方差， 为 的方差。

3.根据权利要求2所述的一种考虑暴雨时空分布的分布式供电系统涉电安全感知方法，其特征在于，所述建立考虑暴雨时程与空间分布不均衡性和随机性的分布式供电光储系统漏电流风险概率预测模型，以通过所述漏电流计算模型和所述漏电流风险概率预测模型对待预测区域进行漏电风险感知，还包括：获取降雨强度的概率密度函数：

，

式中， 和 均为模型拟合参数，根据历史数据拟合得到； 为预测降雨历时； 为降雨强度；

根据降雨的时空分布特征与不同用户光储微地形因素对所述降雨强度的概率密度函数进行改进，以得到光储系统漏电流概率与积水深度之间关系的表达式：式中， 为雨峰降雨强度， 为等效降雨强度，即根据雨峰降雨强度得出的具体区域的降雨强度大小， 为积水深度， 为雨峰位置拟合系数， 为云层移动拟合系数，为表征屋顶长度的拟合参数、 为表征屋顶宽度的拟合参数、 为表征屋顶倾斜角的拟合参数， 为表征屋顶排水速率的拟合参数，  和 统称为微地形拟合系数；

获取漏电流概率分布函数：

，

基于所述漏电流概率分布函数，推导得到暴雨情况下分布式供电光储系统漏电流计算模型，其中，当分布式供电光储系统漏电流超过 的概率计算模型表达式为： ，

式中， 为分布式供电光储系统漏电流超过 对应的积水深度；

建立基于深度元学习的分布式供电光储系统涉电安全隐患风险感知模型；

将轻量级梯度提升机分类器模块的分类结果与深度稠密神经网络的输出结果集成，以输出光储发电系统运行状态的预测结果：，

式中， 为光储系统运行状态的预测结果， 表示深度稠密神经网络的第j个输出结果； 表示轻量级梯度提升机分类器的第e个输出结果， 为样本数量；轻量级梯度提升机分类器模块的输入数据为预处理后的降雨时空分布特征参数；

其中，深度稠密神经网络中权重和偏置采用梯度下降的方式更新，更新规则如下所示： ，

，

式中， 表示深度稠密神经网络中第s‑1层第g个神经元到s层第f个神经元的权重，表示深度稠密神经网络中第s层第f个神经元的偏置， 为学习率； 为损失函数，其具体表达式如下：

 ，

式中，N是一批训练集的样本数量； 是深度稠密神经网络中一批训练集第k个样本的输入； 是前向传播函数； 是一批训练集中第k个样本的标签；

采用深度元学习的训练方法对分布式供电光储系统涉电安全隐患风险感知模型进行训练；

将数据集中的支撑集以及查询集按t个不同区域的数据分为t个子任务样本；

将t个子任务样本分别进行训练，每个子任务样本训练完成后得到对应的权重参数与偏置参数 ；

每完成一个子任务样本训练即采用以下软更新的方式更新所述感知模型将要采用的权重参数 与偏置参数 ：式中， 为第t个子任务样本训练完成后得到的正式训练模型的权重参数； 为第t个子任务样本训练完成后得到的正式训练模型的偏置参数； 为第t‑1个子任务样本训练完成后更新的正式训练模型的权重参数； 为第t‑1个子任务样本训练完成后更新的正式训练模型的偏置参数； 为软更新系数，取0.05； 为每个子任务相应的权重参数； 为每个子任务相应的偏置参数， 为相关性系数，由时空相关性分析得到；

将预训练得到的权重参数 与偏置参数 赋予正式训练模型；

将训练集输入正式训练模型以进行正式训练，输出模型拟合参数以及微地形拟合参数，从而得到不同区域不同时间下的漏电流风险概率预测模型，将根据漏电流计算模型得到的分布式供电光储系统各档位漏电流临界水深代入漏电流风险概率预测模型，以识别分布式供电光储系统涉电公共安全隐患的时空分布范围。