1.一种基于图卷积神经网络的配电网单相接地故障定位方法，其特征在于：该方法具体包括以下步骤：步骤1：利用FTU设备采集配电网上各条支线以及负荷节点的电流、电压信号和断路器数据，作为样本数据，然后根据采集时的配电网状态作为对应的样本标签，制作带标签的数据集；

步骤2：搭建基于图卷积神经网络的配电网单相接地故障定位模型，所述定位模型包括特征转换模块、特征提取模块和特征输出模块；

所述特征转换模块包括单层全连接神经网络，用于将边的电流和断路器特征数据转换为与其相连的负荷节点的特征数据，然后输入特征提取模块；

所述特征提取模块用于将特征转换模块转换后的负荷节点特征数据输入图卷积神经网络中，提取配电网拓扑中每个负荷节点的特征数据；

所述特征输出模块包括一层全连接神经网络和Softmax函数，用于根据特征提取模块输出的特征数据，输出节点接地故障和线路接地故障的特征向量；

步骤3：构建模型优化模块，对步骤1制作的数据集进行归一化操作后，输入对步骤2搭建的定位模型进行优化训练；所述模型优化模块包括Adam优化器、Dropout层和基于LSTM的池化层；其中Dropout层在图卷积神经网络的卷积层之前引入，基于LSTM的池化层在图卷积神经网络的卷积层之后引入；Adam优化器用于定位模型的优化和迭代训练；

步骤4：将状态未知的配电网样本数据输入步骤3优化后的定位模型，获得节点接地故障和线路接地故障的特征向量Yn＝{yni},i∈[1,2]，其中yn1表示节点接地故障状态，yn2表示线段接地故障状态。

2.如权利要求1所述一种基于图卷积神经网络的配电网单相接地故障定位方法，其特征在于：归一化操作如下：其中，x表示样本的特征向量，x′是标准化之后的特征向量，且x′∈[0,1]，max(x)是数据集中的样本最大值，min(x)是数据集中的样本最小值。

3.如权利要求1所述一种基于图卷积神经网络的配电网单相接地故障定位方法，其特征在于：所述特征转换模块进行特征转化的具体过程为：s2.1、对于具有L条邻边的节点p，其第l条邻边的特征向量为El；根据El的维度d构建具有d个输入和d个输出的单层全连接神经网络，并添加偏置项b，用于特征转化；

s2.2、将与节点P相连的L条邻边的特征向量E1～El均输入s2.1构建的全连接神经网络中，得到相同维度的输出E1’～El’；

s2.3、对s2.2得到的E1’～El’进行向量求和，得到d维度的和向量Esum，Esum＝E′1∪…∪E′L；

s2.4、将节点P的特征向量T与和向量Esum通过连接操作，合并为新的向量，作为转化后的特征向量T′，T′＝Esum+T。

4.如权利要求3所述一种基于图卷积神经网络的配电网单相接地故障定位方法，其特征在于：转化后的特征向量T′＝Xn＝{xni}，i∈[1,4]，xn1～xn3分别表示电流、电压、断路器位置，xn4作为标签，反映数据采集时的状态，xn4＝0时表示正常状态，xn4＝1时表示故障状态。

5.如权利要求1、3或4任一所述一种基于图卷积神经网络的配电网单相接地故障定位方法，其特征在于：所述特征转换模将转化后的每个样本特征连接成矩阵X，输入特征提取T N×4模块，X＝{X1,X2,…,Xn,…,XN} ,X∈R ，其中N表示配电网节点数，n∈[1,N]，Xn表示转化后第n个节点特征。

6.如权利要求1所述一种基于图卷积神经网络的配电网单相接地故障定位方法，其特征在于：所述图卷积神经网络包括1个输入层和8个图卷积层；其中输入层的神经元个数为

4，用于接收经特征转化模块转化后的特征；图卷积层采用基于LSTM聚合器的GraphSAGE算法。