1.一种配电网故障类型识别方法，其特征在于，包括：获取配电网中每个测点的故障电压信号，并对每个测点的故障电压信号进行标准化处理，每个测点的故障电压信号包括A、B、C三相电压信号；

获取标准化后的每个测点的故障电压信号的WVD时频谱图；

根据所有测点的故障电压信号中A、B、C三相电压信号的WVD时频谱图，构建时空数据立方体；

根据时空数据立方体和故障识别模型获取配电网的故障类型；

其中，所述故障识别模型采用基于三维卷积核的CNN模型；

根据时空数据立方体和故障识别模型获取配电网的故障类型具体包括：对时空数据立方体进行补零与三维卷积，获取所述基于三维卷积核的CNN模型的净输入；

根据所述基于三维卷积核的CNN模型的净输入和激活函数，获取卷积层的输出信号；

采用最大池化的方法，获取池化层的输出信号；

根据卷积层的输出信号或池化层的输出信号和全连接层，获取全连接层的输出信号；

根据所述全连接层的输出信号，获取配电网的故障类型；

根据公式 获取全连接层的输出信号的灵敏度 ，其中，Z为全连接层的净输入， 为全连接层激活函数的导数，E为输出误差， ，其中，Y为全连接层的输出信号， 为全连接层的期望输出；

若基于三维卷积核的CNN模型的当前隐含层为全连接层，其信号灵敏度为 ，下一层为全连接层或输出层，则根据 获取当前隐含层的输出信号的灵敏度， 为权重矩阵；

若基于三维卷积核的CNN模型的当前隐含层为卷积层或池化层，且连接卷积层，则根据计算当前隐含层的输出信号的灵敏度，其中， 表示对数据立方体元素上下、左右、前后各翻转180°操作， 表示卷积核， 表示表示立方体元素对应项相乘， 表示等宽卷积， 表示当前隐含层为卷积层或池化层，且连接卷积层时，全连接层的输出信号的灵敏度， 表示第 个输出通道，P表示输出信号的通道总数， 表示净输入。

2.根据权利要求1所述的配电网故障类型识别方法，其特征在于，对每个测点的故障电压信号进行标准化处理具体包括：获取所有测点的故障电压信号的最大值 ；

根据 计算标准化后的每个测点的故障电压信号 ，其中， 为中间值，， 为每个测点的故障电压信号。

3.根据权利要求2所述的配电网故障类型识别方法，其特征在于，获取标准化后的每个测点的故障电压信号的WVD时频谱图具体包括：根据下式计算标准化后的每个测点的故障电压信号的WVD时频谱图 ：其中， 为 的共轭复数， 为积分变量，f为频率， 为时移，j为虚数。

4.根据权利要求3所述的配电网故障类型识别方法，其特征在于，根据所有测点的故障电压信号中A、B、C三相电压信号的WVD时频谱图，构建时空数据立方体具体包括：根据每个测点的故障电压信号的WVD时频谱图获取所有测点的A、B、C三相电压信号的WVD时频谱图；

根据 构建时空数据立方体 ，其中，d表示第d个输入通道；d=1时，表示A相；d=2时，表示B相；d=3时，表示C相；K表示测量节点的个数， 表示第1个测量节点信号计算得到的WVD时频谱图， 表示第2个测量节点信号计算得到的WVD时频谱图、 表示第K个测量节点信号计算得到的WVD时频谱图。

5.根据权利要求4所述的配电网故障类型识别方法，其特征在于，若基于三维卷积核的CNN模型的当前隐含层为卷积层，且连接池化层，则根据计算当前隐含层的输出信号的灵敏度 ， 表示上采样。

6.根据权利要求5所述的配电网故障类型识别方法，其特征在于，基于三维卷积核的CNN模型根据各层输出信号的灵敏度调节各层的权重与偏置。