1.一种基于深度学习的输电线路绝缘子故障诊断方法，其特征在于，其包括以下步骤：

步骤1：采集并处理输电线路绝缘子的图像信息和工况信息；

采集输电线路绝缘子的图像信息，通过像素采样进行图像尺度调整，并进行归一化处理，获得绝缘子图像数据；

采集输电线路绝缘子的工况信息，包括绝缘子材质、输电电压、输电电流、绝缘子机械载荷、钢帽温度、绝缘子温度、环境温度和天气状况共8维度数据，将8维数据标准化，通过背景数据填充获得维度统一的绝缘子工况特征矩阵数据；

步骤2：根据绝缘子图像数据和绝缘子工况特征矩阵数据训练基于深度学习的输电线路绝缘子故障诊断模型；

根据步骤1中的绝缘子图像数据和绝缘子工况特征矩阵数据组建训练数据，将训练数据按比例划分训练数据集和验证数据集，将训练数据集传入基于深度学习的输电线路绝缘子故障诊断模型进行训练；所述基于深度学习的输电线路绝缘子故障诊断模型包括：ICN深度学习模块、ECNN深度学习模块、TSAN深度学习模块、共同注意力机制层和输出全连接层；

所述TSAN深度学习模块的关键模型结构为自注意力机制层，所述自注意力机制层表达式如下：式中：Attention(Q，K，V)表示自注意力机制函数；Q表示自注意力机制层的第一中间数据；K表示自注意力机制层的第二中间数据；V表示自注意力机制层的第三中间数据；Swish表示自注意力机制层的第一激活函数；Wi表示自注意力机制层的第一学习参数；bi表示自注意力机制层的第二学习参数；d表示自注意力机制层的第一中间数据Q和第二中间数据K的向量长度；x表示TSAN深度学习模块的自注意力机制层输入；i表示不同参数编号；

绝缘子图像数据需要输入进行特征整合的ICN深度学习模块，ICN深度学习模块的输出数据再输入ECNN深度学习模块获得绝缘子图像特征数据，绝缘子工况特征数据输入TSAN深度学习模块获得绝缘子工况语义特征数据，再将绝缘子图像特征数据和绝缘子工况语义特征数据传入共同注意力机制层，最后通过输出全连接层输出诊断结果；

所述共同注意力机制层能够实现绝缘子图像特征与绝缘子工况语义特征的融合，共同注意力机制层与模型的整个网络一同进行训练，并自动优化学习参数；所述共同注意力机制层的表达式如下：式中：α表示共同注意力机制层的第一中间数据；U表示共同注意力机制层的第一学习参数；y表示ICN深度学习模块与ECNN深度学习模块输出；l表示共同注意力机制层的第二学习参数；β表示共同注意力机制层的第二中间数据；sigmoid表示共同注意力机制层第一激活函数；Swishb表示共同注意力机制层的第二激活函数；z表示TSAN深度学习模块的自注意力机制层输出；m表示共同注意力机制层的第四学习参数；output表示共同注意力机制层输出；

所述输出全连接层中激活函数为softmax，具体表达式如下所示：

j j

式中：j表示全连接层神经元编号；C表示第j神经元的输出；ω 表示输出全连接层的第j j一学习参数；β表示输出全连接层的第二学习参数；class表示输入数据属于第j缺陷类别的概率；*表示矩阵乘法；softmax表示输出全连接层中激活函数；

步骤3：确定基于深度学习的输电线路绝缘子故障诊断模型的训练效果，保存训练好的模型；

根据步骤2中的验证数据集判断基于深度学习的输电线路绝缘子故障诊断模型的训练效果，基于深度学习的输电线路绝缘子故障诊断模型输出异常绝缘子的故障类型，当验证数据集的平均绝对误差小于0.9％时模型完成训练，保存训练好的基于深度学习的输电线路绝缘子故障诊断模型参数，所述平均绝对误差计算公式如下：式中：Lmp表示数据集的平均绝对误差；N表示数据集batch数量；k表示batch编号；ACCk表示网络推理结果在第k个batch中的绝对准确率；

步骤4：将基于深度学习的输电线路绝缘子故障诊断模型应用到输电线路绝缘子在线故障诊断；

在线故障诊断的输入数据首先需要进行与步骤1中训练数据相同的数据预处理操作，传入基于深度学习的输电线路绝缘子故障诊断模型得到输电线路绝缘子故障类型，最终完成输电线路绝缘子故障诊断。

2.根据权利要求1所述的基于深度学习的输电线路绝缘子故障诊断方法，其特征在于，所述步骤2中训练数据需要利用专业输电线路工程师的故障诊断结果制作真实的故障情况标签，绝缘子的故障情况包括爬弧、掉串、自爆、断裂、电阻劣化和表面污秽共6个类别。

3.根据权利要求1所述的基于深度学习的输电线路绝缘子故障诊断方法，其特征在于，ICN深度学习模块由卷积层、反卷积层、Concat机制、激活函数、池化层和全连接层组成。

4.根据权利要求1所述的基于深度学习的输电线路绝缘子故障诊断方法，其特征在于，所述步骤2中的基于深度学习的输电线路绝缘子故障诊断模型需要计算交叉熵损失函数，如下所示：i

式中：L表示交叉熵损失函数；M表示故障类别总数；y表示第i个故障类别置信度； 表示实际是否为该故障类别。

5.根据权利要求1所述的基于深度学习的输电线路绝缘子故障诊断方法，其特征在于，所述步骤2中的ICN深度学习模块和ECNN深度学习模块，具体为：所述ICN深度学习模块使用了三个下采样卷积层和一个步长为2的最大值池化以及与下采样卷积对应的反卷积层；

所述ECNN深度学习模块包含的两个卷积层的卷积核大小均为5且卷积步长均为1，使用了两个步长为2的最大值池化串联结构，共四个池化层。

6.根据权利要求1所述的基于深度学习的输电线路绝缘子故障诊断方法，其特征在于，所述步骤2中的共同注意力机制层中通过全连接层和Sigmoid函数获得绝缘子工况信息的影响程度，再结合ICN深度学习模块与ECNN深度学习模块获得的绝缘子图像特征数据，获得受影响的整合特征数据并通过Softmax函数输出故障诊断结果。

7.根据权利要求3所述的基于深度学习的输电线路绝缘子故障诊断方法，其特征在于，所述TSAN深度学习模块中使用了头数为8的多头自注意力机制以及特征展开层和全连接层；所述TSAN深度学习模块能够实现自动提取绝缘子工况数据的故障诊断敏感信息，TSAN深度学习模块与整个网络一同进行训练，能够自动优化学习参数；所述TSAN深度学习模块获得的绝缘子工况数据的诊断敏感信息能够通过共同注意力机制层对最终的故障诊断结果产生影响。