1.一种基于人工智能的输电线路故障识别系统，其特征在于，包括：

数据采集模块，用于获取输电线路故障前后时间段内多个预定时间点的监测参数，所述监测参数包括三相电压、三相电流、零序电流的幅值数据；

监测参数特征提取模块，用于将所述多个预定时间点的监测参数分别按照时间维度排列为多个监测参数输入向量后分别通过包含第一卷积层和第二卷积层的第一卷积神经网络模型以得到多个多尺度监测参数特征向量；

高斯融合模块，用于基于高斯密度图对所述多个多尺度监测参数特征向量进行融合以得到监测参数协同特征矩阵；

融合特征提取模块，用于将所述监测参数协同特征矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到分类特征矩阵；

优化模块，用于对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵；

识别结果生成模块，用于将所述优化分类特征矩阵通过多标签分类器以得到分类结果，所述分类结果用于表示该输电线路具有各类故障的概率值；

其中，所述优化模块，包括：

参数化编码向量构造单元，用于构造所述分类特征矩阵中各个位置的参数化编码向量以得到多个像素位置参数化编码向量，其中，所述参数化编码向量包括坐标、沿X轴方向的梯度值、沿Y轴方向的梯度值和特征值；

参数化特征提取单元，用于将所述多个像素位置参数化编码向量通过基于全连接层的参数化特征提取器以得到多个像素位置参数化编码特征向量；

余弦相似度计算单元，用于计算所述多个像素位置参数化编码特征向量中任意两个像素位置参数化编码特征向量之间的余弦相似度以得到秩序化几何拓扑矩阵；

几何拓扑特征提取单元，用于将所述秩序化几何拓扑矩阵通过基于卷积层的几何拓扑特征提取器以得到秩序化几何拓扑特征矩阵；

融合单元，用于融合所述分类特征矩阵和所述秩序化几何拓扑特征矩阵以得到所述优化分类特征矩阵。

2.根据权利要求1所述的基于人工智能的输电线路故障识别系统，其特征在于，所述监测参数特征提取模块，包括：第一尺度特征提取单元，用于使用所述第一卷积神经网络模型的第一卷积层的各层在层的正向传递中分别对输入数据进行一维卷积处理、沿通道维度的各个特征矩阵的全局池化处理和非线性激活处理以由所述第一卷积层的最后一层输出第一尺度监测参数特征向量；

第二尺度特征提取单元，用于使用所述第一卷积神经网络模型的第二卷积层的各层在层的正向传递中分别对输入数据进行一维卷积处理、沿通道维度的各个特征矩阵的全局池化处理和非线性激活处理以由所述第二卷积层的最后一层输出第二尺度监测参数特征向量；

多尺度特征融合单元，用于融合所述第一尺度监测参数特征向量和所述第二尺度监测参数特征向量以得到所述多尺度监测参数特征向量。

3.根据权利要求2所述的基于人工智能的输电线路故障识别系统，其特征在于，所述高斯融合模块，包括：高斯密度图构造单元，用于以如下高斯公式来构造所述多个多尺度监测参数特征向量的高斯密度图；其中，所述高斯公式为：其中，μ是所述多个多尺度监测参数特征向量之间的按位置均值向量，而σ是所述多个多尺度监测参数特征向量中各个位置的特征值之间的方差， 表示高斯密度概率函数，x表示高斯密度图的变量；

高斯离散化单元，用于对所述高斯密度图中各个位置的高斯分布进行高斯离散化处理以得到所述监测参数协同特征矩阵。

4.根据权利要求3所述的基于人工智能的输电线路故障识别系统，其特征在于，所述融合特征提取模块，用于：使用所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；

对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；

其中，所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的第一层的输入为所述监测参数协同特征矩阵，所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的最后一层的输出为所述分类特征矩阵。

5.根据权利要求4所述的基于人工智能的输电线路故障识别系统，其特征在于，所述识别结果生成模块，包括：展开单元，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；

全连接单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量；

概率化单元，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述优化分类特征矩阵归属于各个分类标签的概率值，所述分类标签包括输电线路所有可能具有的故障类型。

6.一种基于人工智能的输电线路故障识别方法，其特征在于，包括：

获取输电线路故障前后时间段内多个预定时间点的监测参数，所述监测参数包括三相电压、三相电流、零序电流的幅值数据；

将所述多个预定时间点的监测参数分别按照时间维度排列为多个监测参数输入向量后分别通过包含第一卷积层和第二卷积层的第一卷积神经网络模型以得到多个多尺度监测参数特征向量；

基于高斯密度图对所述多个多尺度监测参数特征向量进行融合以得到监测参数协同特征矩阵；

将所述监测参数协同特征矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到分类特征矩阵；

对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵；

将所述优化分类特征矩阵通过多标签分类器以得到分类结果，所述分类结果用于表示该输电线路具有各类故障的概率值；

其中，对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵，包括：构造所述分类特征矩阵中各个位置的参数化编码向量以得到多个像素位置参数化编码向量，其中，所述参数化编码向量包括坐标、沿X轴方向的梯度值、沿Y轴方向的梯度值和特征值；

将所述多个像素位置参数化编码向量通过基于全连接层的参数化特征提取器以得到多个像素位置参数化编码特征向量；

计算所述多个像素位置参数化编码特征向量中任意两个像素位置参数化编码特征向量之间的余弦相似度以得到秩序化几何拓扑矩阵；

将所述秩序化几何拓扑矩阵通过基于卷积层的几何拓扑特征提取器以得到秩序化几何拓扑特征矩阵；

融合所述分类特征矩阵和所述秩序化几何拓扑特征矩阵以得到所述优化分类特征矩阵。

7.根据权利要求6所述的基于人工智能的输电线路故障识别方法，其特征在于，将所述多个预定时间点的监测参数分别按照时间维度排列为多个监测参数输入向量后分别通过包含第一卷积层和第二卷积层的第一卷积神经网络模型以得到多个多尺度监测参数特征向量，包括：使用所述第一卷积神经网络模型的第一卷积层的各层在层的正向传递中分别对输入数据进行一维卷积处理、沿通道维度的各个特征矩阵的全局池化处理和非线性激活处理以由所述第一卷积层的最后一层输出第一尺度监测参数特征向量；

使用所述第一卷积神经网络模型的第二卷积层的各层在层的正向传递中分别对输入数据进行一维卷积处理、沿通道维度的各个特征矩阵的全局池化处理和非线性激活处理以由所述第二卷积层的最后一层输出第二尺度监测参数特征向量；

融合所述第一尺度监测参数特征向量和所述第二尺度监测参数特征向量以得到所述多尺度监测参数特征向量。

8.根据权利要求7所述的基于人工智能的输电线路故障识别方法，其特征在于，基于高斯密度图对所述多个多尺度监测参数特征向量进行融合以得到监测参数协同特征矩阵，包括：以如下高斯公式来构造所述多个多尺度监测参数特征向量的高斯密度图；其中，所述高斯公式为：其中，μ是所述多个多尺度监测参数特征向量之间的按位置均值向量，而σ是所述多个多尺度监测参数特征向量中各个位置的特征值之间的方差， 表示高斯密度概率函数，x表示高斯密度图的变量；

对所述高斯密度图中各个位置的高斯分布进行高斯离散化处理以得到所述监测参数协同特征矩阵。

9.根据权利要求8所述的基于人工智能的输电线路故障识别方法，其特征在于，将所述监测参数协同特征矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到分类特征矩阵，包括：使用所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；

对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；

其中，所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的第一层的输入为所述监测参数协同特征矩阵，所述相邻层使用互为转置的卷积核的第二卷积神经网络模型的最后一层的输出为所述分类特征矩阵。