1.一种基于深度学习的环网柜电缆局部放电的故障检测方法，其特征在于：所述基于深度学习的环网柜电缆局部放电的故障检测方法，包括：获取电缆的电压信号的样本，每个样本包含m个采样点，对样本信号依次进行小波去噪处理和归一化处理；

将归一化后的样本信号按照连续的p个采样点为一组进行分组，分为n组；

对各组数据分别在频域和时域上提取统计特征，并将统计的特征拼接为一个q维的特征向量；

建立故障检测网络，并以k个批次、n个特征种类和q维的特征向量建立输入张量(k，n，q)对故障检测网络进行训练，所述故障检测网络包括卷积神经网络、LSTM网络、GRU网络、注意力机制网络和DenseNet网络，所述输入张量分别输入至卷积神经网络和LSTM网络依次得到第一输出和第二输出，将第一输出和第二输出拼接后依次输入至GRU网络、注意力机制网络和DenseNet网络；

最后将待检测电缆的电压信号对应的张量，输入至训练好的故障检测网络中，输出待检测电缆是否有局部放电故障的两种概率，并选择其中概率大的作为最后的检测结果。

2.如权利要求1所述的基于深度学习的环网柜电缆局部放电的故障检测方法，其特征在于：所述对各组数据分别在频域和时域上提取统计特征，并将统计的特征拼接为一个q维的特征向量，包括：在时域上提取特征：计算各组数据的信号幅值的平均值、标准差、最大值和最小值，以及百分比为0、1、10、25、50、75、90、99、100对应的百分比分位数和相对百分比分位数，以及各组数据的峰度、偏度、峰的数量、峰的最大高度、峰的最低高度、峰的平均高度、峰的最大宽度、峰的最低宽度、峰的平均宽度；

对各组数据进行FFT变换，转换为频域信号；

在频域上提取特征：计算转换为频域信号的各组数据的信号幅值的能量和、最大能量、最小能量、标准差、方差、偏度、均方根和整流平均值；

最后将时域上提取的特征量与频域上提取的特征量依次拼接，得到一个39维的特征向量，且q的值为39。

3.如权利要求1所述的基于深度学习的环网柜电缆局部放电的故障检测方法，其特征在于：所述卷积神经网络包括四个卷积模块，且分别为第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块，各所述卷积模块均包括依次设置的一维卷积层、BN层、第一RELU激活函数和Dropout层。

4.如权利要求3所述的基于深度学习的环网柜电缆局部放电的故障检测方法，其特征在于：所述建立故障检测网络，并以k个批次、n个特征种类和q维的特征向量建立输入张量(k，n，q)对故障检测网络进行训练，故障检测网络包括卷积神经网络、LSTM网络、GRU网络、注意力机制网络和DenseNet网络，所述输入张量分别输入至卷积神经网络和LSTM网络依次得到第一输出和第二输出，将第一输出和第二输出拼接后依次输入至GRU网络、注意力机制网络和DenseNet网络，包括：首先将输入的张量(k，n，q)进行第一转置处理得到(k，q，n)，然后将(k，q，n)依次输入至第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块得到第一输出，且经过各卷积模块的一维卷积层、BN层、第一RELU激活函数和Dropout层；

将输入的张量(k，n，q)输入至LSTM网络得到第二输出，且LSTM网络的层数为5层；

然后将第一输出进行第二转置处理，将第二转置处理后的张量与第二输出进行拼接，得到拼接张量，并将拼接张量通过第二RELU激活函数处理得到第三输出；

然后将第三输出依次输入至GRU网络和注意力机制网络得到第四输出；

最后将第四输出经过转置处理后输入至DensNet网络，输出是否有局部放电故障的两种概率。

5.如权利要求1所述的基于深度学习的环网柜电缆局部放电的故障检测方法，其特征在于：所述故障检测网络采用交叉熵作为损失函数Loss，且计算公式如下：Loss＝‑(y·log(p)+(1‑y)·log(1‑p))

其中，y表示实际类别标签，包括有局部放电信号样本的标签和无局部放电信号样本的标签，p表示故障检测网络为有局部放电信号样本的标签的概率。