1.一种基于深度学习的配电物联网监测系统，其特征在于，包括：

配电监测模块，用于实时监测配电设备的各项参数数据，参数数据包括运行参数、环境参数以及使用参数；

通信模块，用于监测数据的传输以及物联网连接的建立，将监测数据传输至云平台进行分析；

云平台，其中云平台包括运行分析模块、环境分析模块以及使用分析模块，用于对相应监测数据进行储存、分析以及显示；基于对应监测数据分析结果，进行综合分析得到配电设备对应当前监测时间段的风险评估指数，具体为：S1：运行分析模块用于对配电设备对应当前监测时间段内的运行参数进行分析，得到配电设备对应当前监测时间段内的运行评估指数；其中运行参数包括有声响、温度以及电流值；对配电设备对应当前监测时间段内的运行参数进行分析，具体为：

201：获取配电设备对应当前监测时间段内的设备异响次数、各异响次数对应持续时长以及各时刻点的异响分贝值；

将各异响次数对应持续时长之间进行相加得到异响时长；将当前监测时间段内各时刻点的分贝值与设定的分贝阈值之间进行比对，将高于阈值的分贝值之间进行相加并取均值得到异响均值，将当前监测时间段内的异响均值与设定的异响等级范围进行匹配，得到当前监测时间段内的异响等级；

将当前监测时间段内的异响次数、异响时长以及异响等级分别标记为YX1、YX2以及YX3，并对三者之间进行计算得到当前监测时间段内的异响评估指数HG；

202：获取配电设备对应当前监测时间段内各时刻点的温度值，并与设定的温度阈值之间进行比对；

统计高于温度阈值的个数得到异温个数；获取各异温个数对应的持续时长并进行相加得到异温时长；将高于阈值的温度值之间进行相加并取均值得到异温均值，将当前监测时间段内异温均值与设定的温度等级范围进行匹配，得到当前监测时间段内的异温等级；

将当前监测时间段内的异温个数、异温时长以及异温等级分别标记为YW1、YW2以及YW3，并对三者之间进行计算得到当前监测时间段内的异温评估指数HU；

203：获取配电设备对应当前监测时间段内各时刻点的电流值，并与设定的电流阈值之间进行比对；

统计高于电流阈值的个数得到异流个数；获取各异流个数对应的持续时长并进行相加得到异流时长；将高于阈值的电流值之间进行相加并取均值得到异流均值，将当前监测时间段内异流均值与设定的电流等级范围进行匹配，得到当前监测时间段内的异流等级；

将当前监测时间段内的异流个数、异流时长以及异流等级分别标记为YL1、YL2以及YL3，并对三者之间进行计算得到当前监测时间段内的异流评估指数HD；

将当前监测时间段内配电设备的异响评估指数HG、异温评估指数HU以及异流评估指数HD之间进行综合分析，得到运行评估指数KGF；

S2：环境分析模块用于对配电设备对应当前监测时间段内的环境参数进行分析，得到配电设备对应当前监测时间段内的环境评估指数；其中环境参数包括风速、风向、灰尘浓度以及气体浓度；对配电设备对应当前监测时间段内的环境参数进行分析，具体为：

301：对当前监测时间段内配电设备所处环境状态进行判定，环境状态包括晴天、下雨以及下雪，并设定各环境状态分别对应一个风险系数，风险系数包括晴天系数、雨天系数以及雪天系数；

302：若判定环境状态为晴天，获取当前监测时间段内配电设备所处周围的风速与风向信息，计算当前风向与配电设备接触面之间的夹角，并将夹角数据与设定的夹角影响范围进行匹配，得到风向系数；

302‑1：获取当前监测时间段内配电设备所处周围的灰尘浓度与气体浓度值，对灰尘浓度、气体浓度以及风向系数之间进行综合分析得到浓度影响指数；

302‑2：对当前监测时间段内配电设备所处周围的风速值和浓度影响指数之间进行综合分析，得到晴天评估指数，并与晴天系数之间进行相乘计算得到环境评估指数；

303：若判定环境状态为雨天，获取当前监测时间段内配电设备所处周围的降雨量，对当前监测时间段内配电设备所处周围的风速值、浓度影响指数以及降雨量之间进行综合分析，得到雨天评估指数，并与雨天系数之间进行相乘计算得到环境评估指数；

304：若判定环境状态为雪天，获取当前监测时间段内配电设备所处周围的降雪量，对当前监测时间段内配电设备所处周围的风速值、浓度影响指数以及降雪量之间进行综合分析，得到雪天评估指数，并与雪天系数之间进行相乘计算得到环境评估指数；

S3：使用分析模块用于对配电设备对应当前监测时间段内的使用参数进行分析，得到配电设备对应当前监测时间段内的使用评估指数；其中使用参数包括外壳与接地导线图像信息；对配电设备对应当前监测时间段内的使用参数进行分析，具体为：

401：获取当前监测时间段内配电设备的外壳图像信息，并对采集的外壳图像信息进行预处理，基于阈值分割的方法，将图像分割为正常区域与腐蚀区域，统计配电设备外壳所对应的腐蚀区域个数，利用像素计数的方法分别计算各腐蚀区域的面积并进行相加得到腐蚀面积；计算腐蚀面积与配电设备外壳总面积之间的比值，得到腐蚀占比；

对腐蚀区域个数与腐蚀占比之间进行综合分析得到腐蚀险值；

在预处理后的图像上提取特征，对检测到的孔洞区域进行特征分析，包括孔洞的数量、大小以及深度；对各孔洞的边界进行轮廓提取，得到各孔洞边界的坐标点集合，根据各孔洞边界的坐标点集合，利用多边形面积计算公式得到各孔洞的面积；通过图像中设定的基准点，分别计算各孔洞与基准点之间的直线距离，得到孔洞深度；将对应孔洞的深度值与面积值之间进行计算得到洞险值；

基于各组洞险值得到配电设备的孔洞险值；

将配电设备对应的腐蚀险值与孔洞险值之间进行综合分析，得到防护评估指数；

402：获取当前监测时间段内配电设备的接地导线图像信息，提取导线图像中破裂部分的特征并进行测量，得到对应破裂处的破裂长度，将各破裂处的破裂长度与设定的破裂阈值之间进行比对，统计高于阈值的破裂长度并标记为超出长值，分别计算各超出长值与阈值之间的差值并取均值得到破裂均值；统计超出长值的个数得到超出个值；

将配电设备对应的超出个值与破裂均值之间进行综合分析，得到连接评估指数；

403：将配电设备对应的防护评估指数与连接评估指数之间进行综合分析得到使用评估指数；

得到配电设备对应当前监测时间段的风险评估指数，具体为：利用配电设备对应当前监测时间段内的运行评估指数、环境评估指数以及使用评估指数，得到风险评估指数；将得到的风险评估指数与设定影响阈值范围进行匹配，得到当前监测时间段内配电设备的风险评估等级；

将配电设备对应当前监测时间段的风险评估指数与设定影响阈值范围进行匹配，得到当前监测时间段内配电设备的风险评估等级，并发送至远程操作模块；

远程操作模块，根据得到的风险评估等级，基于物联网连接对配电设备进行相应的风险警报，并执行对应的操作，具体为：M1：当风险评估等级为一级时，将相关参数信息发送至当前值班的管理人员移动终端上，管理人员通过移动终端对配电设备的运行状态进行远程调控，同时对配电设备当前状态进一步监控，判断是否需要进行现场维护；

M2：当风险评估等级为二级时，通知当前值班管理人员的同时调配优效值最高的管理人员前往现场进行检修、维护或调控，值班管理人员通过移动终端对配电设备的运行状态进行远程监控；

基于物联网连接对配电设备进行相应的风险警报，并执行对应的操作，具体为：

601：当风险评估等级为一级时，将对应参数发送至当前值班的管理人员移动终端上，管理人员对当前生成等级进行解析，得到配电设备当前整体状态，通过移动终端对配电设备对应运行参数进行远程调控后，基于配电设备所处环境状态以及可视化模型状态，判断是否需要进行现场维护；

602：当风险评估等级为二级时，当前值班管理人员基于配电设备当前整体状态远程对配电设备运行参数进行调控或停止设备工作，同时调配优效值最高的管理人员前往现场进行检修、维护或调控，该管理人员当月总维护次数加一；

602‑1：发送位置反馈指令至当前所有值班管理人员移动终端上，获取当前各管理人员的所在位置，将各管理人员所在位置与当前设备位置之间进行距离差计算得到维护距离值；同时获取各管理人员的工作时长以及当月维护总次数；

对各管理人员的维护距离值、工作时长以及当月维护总次数之间进行综合分析，得到各管理人员的优效值；

深度学习算法模块，用于收集和储存云平台的监测数据分析结果，并建立对应模型，模型包括预测故障诊断模型和可视化模型；建立预测故障诊断模型和可视化模型，具体为：K1：获取各监测时间段内的风险评估指数并进行解析，得到各监测时间段内风险评估指数对应的原始数据；

K1‑101：对得到的原始数据进行预处理后，通过自动特征提取的方式，从对应原始数据中提取运行参数变化的特征并进行学习；

K1‑102：基于大量的特征学习建立风险预测诊断模型；输入配电设备的实时监测运行参数并代入模型内，输出对应的运行风险预测结果；

K1‑103：实时记录各监测时间段内的分析结果并整合进风险预测诊断模型内，进行更新；

K2：使用分析的图像样本，包括腐蚀图形、孔洞图像以及导线图像，训练一个分类器模型，并使用训练好的分类器模型，基于当前的分析结果，对原始的配电设备模型进行颜色标记，形成可视化模型。

2.根据权利要求1所述的一种基于深度学习的配电物联网监测系统，其特征在于，所述云平台内还包括有数据可视化与报表分析模块，用于将监测数据以图表和报表形式显示；

同时对可视化模型进行显示。