1.一种计及配网设备接入不确定性的自适应故障保护方法，其特征在于，包括以下步骤：

步骤1，实时采集配网设备灵活接入、切换条件下的系统电流信息；

步骤2，对获取的系统电流信息进行时频域分析，提取检测与选线特征，得到特征集；

步骤3，对检测特征进行失效性判断，若检测特征未失效，转至步骤4，若检测特征失效，首先针对当前检测特征形式进行参数寻优，再进行失效性判断，若改进后的检测特征未失效，结合历史特征一起升维处理后转至步骤4，若改进后的检测与选线特征仍失效，则在步骤2所得特征集中筛选得到故障特征，将所得故障特征结合历史特征一起升维处理后转至步骤4；所述检测特征失效判断依据为：首先使用最大互信息系数对故障特征与历史的正常运行系统特征间衡量关联程度，互信息计算公式如下：

式中：I(x， y)为互信息，p(x， y)是x和y的联合概率分布函数，p(x)和p(y)分别为x和y的边缘概率分布函数，当互信息大于设定阈值，判定为检测特征相关而失效；

所述选线特征失效判断依据为：

首先使用最大互信息系数对正常特征与历史对应不同配网设备及支路状态的正常运行系统特征间衡量关联程度，当互信息大于设定阈值，判定为选线特征相关而失效；

步骤4，通过基于不忘学习改进持续学习的方法对故障智能检测模型进行延展，基于故障智能检测模型结合计算步骤2所得检测特征进行故障状态检测，完成故障自适应检测，检出故障后转至步骤5，否则返回至步骤1；

步骤5，对选线特征进行失效性判断，若选线特征未失效，转至步骤6，若选线特征失效，首先针对当前选线特征形式进行参数寻优，再进行失效性判断，若改进后的选线特征未失效，结合历史特征一起升维处理后转至步骤7，若改进后的选线特征仍失效，则在特征集中筛选，将所得故障特征结合历史特征一起升维处理后转至步骤7；

步骤6，判断未失效的选线特征是否呈现新的配网设备信息，如有至步骤7，否则转至步骤8；

步骤7，通过基于不忘学习改进类别增量学习的方法对故障智能定位模型进行延展；具体包括以下步骤：首先在直流故障电弧选线模型的输出层新增加一个节点，然后利用知识蒸馏的方式和权重因子对旧任务的数据进行保留，使新模型对旧任务的预测值与旧模型对旧任务的预测值保持一致，利用交叉熵损失和权重因子对新任务进行记忆；

步骤8，基于人工智能网络对故障进行选线定位，输出故障所在支路及设备信息；首先使用最大互信息系数衡量步骤6所述未失效的选线特征与历史对应不同配网设备及支路状态的正常运行系统特征间的关联程度，当反应所述关联程度的互信息系数大于设定阈值时，判定为所述未失效的选线特征呈现了相关的历史配网设备信息；否则判定所述未失效的选线特征呈现新的配网设备信息；对多种选线特征，使用下式中的三元损失方法拉近同类设备数据之间的距离，拉远异类设备数据之间的距离：式中：L表示三元损失，D(a， p)代表设备样本a与样本b之间的距离，D(a， n)代表设备样本a与样本n之间的距离，α代表margin函数。

2.根据权利要求1所述一种计及配网设备接入不确定性的自适应故障保护方法，其特征在于，步骤2中，检测与选线特征为时频域特征。

3.根据权利要求1所述一种计及配网设备接入不确定性的自适应故障保护方法，其特征在于，步骤3中，采用循环神经网络；对于故障检测模型，先用基于小波包分解的电磁炉特征去训练循环神经网络，然后得到一个故障智能检测模型；步骤7中，对选线模型，用旧场景的稳态特征训练构建好的循环神经网络，然后将得到一个故障智能定位模型。

4.根据权利要求1所述一种计及配网设备接入不确定性的自适应故障保护方法，其特征在于，特征参数寻优过程具体为，不变更特征框架，以特征参数为约束条件，使用优化算法求解特征参数，实现当前故障状态或设备运行状态下特征输出不失效。

5.根据权利要求1所述一种计及配网设备接入不确定性的自适应故障保护方法，其特征在于，所述特征集包括时域特征、统计特征、时频域特征和磁光声物理特征，通过评估选择当前故障状态输出不失效的特征，或设备运行状态下输出不失效的特征完成筛选。

6.根据权利要求1所述一种计及配网设备接入不确定性的自适应故障保护方法，其特征在于，在步骤2所得特征集中筛选得到故障特征时，根据系统架构或应用场景，自动分析出最适宜匹配的故障检测特征。