1.一种基于大数据的配电网故障类型识别方法，其特征在于，包括：S1：获取预处理后的配电网的故障训练样本集，其中，所述故障训练样本包括：故障发生时故障点的故障波形数据和对应的故障类别标签；

S2：对故障训练样本的故障波形数据进行特征提取，得到故障训练样本的时域、频域和熵特征；

S3：对故障训练样本的时域、频域和熵特征分别进行白化处理得到故障训练样本的白化时域特征、白化频域和白化熵特征；

S4：根据所有故障训练样本的特征方差和故障类别标签对故障训练样本的白化时域特征、白化频域特征和白化熵特征进行过滤，得到故障训练样本的时域属性特征、频域属性特征和熵属性特征；

S5：根据故障训练样本的时域属性特征、频域属性特征和熵属性特征利用故障识别模型预测故障训练样本的故障类型；

所述利用故障识别模型预测故障训练样本的故障类型包括：

S51：将故障训练样本的时域属性特征、频域属性特征和熵属性特征通过线性层映射为相同的维度得到中间时域属性特征、中间频域属性特征和中间熵属性特征；

S52：并利用双线性算子将中间时域属性特征、中间频域属性特征和中间熵属性特征两两组合得到交互后的六个特征交互向量；

利用双线性算子将中间时域属性特征、中间频域属性特征和中间熵属性特征两两组合包括：其中，t表示时域，p表示频域，e表示熵，Xi,j表示特征交互向量；Xi和Xj表示时域属性特征、频域属性特征或熵属性特征；di和dj分别表示Xi和Xj的维度；Linear表示线性层；

和 表示中间时域属性特征、中间频域属性特征或中间熵

属性特征；k表示中间时域属性特征、中间频域属性特征或中间熵属性特征的维度；W表示权重参数；⊙表示哈达玛积运算；

S53：将六个特征交互向量进行拼接得到特征交互矩阵X0，将特征交互矩阵X0输入压缩感知层进行深层特征提取得到多域交互深层次特征；

S54：将多域交互深层次特征输入全连接层预测出故障训练样本的故障类型；

S6：根据故障训练样本的故障类别标签和故障训练样本的预测结果构建损失函数对故障识别模型进行训练，通过训练好的故障识别模型对待识别故障波形数据进行故障识别。

2.根据权利要求1所述的一种基于大数据的配电网故障类型识别方法，其特征在于，所述故障训练样本集的预处理过程包括：S11：保留故障发生前N个周波到故障发生后M个周波的故障波形数据，去掉多余的故障波形数据；

S12：将步骤S11处理后的故障波形数据输入带通滤波器进行过滤，得到预处理后的故障波形数据。

3.根据权利要求2所述的一种基于大数据的配电网故障类型识别方法，其特征在于，所述故障波形数据包括：故障点的电压时序数据、电流时序数据和过滤电阻时序数据中的一种或多种。

4.根据权利要求1所述的一种基于大数据的配电网故障类型识别方法，其特征在于，所述故障训练样本的时域特征包括：峰值、均值、整流平均值、方差、标准差、峭度、偏度、均方根、峰间值、波形因子、峰值因子、脉冲因子和裕度因子；

故障训练样本的频域特征包括：重心频率、均方频率、均方根频率、频率方差、频率标准差和总谐波畸变率；

故障训练样本的熵特征包括：功率谱熵、奇异谱熵和能量熵。

5.根据权利要求1所述的一种基于大数据的配电网故障类型识别方法，其特征在于，所述对故障训练样本的时域、频域和熵特征分别进行白化处理包括：其中，Xwhiten表示单个故障训练样本白化处理后的白化时域特征、白化频域特征或白化熵特征，x表示单个故障训练样本的时域、频域或熵特征；μx表示故障训练样本集中所有训练样本在特征x的均值；σx表示故障训练样本集中所有训练样本在特征x的标准差。

6.根据权利要求1所述的一种基于大数据的配电网故障类型识别方法，其特征在于，所述步骤S4包括：S41：将所有故障训练样本的故障类别标签拼接成矩阵Y；将所有故障训练样本的白化特征拼接成矩Xw；计算矩阵Y和矩阵Xw的互信息；其中，所述白化特征包括：白化时域特征、白化频域和白化熵特征中的一种；

S42：计算所有故障训练样本的白化特征的方差；若某个白化特征的方差大于设定阈值θ1，且该白化特征对应的矩阵Xw和Y的互信息大于设定阈值θ2，则将该白化特征作为故障训练样本的属性特征；遍历故障训练样本的所有白化特征并重复执行步骤S41～S42筛选出故障训练样本的时域属性特征、频域属性特征和熵属性特征。

7.根据权利要求1所述的一种基于大数据的配电网故障类型识别方法，其特征在于，所述将特征交互矩阵X0输入压缩感知层进行深层特征提取得到多域交互深层次特征包括：S531：初始化l＝1；

S532：将特征交互矩阵 的每一行分别和压缩感知层第l层的矩阵进行哈达玛积运算得到m个第一中间二维矩阵 将m个第一中间二维

矩阵重塑为一个三维矩阵 其中，当l＝1时，X1为可训练的参数矩阵，m＝6表示特征交互向量的数量；

S533：将矩阵Ql沿最后一个维度拆分为k个第二中间二维矩阵 构建Hl+1个参数矩阵 将每个参数矩阵Wl2分别与k个第二中间二维矩阵q进行向量点乘运算得到k个标量，将k个标量拼接起来得到一个k维向量；将Hl+1个参数矩阵Wl2对应的Hl+1个k维向量拼接为矩阵S534：令l＝l+1，并重复执行步骤S532‑S533，直至l+1等于n为止，得到压缩感知层所有层的n个矩阵 将压缩感知层的n个矩阵分别输入平均池化层进行降维，将降维后的结果进行拼接得到长度为n*k的多域交互深层次特征。

8.根据权利要求1所述的一种基于大数据的配电网故障类型识别方法，其特征在于，所述损失函数包括：其中，loss表示损失函数，α为权重参数，CE(·)为交叉熵损失函数，y为故障训练样本的真实类别标签，表示故障识别模型对故障训练样本的预测结果。