1.基于深度混合神经网络的电网节点故障诊断方法，其特征在于，该方法包含以下步骤：S1：数据采集模块(1)采集区域内电网节点故障数据，存储于电网节点数据存储单元(21)中；

S2：数据预处理模块(3)对电网节点数据存储单元(21)中的电网节点故障数据进行清洗，并分析电网节点故障的属性以及节点与属性间的关系；

S3：数据预处理模块(3)采用编码方法将电网节点、电网节点故障的属性以及节点与属性间的关系转化为知识图谱；

S4：预测模块(4)利用GNN提取知识图谱中的节点信息进行聚合，输出最终节点表示；

S5：预测模块(4)构建N层级联结构的MLP的损失函数，利用历史电网节点故障数据的最终节点表示进行训练，将得到的深度混合神经网络的参数存放到预测数据储存单元(22)，并采用递归的方式更新参数；

S6：预测模块(4)利用训练好的深度混合神经网络对数据采集模块(1)实时采集电网节点数据进行处理和分析，预测或判断电网节点的故障情况；

其中，所述的每一条电网节点故障数据至少包含：节点的ID、节点的电流数据、节点的电压数据、节点的支流数量、节点电路使用年限、节点的故障事件；

所述的步骤S2具体为：数据预处理模块(3)对电网节点数据存储单元(21)中电网节点故障数据进行统计，统计所有节点对应的故障事件发生概率，清洗掉极小概率故障事件对应的电网节点故障数据后，剩余的电网节点故障数据对应的所有故障事件构成电网节点故障的属性；利用聚类模型对剩余的电网节点故障数据进行节点的故障事件的分级聚类，即设定节点的故障事件的级别数，将节点的ID对应的节点的电流数据、节点的电压数据、节点的支流数量、节点电路使用年限作为聚类模型的输入；

步骤S3所述的知识图谱采用三元组的形式，其中n表示电网节点，对应节点的ID；a表示电网节点故障的属性，对应节点的电流数据、节点的电压数据、节点的支流数量、节点电路使用年限、节点的故障事件；r表示节点与属性间的关系，对应节点的故障事件的级别数；

所述的步骤S3具体为：对电网节点、电网节点故障的属性以及节点与属性间的关系进行编码，得到对应的编码向量 将所有的编码向量拼接起来得到知识图谱初始矩阵 其中， d为人为设定的编码维度；N1、N2和N3分别表示电网节点数量、电网节点故障的属性数量以及节点与属性间的关系的数量；

所述的步骤S4具体为：

S401：设定候选电网节点的属性数量NS，随机对任意电网节点ni的属性进行采样，得到固定数量的电网节点的属性作为电网节点候选属性；其中，1≤i≤N1；

S402：建立一个L层的GNN，输入为知识图谱初始矩阵Eg；

S403：重复执行步骤S401更新每一层GNN的节点信息，实现节点信息的聚合；

S404：将所有节点的最终表示拼接起来得到输出最终节点表示为 其中，对于电网节点ni的最终的节点表示为步骤S401中所述的采样具体为：(1)当电网节点的属性数量TS大于等于NS时，随机在其对应的属性中选取NS个属性，作为电网节点候选属性，建立电网节点与电网节点候选属性间的关系；(2)当电网节点的属性数量TS小于NS时，随机在现有的TS个属性中可重复的选取NS‑TS个，关联到电网节点，作为电网节点候选属性，建立电网节点与电网节点候选属性间的关系；

步骤S403中任意第l层的节点信息聚合为 其中：1≤l≤L；σ

(·)表示ReLU激活函数； 表示拼接操作； 是可训练的权重矩阵； 是一个偏置向量；

为电网节点ni在GNN的第l‑1层中节点信息，初始时为 聚合函数

为GNN的第(l‑1)层中电网节点ni的候选属性ai的嵌入

向量；Ns(ni)为电网节点ni的候选属性构成所属的采样集合；第(l)层中与电网节点ni与候选属性间的关系ri相对应的语义特征得分 sum[·]为向量元素求和； 为GNN的第l‑1层中电网节点ni与候选属性间的关系ri的嵌入向量；

是可训练的权重矩阵；

是一个偏置向量；p为第(l)层GNN中全连接层的数量，⊙为逐元素乘法；

步骤S5所述的N层级联结构的MLP，其任意第i层的预测输出为 以及输入为i i满足 其中，w 、b为这一层的可训练

的权重矩阵和偏置向量；所述的损失函数可以为： Lc(·)为交叉熵验

证函数。

2.根据权利要求1所述的基于深度混合神经网络的电网节点故障诊断方法，其特征在于，步骤S2所述的聚类模型为K‑means算法。

3.根据权利要求1所述的基于深度混合神经网络的电网节点故障诊断方法，其特征在于，步骤S3所述的编码方法为随机编码方法。

4.根据权利要求1所述的基于深度混合神经网络的电网节点故障诊断方法，其特征在于，步骤S5所述的损失函数可以为： 其中，pi为第i层MLP预测的 与真实标签y一致的概

率；β、γ为设定参数； pci为第i层MLP预测的 与真实标签y向量元素相同的个数；Ts为人为设定的正整数阈值。

5.根据权利要求1所述的基于深度混合神经网络的电网节点故障诊断方法，其特征在于，所述的电网节点故障数据将按照8:1:1的比例进行划分，80％的数据集作为训练集，用于训练模型；10％的数据集作为验证集被用于确定模型最终的层数，10％的数据集作为测试集被用于测试模型的性能。

6.根据权利要求5所述的基于深度混合神经网络的电网节点故障诊断方法，其特征在于，所述的级联结构的MLP的层数N取决于通过验证集所得到的电网节点故障的预测精度，初始值为大于2的正整数，当验证集中的预测精度上升时，混合神经网络的层数将加深，直到预测精度不再上升或者下降为止；即 其中AccN表示N层时通过验证集所得到的电网节点故障的预测精度。

7.基于权利要求1‑6任一项所述方法的基于深度混合神经网络的电网节点故障诊断装置，其特征在于，该装置包含数据采集模块(1)、数据存储模块(2)、数据预处理模块(3)以及预测模块(4)；所述的数据采集模块(1)通过通信读取与之相连的电网节点传感器的数据，实现电网节点故障数据的采集；所述的数据存储模块(2)由电网节点数据存储单元(21)和预测数据储存单元(22)构成；所述的电网节点数据存储单元(21)为内存，分别与数据采集模块(1)和数据预处理模块(3)相连，用于存储和传递数据采集模块(1)采集的电网节点故障数据，所述的预测数据储存单元(22)为内存，与预测模块(4)相连，用于存储和传递预测模块(4)反馈的数据；所述的数据预处理模块(3)与预测模块(4)相连，用于电网节点故障数据的预处理；所述的预测模块(4)为内存带有深度混合神经网络的处理器，所述的深度混合神经网络由一个GNN串联N层级联结构的MLP组成，用于预测或判断电网节点的故障情况。