1.基于深度学习的配电柜故障智能检测方法，其特征在于，所述方法包括：交互配电柜故障管理中心，获取配电柜分布线路信息；

对所述配电柜分布线路信息进行分析，识别M个关键线路；

获取所述M个关键线路中每条关键线路的各个连接器，识别所述各个连接器的连接方式；

按照所述连接方式配置连接监测模块的参数，根据所述连接监测模块对每条关键线路上的各个连接器进行连接监测，输出每条关键线路上对应的N个连接监测数据集，其中，N为连接器的数量；

将各个连接监测数据集输入线路故障概率模型中，其中，所述线路故障概率模型通过拟合随机故障概率层和集中故障概率层获取；

根据所述线路故障概率模型，输出所述M个关键线路对应的M个连接故障概率；

根据所述M个连接故障概率生成故障检测结果，将所述故障检测结果发送至配电柜故障管理中心。

2.如权利要求1所述的方法，其特征在于，对所述配电柜分布线路信息进行分析，识别M个关键线路，方法包括：交互配电柜故障管理中心，获取线路功能类型；

根据所述线路功能类型对所述配电柜分布线路信息进行聚类，输出线路聚类结果，其中，每个线路聚类结果对应一个线路功能类型；

对每个线路聚类结果进行关键线路分析，筛选M个关键线路。

3.如权利要求2所述的方法，其特征在于，对每个线路聚类结果进行关键线路分析，筛选M个关键线路，方法包括：对每个线路聚类结果中对应的线路进行关键性评估，输出关键性评估结果，其中，关键性评估为评估线路发生故障对系统安全的影响程度；

根据所述关键性评估结果筛选M个关键线路，所述M个关键线路包括每个线路聚类结果中关键性最高的第一关键线路，以及所有线路聚类结果中大于等于预设关键性的关键线路。

4.如权利要求1所述的方法，其特征在于，将各个连接监测数据集输入线路故障概率模型中，包括：其中，连接监测数据集包括接触电阻监测数据、接触温度监测数据和接触位移监测数据和接触振动监测数据；

将各个连接监测数据集输入线路故障概率模型中，根据所述线路故障概率模型的随机故障概率层和集中故障概率层分别对各个连接监测数据集进行故障概率识别，输出线路随机故障概率和线路集中故障概率；

根据所述线路随机故障概率和所述线路集中故障概率，输出每条关键线路上的连接故障概率。

5.如权利要求1所述的方法，其特征在于，拟合随机故障概率层和集中故障概率层获取线路故障概率模型，包括：；

其中， ，表征随机故障概率层对应的指数分布的概率密度函数，，表征集中故障概率层对应的正态分布的概率密度函数，为线路故障概率模型， 为连接监测数据集；

表征第i个连接器对应的连接监测数据， 表征第i个连接器发生故障的速率参数， 为自然常数， 为拟合随机故障概率层对应的权重；

为第i个连接器基于正态分布的故障概率均值， 为第i个连接器基于正态分布的发生故障的离散程度， 为拟合集中故障概率层对应的权重， 为每条关键线路上连接器的数量。

6.如权利要求5所述的方法，其特征在于，获取线路故障概率模型后，方法还包括：获取每条关键线路对应的P个连接器位置；

根据所述P个连接器位置，获取相邻两个连接器的距离；

根据相邻两个连接器的距离进行故障概率影响分析，配置距离惩罚因子；

基于所述距离惩罚因子对所述线路故障概率模型进行反馈优化。

7.如权利要求3所述的方法，其特征在于，根据所述M个连接故障概率生成故障检测结果，方法包括：对每个线路聚类结果中对应的线路进行关键性评估后，调用所述关键性评估结果，生成M个关键性指标；

基于M个关键性指标对所述M个连接故障概率进行计算，输出故障检测结果。

8.基于深度学习的配电柜故障智能检测装置，其特征在于，所述装置包括：分布线路信息获取模块，所述分布线路信息获取模块用于交互配电柜故障管理中心，获取配电柜分布线路信息；

关键线路识别模块，所述关键线路识别模块用于对所述配电柜分布线路信息进行分析，识别M个关键线路；

连接器连接方式识别模块，所述连接器连接方式识别模块用于获取所述M个关键线路中每条关键线路的各个连接器，识别所述各个连接器的连接方式；

连接监测数据获取模块，所述连接监测数据获取模块用于按照所述连接方式配置连接监测模块的参数，根据所述连接监测模块对每条关键线路上的各个连接器进行连接监测，输出每条关键线路上对应的N个连接监测数据集，其中，N为连接器的数量；

线路故障分析模块，所述线路故障分析模块用于将各个连接监测数据集输入线路故障概率模型中，其中，所述线路故障概率模型通过拟合随机故障概率层和集中故障概率层获取；

连接故障概率输出模块，所述连接故障概率输出模块用于根据所述线路故障概率模型，输出所述M个关键线路对应的M个连接故障概率；

配电柜故障管理模块，所述配电柜故障管理模块用于根据所述M个连接故障概率生成故障检测结果，将所述故障检测结果发送至配电柜故障管理中心。