1.一种基于人工智能技术实现继电器故障识别的系统，其特征在于：包括：

继电器状态采集层，其内设置有终端设备，所述终端设备内设置有继电器，所述继电器连接有传感器或过电流检测电路，其中所述传感器至少包括光电传感器、红外传感器、速度传感器、加速传感器、GIS传感器、振动传感器、纹波传感器、温湿度传感器、角度传感器、磁场传感器、转速传感器、RFID标签、GPS设备、射线辐射传感器、热敏传感器或能耗传感器；所述过电流检测电路至少包括I/V转换器、放大器、积分器、比较器、定时器、变流器以及输出继电器，通过所述变流器输出的次级电流经由所述I/V转换器，将输出信号转换成电压信号，然后将该电压进行直流输出；将电压比较器与人工初始设定的阈值进行比较，如果输出的直流电压大于人工设定的阈值，则输出识别信号；

数据传输层，其内布置有线通讯模块或无线通讯模块，用于接收并传递所述继电器状态采集层感知的继电器状态数据信息；其中：所述有线通讯模块至少包括RS485通讯模块或RS232通讯模块，所述无线通讯模块至少包括TCP/IP网络系统、ZigBee无线网络、GPRS通讯模块或CDMA无线通讯或蓝牙通讯模块；

人工智能学习层，其内设置有计算机处理系统，所述计算机处理系统设置有Apriori关联规则算法模型和BP神经网络算法单元，其中所述Apriori关联规则算法模型用于将所述继电器状态采集层感知的计算机信息按照不同的继电故障属性进行搜索，以搜索到最优解，所述属性至少包括的故障分类为电流、电压、谐波、磁场、振动、过电流、过电压或人工操作失误信息；所述BP神经网络算法单元使用梯度下降来搜索可能的权向量的假设空间，以找到最佳的拟合样例的权向量，利用损失函数，每次向损失函数负梯度方向移动，直到损失函数取得最小值，以提高人工智能学习精度，提高学习正确率；并且其中所述Apriori关联规则算法模型的输出端与所述BP神经网络算法单元的输入端连接，所述Apriori关联规则算法模型为决策树Apriori关联规则算法模型，所述BP神经网络算法单元包括输入层、隐藏层、输出层和激活层，所述输入层的输出端与所述隐藏层的输入端连接，所述隐藏层的输出端与所述输出层的输入端连接，所述激活层的输入端分别与所述输入层、隐藏层和输出层的输出端连接；

数据应用层，其内设置有具有远程数据传递接口的计算机，通过所述计算机识别或应用所述人工智能学习层输出的数据信息，对所述人工智能学习层输出的数据信息进行研究、调查、控制或应用；

远程调度层，其内设置有远程管理计算机，所述远程管理计算机设置有远程管理数据收发端口，接收所述数据应用层输出的数据信息；其中：所述继电器状态采集层中的状态数据库输出接口与所述数据传输层的输入端连接，所述数据传输层的输出端与所示人工智能学习层的输入端连接，所述人工智能学习层的输出端与所述数据应用层的输入端连接，所述数据应用层的输出端与所述远程调度层的输入端连接；过电流检测电路还包括电流采样电路；所述电流采样电路包括电流互感器，所述电流互感器输出端连接有三级LM224放大电路，所述三级LM224放大电路的输出端与A/D转换单元连接；在进行电流采样设计时，在输入端采用电流传感器进行电流输入，通过电流互感器实现大电流到小交流电压的输入；电阻R1、电容C1为采用电流互感器后进行积分计算的电阻和电容，电阻R1的输出电压信号被运算放大，LM224 U1A、LM224 U1 B构成的放大电路进行放大，被放大后的信号产生2.5V的交流电压，电容C3、电阻R7、电容C4以及电阻R6实现低通滤波和高通滤波，并且其截止频率为1/2πRC；LM 224U1 C放大器的作用是向前方产生的交流电压提供基准直流电压，将交流电压信号与直流电压信号进行叠加，最终提高电压的值；

所述Apriori关联规则算法的方法为：

(1)对运行工作状态中的继电器列表进行扫描，然后根据样式参数的排列方式，得到所有继电器运行状态的参数；

(2)根据继电器运行状态的各属性值，所述属性值至少包括工作电压、工作电流、纹波、磁场、人工作业，利用层次分析法计算各属性值的加权值；

(3)根据人工设置的加权值，计算各属性值警告集t的权重值,可以用公式(1)来表示；

(4)根据各属性值集的权重，计算各属性值警告的加权支持度,用公式2来表示；

根据预先设置好的最小支持度阈值，产生加权的警告频繁k项集；

(5)将警告频繁k项集，根据网络加权项目集的先验性质，采用优化拼接和减枝方法，产生警告项目的候选k+1项集，计算候选警告k+1项集的加权支持度，产生加权的警告频繁k+1项集；

(6)重复步骤四，直到无法继续产生告警频繁项目集，最终得出最优解；

所述BP神经网络算法通过调节BP神经网络模型中的权值或者阈值来调整模型输出结果，继而实现逐步逼近该模型输出的结果的目的，使得输出误差能够达到最小，并且所述BP神经网络算法包括向前传播算法模型和向后传播算法模型；

所述向前传播算法模型的工作方法为：

假设从输入层输入的数据为x，输入层到隐藏层参数为ω、b1，隐藏层到输出层参数为υ、b2，激活函数用为g1、g2，则模型设定为：从输入层到隐藏层的输出公式为：

T

net1＝ω x+b1,h＝g1(net1) (3)

从隐藏层到输出层的输出公式为：

则有：

则损失函数为：

其中k＝2；

所述向后传播算法模型中：

调整输出层权系数公式为：

采用以下公式调整隐含层权系数：

另外，在不同的继电器故障数据样本中，由于输入模式不同，其对应的二次型准确函数模型也不同，用以下公式进行表示：对于N个继电器故障信息样本，采用以下公式表达总准确函数表达式：

用字母△ωki表示BP神经网络算法模型的输出层权系数，用字母 表示BP神经网络算法模型的的信息期望输出值，用字母 表示为BP神经网络算法模型进行计算的输出，用字母η表示为常数，η的值介于0.1‑2.8之间。

2.一种基于人工智能技术实现继电器故障识别的方法，所述方法应用于权利要求1所述的系统，其特征在于：所述方法包括以下步骤：(S1)通过继电器状态采集层获取继电器故障数据信息；

(S2)通过数据传输层传递继电器状态采集层的数据信息；

(S3)人工智能学习层接收数据传输层传递的数据信息，并对接收到的数据信息进行学习；

(S4)数据应用层对人工智能学习层输出的数据信息进行应用；

(S5)远程调度层与数据应用层进行数据通讯，实现数据的远程传递、监控和应用。

3.根据权利要求2所述的一种基于人工智能技术实现继电器故障识别的方法，其特征在于：k项集中k值介于50‑100之间。