1.一种高压电气设备局部放电类型识别方法，其特征在于，所述方法包括：

获取局部放电信号采集器反馈的局部放电信号数据图像，记为第一图像数据，所述局部放电信号采集器用于采集电力设备的放电信号；

判定所述局部放电信号采集器的设备温度，并在所述设备温度在第一温差范围内的情况下，将所述第一图像数据的扩张卷积通过特征增强模块中的长路径融合浅层和深层的信息凸显第一图像数据中的噪点特征，并通过小波硬阈值滤波去除所述第一图像数据中的波峰噪点，得到第二图像数据，所述第一温差范围为局部放电信号采集器的正常工作温度，用于保证采集器的信号采集精度；

提取所述第二图像数据中的特征集合，所述特征集合包括第二图像数据的轮廓特征和纹理特征；

构建放电类型评估模型，并将所述特征集合输入放电类型评估模型，得到第一图像数据对应的第一放电类型，所述放电类型评估模型为根据图像数据中的轮廓特征和纹理特征判定图像数据对应的放电类型的BP神经网络算法。

2.根据权利要求1所述的高压电气设备局部放电类型识别方法，其特征在于，所述判定所述局部放电信号采集器的设备温度之后，还包括：若所述设备温度未在所述第一温差范围内，则根据历史温差实验补偿数据找到与所述设备温度对应的温差补偿系数，所述历史温差实验数据为记录不同实验环境温度下采集器的失真补偿系数；

通过温度补偿系数修正第一图像数据，并将修正后的第一图像数据的扩张卷积通过特征增强模块中的长路径融合浅层和深层的信息凸显第一图像数据中的噪点特征，并通过小波硬阈值滤波去除所述第一图像数据中的波峰噪点，得到第二图像数据。

3.根据权利要求1所述的高压电气设备局部放电类型识别方法，其特征在于，所述构建放电类型评估模型，包括：获取第一数据，所述第一数据包括多个局部放电信号采集器收集的历史第二图像数据及对应的放电类型；按照放电类型对所述第一数据进行分类，得到每种放电类型对应的历史第二图像数据集合；

基于所有放电类型的历史第二图像数据集合对BP神经网络模型进行训练，得到训练好的模型，记为放电类型评估模型。

4.根据权利要求1所述的高压电气设备局部放电类型识别方法，其特征在于，所述得到第一图像数据对应的第一放电类型之后，还包括：基于检测区域内所有局部放电信号采集器的历史采集数据，得到每种放电类型对应的历史发生频次分布图，所述历史采集数据包括电力设备的位置信息、放电时间和放电类型，所述历史发生频次分布图反应同一放电类型的对应的放电位置、放电时间和放电次数；

基于距离类的聚类算法将历史发生频次分布图中放电位置相近的多个局部放电信号采集器进行归集，得到多个局部历史发生频次分布图，记为第二分布图；

获取第二分布图对应的地理区域的历史天气信息和预测天气信息，所述历史天气信息包括温度、湿度和气压值；

基于所述历史天气信息、所述第二分布图和未来天气信息，利用卡尔曼滤波算法和差分自回归移动平均预测模型预测得到所述第二分布图对应的地理区域内的电力设备在未来第一时间段内发生某一类型的放电频次；

根据预测的放电频次生成对应的维护材料清单。

5.一种高压电气设备局部放电类型识别装置，其特征在于，所述装置包括：

第一获取模块，用于获取局部放电信号采集器反馈的局部放电信号数据图像，记为第一图像数据，所述局部放电信号采集器用于采集电力设备的放电信号；

第一计算模块，用于判定所述局部放电信号采集器的设备温度，并在所述设备温度在第一温差范围内的情况下，将所述第一图像数据的扩张卷积通过特征增强模块中的长路径融合浅层和深层的信息凸显第一图像数据中的噪点特征，并通过小波硬阈值滤波去除所述第一图像数据中的波峰噪点，得到第二图像数据，所述第一温差范围为局部放电信号采集器的正常工作温度，用于保证采集器的信号采集精度；

特征提取模块，用于提取所述第二图像数据中的特征集合，所述特征集合包括第二图像数据的轮廓特征和纹理特征；

第二计算模块，用于构建放电类型评估模型，并将所述特征集合输入放电类型评估模型，得到第一图像数据对应的第一放电类型，所述放电类型评估模型为根据图像数据中的轮廓特征和纹理特征判定图像数据对应的放电类型的BP神经网络算法。

6.根据权利要求5所述的高压电气设备局部放电类型识别装置，其特征在于，所述第一计算模块，还包括：第三计算单元，用于判定若所述设备温度未在所述第一温差范围内，则根据历史温差实验补偿数据找到与所述设备温度对应的温差补偿系数，所述历史温差实验数据为记录不同实验环境温度下采集器的失真补偿系数；

图像修正单元，用于通过温度补偿系数修正第一图像数据，并将修正后的第一图像数据的扩张卷积通过特征增强模块中的长路径融合浅层和深层的信息凸显第一图像数据中的噪点特征，并通过小波硬阈值滤波去除所述第一图像数据中的波峰噪点，得到第二图像数据。

7.根据权利要求5所述的高压电气设备局部放电类型识别装置，其特征在于，所述第二计算模块，包括：第一获取单元，用于获取第一数据，所述第一数据包括多个局部放电信号采集器收集的历史第二图像数据及对应的放电类型；按照放电类型对所述第一数据进行分类，得到每种放电类型对应的历史第二图像数据集合；

模型训练单元，用于基于所有放电类型的历史第二图像数据集合对BP神经网络模型进行训练，得到训练好的模型，记为放电类型评估模型。

8.根据权利要求5所述的高压电气设备局部放电类型识别装置，其特征在于，还包括：第一采集模块，用于基于检测区域内所有局部放电信号采集器的历史采集数据，得到每种放电类型对应的历史发生频次分布图，所述历史采集数据包括电力设备的位置信息、放电时间和放电类型，所述历史发生频次分布图反应同一放电类型的对应的放电位置、放电时间和放电次数；

第三计算模块，用于基于距离类的聚类算法将历史发生频次分布图中放电位置相近的多个局部放电信号采集器进行归集，得到多个局部历史发生频次分布图，记为第二分布图；

第二获取模块，用于获取第二分布图对应的地理区域的历史天气信息和预测天气信息，所述历史天气信息包括温度、湿度和气压值；

第四计算模块，用于基于所述历史天气信息、所述第二分布图和未来天气信息，利用卡尔曼滤波算法和差分自回归移动平均预测模型预测得到所述第二分布图对应的地理区域内的电力设备在未来第一时间段内发生某一类型的放电频次；

耗材预测模块，用于根据预测的相应类型的放电频次生成对应的维护材料清单。

9.一种电子设备，其特征在于，包括：

存储器，用于存放计算机程序；

处理器，用于在执行存储器上所存放的程序时，实现权利要求1‑4任一所述的方法步骤。

10.一种介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时，实现权利要求1‑4任一所述的方法步骤。