1.一种配电箱故障检测方法，其特征在于，包括以下步骤：

步骤S1：通过温度和电流传感器对配电箱进行传感器数据采集并进行多维数据预处理，得到多维时序数据集；

步骤S2：对多维时序数据集进行高维特征向量构建的，得到高维特征向量集；对高维特征向量集进行动态特征提取，得到多维特征矩阵，其中步骤S2包括以下步骤：步骤S21：对多维时序数据集进行时序分割，得到时序片段集；对时序片段集中的每个时间片段进行温度和电流数据的单变量特征初步提取，得到单变量特征集；

步骤S22：根据单变量特征集对时序片段集进行时序特征增强，得到增强时域特征集；对增强时域特征集中的每个时间片段进行快速傅里叶变换，得到频域特征集；

步骤S23：对单变量特征集、增强时域特征集以及频域特征集进行高维特征向量构建的，得到高维特征向量集；

步骤S24：对高维特征向量集进行特征相关性分析，得到特征相关性矩阵；根据特征相关性矩阵对高维特征向量集进行特征重要性排序，得到关键特征排序集；

步骤S25：对关键特征排序集进行特征降维，得到降维特征集；对降维特征集进行特征时间序列重构，得到故障特征时间序列；对故障特征时间序列进行多维特征矩阵生成，得到多维特征矩阵；

步骤S3：获取历史配电箱故障案例数据；对多维特征矩阵进行不同特征子集的差异分析，得到特征差异统计量矩阵；根据特征差异统计量矩阵以及历史配电箱故障案例数据进行故障特征片段提取并进行故障特征向量重构，得到故障特征向量，其中步骤S3包括以下步骤：步骤S31：对多维特征矩阵中的时间序列进行时序模式聚类分析，得到时序模式簇集；对时序模式簇集进行簇内特征关联分析，得到簇内特征关联矩阵集；

步骤S32：根据簇内特征关联矩阵集进行关键特征子集识别，得到关键特征子集；对关键特征子集中的不同特征子集进行差异分析，得到特征差异统计量矩阵；

步骤S33：根据特征差异统计量矩阵进行特征权重计算，得到特征权重向量；根据特征权重向量对关键特征子集进行多特征加权融合，得到融合特征时间序列；

步骤S34：获取历史配电箱故障案例数据；根据历史配电箱故障案例数据中的配电箱历史故障数据进行故障时间窗口定位，得到故障时间窗数据；

步骤S35：根据故障时间窗数据对融合特征时间序列进行故障特征片段提取，得到故障特征片段数据；对故障特征片段数据进行故障特征向量重构，得到故障特征向量；

步骤S4：根据历史配电箱故障案例数据进行案例故障模式特征描述分析，得到故障模式特征描述库；根据故障特征向量以及故障模式特征描述库进行故障模式识别，得到候选故障模式排序列表；根据候选故障模式排序列表进行故障相似度向量生成，得到故障相似度向量，其中步骤S4包括以下步骤：步骤S41：对历史配电箱故障案例数据进行特征提取并进行关联分析，得到案例配电箱故障特征向量；对案例配电箱故障特征向量进行初步故障案例库构建，得到初步故障案例库；

步骤S42：对初步故障案例库中的案例配电箱故障特征向量进行故障案例聚类分析，得到故障模式簇集；

步骤S43：对故障模式簇集进行故障模式特征描述，得到故障模式特征描述库；

步骤S44：根据故障特征向量以及故障模式特征描述库进行故障模式识别，得到候选故障模式排序列表，其中步骤S44包括以下步骤：步骤S441：对故障特征向量以及故障模式特征描述库进行故障模式相似度计算；得到故障模式相似度矩阵；

步骤S442：对故障模式相似度矩阵进行故障模式识别权重分配，得到故障模式识别权重数据；

步骤S443：根据故障模式识别权重数据对故障模式相似度矩阵进行相似度加权融合，得到加权故障模式相似度矩阵；

步骤S444：利用预设的故障模式相似度阈值对加权故障模式相似度矩阵进行候选故障模式筛选，得到候选故障模式集合；

步骤S445：对候选故障模式集合进行候选模式排序，得到候选故障模式排序列表；

步骤S45：根据候选故障模式排序列表进行相似度置信度计算，得到故障模式置信度向量；对候选故障模式排序列表以及故障模式置信度向量进行故障相似度向量生成，得到故障相似度向量；

步骤S5：对配电箱进行故障相关因素数据收集，得到故障关联因素数据集；根据历史配电箱故障案例数据以及故障关联因素数据集进行故障模式概率评估，得到校准故障模式概率向量；根据故障关联因素数据集对校准故障模式概率向量进行故障概率修正，得到故障概率分布数据；

步骤S6：根据故障概率分布数据对候选故障模式排序列表进行故障概率排序，得到故障模式排序列表；获取配电箱回路拓扑数据；根据故障模式排序列表以及配电箱回路拓扑数据进行故障模式回路关联分析，得到故障模式回路关联表；根据故障模式回路关联表以及故障模式排序列表进行故障区域定位，得到故障区域定位结果数据；根据故障区域定位结果数据以及故障模式特征描述库进行故障原因分析，得到配电箱故障原因分析报告，以实现配电箱故障检测工作。

2.根据权利要求1所述的配电箱故障检测方法，其特征在于，步骤S1包括以下步骤：步骤S11：通过温度和电流传感器对配电箱进行传感器数据采集，得到传感器数据；

步骤S12：对传感器数据进行数据清洗，得到传感器清洗数据；

步骤S13：对传感器清洗数据进行时空对齐，得到时空对齐数据；

步骤S14：对时空对齐数据进行数据归整，得到多维时序数据集。

3.根据权利要求1所述的配电箱故障检测方法，其特征在于，步骤S5包括以下步骤：步骤S51：对配电箱进行故障相关因素数据收集，得到故障关联因素数据集，其中故障关联因素数据集包括负载率数据以及设备状态数据；

步骤S52：根据历史配电箱故障案例数据以及故障关联因素数据集进行故障模式概率评估，得到校准故障模式概率向量；

步骤S53：根据负载率数据对校准故障模式概率向量进行负载因素概率修正，得到负载修正故障模式概率向量；

步骤S54：根据设备状态数据对负载修正故障模式概率向量进行设备状态概率修正，得到设备状态修正故障模式概率向量；

步骤S55：对设备状态修正故障模式概率向量进行概率归一化处理，得到归一化故障模式概率向量；根据归一化故障模式概率向量进行故障概率分布生成，得到故障概率分布数据。

4.根据权利要求3所述的配电箱故障检测方法，其特征在于，步骤S52包括以下步骤：步骤S521：根据历史配电箱故障案例数据进行贝叶斯网络结构学习，得到贝叶斯网络结构图；

步骤S522：利用故障关联因素数据集对贝叶斯网络结构图进行网络参数学习，得到参数化贝叶斯网络；

步骤S523：将故障相似度向量输入至参数化贝叶斯网络进行节点状态概率更新，得到更新贝叶斯网络；

步骤S524：对更新贝叶斯网络进行网络推理与概率传播计算，得到故障模式后验概率向量；

步骤S525：对故障模式后验概率向量进行后验概率校准，得到校准故障模式概率向量。

5.根据权利要求1所述的配电箱故障检测方法，其特征在于，步骤S6包括以下步骤：步骤S61：根据故障概率分布数据对候选故障模式排序列表进行故障概率排序，得到故障模式排序列表；

步骤S62：获取配电箱回路拓扑数据；根据故障模式排序列表以及配电箱回路拓扑数据进行故障模式回路关联分析，得到故障模式回路关联表；

步骤S63：根据故障模式回路关联表以及故障模式排序列表进行候选回路筛选，得到候选故障回路集；对候选故障回路集进行回路特征指标计算，得到回路特征指标变化量矩阵；

步骤S64：根据回路特征指标变化量矩阵进行回路故障概率更新，得到更新回路故障概率向量；对配电箱回路拓扑数据进行回路拓扑分析，得到回路拓扑关系图；

步骤S65：根据更新回路故障概率向量以及回路拓扑关系图进行故障区域定位，得到故障区域定位结果数据；

步骤S66：根据故障区域定位结果数据以及故障模式特征描述库进行故障原因分析，得到配电箱故障原因分析报告，以实现配电箱故障检测工作。

6.根据权利要求5所述的配电箱故障检测方法，其特征在于，步骤S62包括以下步骤：步骤S621：对故障模式排序列表进行元件故障模式定义，得到元件故障模式库；

步骤S622：获取配电箱回路拓扑数据；根据元件故障模式库以及配电箱回路拓扑数据进行故障模式传播路径分析，得到故障模式传播路径图；

步骤S623：根据故障模式传播路径图进行回路敏感元件识别，得到故障模式敏感元件表；

步骤S624：根据故障模式敏感元件表对故障模式排序列表进行故障模式元件影响特征向量构建，得到故障模式元件影响特征向量；

步骤S625：根据配电箱回路拓扑数据进行回路元件特征向量构建，得到回路元件特征向量表；

步骤S626：对故障模式元件影响特征向量以及回路元件特征向量表进行故障模式-回路关联度计算，得到故障模式-回路关联度矩阵；

步骤S627：根据故障模式-回路关联度矩阵进行关联度阈值设定，得到关联度阈值；根据关联度阈值对故障模式-回路关联度矩阵进行故障模式关联回路筛选，得到故障模式回路关联表。