1.基于时序数据挖掘的配电网故障预测方法，其特征在于，包括：

将配电网划分为R个子区域，R为大于1的整数；

收集子区域的时序电网特征数据；时序电网特征数据包括电网特征数据与电网特征数据对应的时间属性；

将第r个子区域时序电网特征数据输入预训练的第r个子区域对应的数据预测模型中，获得未来时刻第r个子区域预测电网特征数据，r∈R；

将第r个子区域预测电网特征数据与第r个子区域在未来T时刻预设的电网特征数据阈值比对分析，判定预测电网特征数据中是否存在异常元素；

若预测电网特征数据中存在异常元素，则识别第r个子区域的故障形式，故障形式包括自有式故障与输入式故障；

若第r个子区域故障形式具有自有式故障，则确定第r个子区域的故障类型，生成预警信息。

2.根据权利要求1所述的基于时序数据挖掘的配电网故障预测方法，其特征在于，判断第r个子区域的故障形式的方法包括：步骤1001、对子区域中当前时刻所有配电网设备运行参数进行分析，判定配电网设备运行参数是否存在异常，若不存在异常，则识别故障形式为输入式故障；若存在异常，则执行步骤1002；

步骤1002、获取存在异常的运行参数的配电网设备的具体名称，以及异常的运行参数名称；

步骤1003、将异常元素的名称、异常的运行参数名称与配电网设备的具体名称，输入至预构建的相关性分析模型中，输出相关性结果，相关性结果包括相关与不相关；执行步骤1004；

步骤1004，若相关性结果为相关，则识别第r个子区域的故障形式为自有式故障；若相关性结果为不相关，识别第r个子区域的故障形式为自有式故障与输入式故障。

3.根据权利要求2所述的基于时序数据挖掘的配电网故障预测方法，其特征在于，确定第r个子区域的故障类型的方法包括：若故障形式仅具有自有式故障，则提取预测电网特征数据存在的异常元素数据，将异常元素数据代入固定式输入数据，形成故障特征数据，将故障特征数据输入预训练的故障识别模型中，获得故障类型；

故障特征数据包括异常元素数据，以及用0替代的预测电网特征数据中正常元素数据；

若故障形式为自有式故障与输入式故障，则将异常的运行参数名称与配电网设备的具体名称，作为故障类型。

4.根据权利要求1所述的基于时序数据挖掘的配电网故障预测方法，其特征在于，所述时间属性包括时间属性值与时间点属性值，所述时间属性获取方法包括：步骤S101：获取未来T时刻在预设时间区间表中时间区间，将时间区间对应时间点属性值作为未来T时刻的时间点属性值；若未来T时刻所处时间为工作日，则执行步骤S102；若未来T时刻所处时间为非工作日，则执行步骤S103；

步骤S102：则时间属性值为A1；

步骤S103：若标签日期为周末，则将时间属性值标记为A2，A1小于A2；若标签日期为节假日，则根据节假日的假期天数对时间属性值进行标注，假期时间越长，则时间属性值越大。

5.根据权利要求1所述的基于时序数据挖掘的配电网故障预测方法，其特征在于，所述数据预测模型的训练方法包括：预先收集第r个子区域的数据样本集，数据样本包括时序电网特征数据，将时序电网特征数据转换为特征向量；预设预测时间步长T、滑动步长以及滑动窗口长度；将数据样本集使用滑动窗口方法将其转化为多个训练样本，一个训练样本对应一个标签，并构成一组训练数据；

将训练数据作为数据预测模型的输入，预测时间步长T后的未来时刻第r个子区域的预测电网特征数据作为输出，以每个时间步长T后的未来时刻第r个子区域的实际电网特征数据为预测目标，以预测准确率作为训练目标，对数据预测模型进行训练，得到满足预测准确率的数据预测模型；数据预测模型为长短期记忆网络或随机森林回归模型。

6.根据权利要求1所述的基于时序数据挖掘的配电网故障预测方法，其特征在于，判定预测电网特征数据中是否存在异常元素的方法包括：若预测电网特征数据中任一元素大于电网特征数据阈值中相应阈值，则判定预测电网特征数据中存在异常元素；反之则不存在。

7.根据权利要求1所述的基于时序数据挖掘的配电网故障预测方法，其特征在于，所述电网特征数据阈值的预设方法包括：将时序电网特征数据输入至预训练的第r个子区域对应的阈值设定模型中，获得未来T时刻第r个子区域预测的电网特征数据阈值。

8.根据权利要求1所述的基于时序数据挖掘的配电网故障预测方法，其特征在于，对子区域中当前时刻所有配电网设备运行参数进行分析，判定配电网设备运行参数是否存在异常的方法包括：将当前时刻所有配电网设备运行参数依次与相应配电网设备额定运行参数进行比对分析，若当前时刻任一配电网设备运行参数不在相应配电网设备额定运行参数范围内，则判定电网设备运行参数存在异常；反之则相反。

9.根据权利要求2所述的基于时序数据挖掘的配电网故障预测方法，其特征在于，所述相关性分析模型的训练方法包括：预先收集相关性分析数据集，所述相关性分析数据包括相关性特征数据，以及相关性特征数据对应的相关性结果；所述相关性特征数据包括异常元素的名称、异常的运行参数名称与配电网设备的具体名称；将所述相关性分析数据集划分为训练集与测试集，将训练集中的相关性特征数据作为相关性分析模型的输入，将训练集中的相关性结果作为相关性分析模型的输出，以最小化所有预测的相关性结果的预测准确度之和作为训练目标；直至预测准确度之和达到收敛时停止训练；所述相关性分析模型为梯度提升树模型。

10.基于时序数据挖掘的配电网故障预测系统，其特征在于，实现权利要求1-9任一项所述的基于时序数据挖掘的配电网故障预测方法，包括：区域划分模块，用于将配电网划分为R个子区域，R为大于1的整数；

采集模块，用于收集子区域的时序电网特征数据；时序电网特征数据包括电网特征数据与电网特征数据对应的时间属性；

第一分析模块，用于将第r个子区域时序电网特征数据输入预训练的第r个子区域对应的数据预测模型中，获得未来时刻第r个子区域预测电网特征数据，r∈R；

第二分析模块，将第r个子区域预测电网特征数据与第r个子区域在未来T时刻预设的电网特征数据阈值比对分析，判定预测电网特征数据中是否存在异常元素；

第三分析模块，若预测电网特征数据中存在异常元素，则识别第r个子区域的故障形式，故障形式包括自有式故障与输入式故障；

第四分析模块，若第r个子区域故障形式具有自有式故障，则确定第r个子区域的故障类型，生成预警信息。