1.基于协同推理的局部放电智能识别方法，其特征在于：包括以下步骤：S1.构建局部放电测量数据的多尺度特征信息图，提取维度间高阶依赖关系；

S2.通过结构分解算法将高维特征空间划分为多个结构一致性特征子通道，每个子通道对应放电机制相关的局部特征群；

S3.针对每个特征子通道独立构建模糊推理模型，生成通道级放电模式子分类器；

S4.基于预测置信度动态调整融合策略，对多个子分类器输出进行结构一致性驱动融合；

S5.输出最终局部放电类型识别结果。

2.根据权利要求1所述的基于协同推理的局部放电智能识别方法，其特征在于：步骤S1中，所述多尺度特征信息图采用互信息、GraphLasso算法、核相关系数或Copula函数中的至少一种构建维度间依赖关系。

3.根据权利要求1所述的基于协同推理的局部放电智能识别方法，其特征在于：步骤S2中，所述结构分解算法为稀疏谱划分算法、层次Louvain聚类算法或自适应多通道聚类算法。

4.根据权利要求1所述的基于协同推理的局部放电智能识别方法，其特征在于：步骤S3中，所述模糊推理模型的构建采用自动学习模糊规则集与隶属函数结构。

5.根据权利要求1所述的基于协同推理的局部放电智能识别方法，其特征在于：步骤S3中，所述模糊推理模型能够替换为稀疏贝叶斯回归模型或集成模糊网络模型。

6.根据权利要求1所述的基于协同推理的局部放电智能识别方法，其特征在于：步骤S4中，所述动态调整融合策略包括：计算各子分类器的预测置信度；

根据置信度权重加权融合输出；

对特征通道间不一致性实施容错机制。

7.根据权利要求1所述的基于协同推理的局部放电智能识别方法，其特征在于：步骤S4中，所述融合的机制能够替换为多任务注意力分配模型或置信度回归网络优化加权策略。

8.根据权利要求1所述的基于协同推理的局部放电智能识别方法，其特征在于：步骤S5中，所述识别结果支持对未知或边界放电模式的非排他性模糊分类。

9.基于协同推理的局部放电智能识别系统，其特征在于：包括：特征图构建模块，用于构建局部放电测量数据的多尺度特征信息图，提取维度间高阶依赖关系；

通道划分模块，用于通过结构分解算法将高维特征空间划分为多个结构一致性特征子通道，每个子通道对应放电机制相关的局部特征群；

模糊推理模块，用于针对每个特征子通道独立构建模糊推理模型，生成通道级放电模式子分类器；

动态融合模块，用于基于预测置信度动态调整融合策略，对多个子分类器输出进行结构一致性驱动融合。

10.根据权利要求9所述的基于协同推理的局部放电智能识别系统，其特征在于：所述动态融合模块内置跨通道预测一致性校验机制，对冲突输出触发置信度重加权流程。