1.一种基于故障基因表的智能配电网故障预警方法，其特征在于：具体包含如下步骤：S1：对智能配电网的运行状态进行划分，并构建智能配电网状态评估指标体系；

S2：构建包含输入层、隐含层和输出层的BP神经网络模型；

S3：将智能电网历史故障数据分为两部分，对第一部分智能配电网历史故障数据源中的母线的运行数据进行聚类来构建训练样本；

S4：将第一部分智能电网的训练样本和训练样本所对应的配电网运行状态输入到BP神经网络模型进行训练，得到BP神经网络状态评估模型；

S5：将第二部分智能配电网历史故障数据源中的母线的运行数据输入到BP神经网络状态评估模型得到智能配电网状态转移时间序列和故障的映射关系，从而构建出故障基因表；

S6：周期性获取当前智能配电网的母线的运行状态数据，并将运行状态数据输入到BP神经网络状态评估模型得到当前智能电网的状态转移时间序列；

S7：通过Simith-Waterman基因序列比对算法，将获得的当前智能电网的状态转移时间序列与故障基因表中的所有基因进行匹配，求取匹配值，将最大的匹配值与所设定的阈值进行比较，若超过阈值，则预警该基因所对应的故障。

2.根据权利要求1所述的一种基于故障基因表的智能配电网故障预警方法，其特征在于：在步骤S1中，所述构建智能配电网状态评估指标体系具体为：将智能配电网状态评估指标确定为智能配电网各母线的状态得分，各母线的状态得分的计算公式如下：其中Gb为母线状态得分，取值为[0,1]，越接近1表示状态越好，越接近0表示状态越差；

λV表示母线电压的权值，gV表示母线电压得分，λP表示母线有功功率的权值，gP表示母线有功功率得分，λQ表示母线无功功率的权值，gQ表示母线无功功率得分。

3.根据权利要求2所述的一种基于故障基因表的智能配电网故障预警方法，其特征在于：所述母线电压得分计算公式如下：其中V为母线的电压值，为历史数据集中对应母线电压的平均值，Vmax为历史数据集中对应母线电压的最大值，Vmin为历史数据集中对应母线电压的最小值。

4.根据权利要求2所述的一种基于故障基因表的智能配电网故障预警方法，其特征在于：所述母线有功功率得分计算公式如下：其中P为母线的有功功率值，为历史数据集中对应母线有功功率的平均值，Pmax为历史数据集中对应母线有功功率的最大值，Pmin为历史数据集中对应母线有功功率的最小值。

5.根据权利要求2所述的一种基于故障基因表的智能配电网故障预警方法，其特征在于：所述母线无功功率得分计算公式如下：其中Q为母线的无功功率值，为历史数据集中对应母线无功功率的平均值，Qmax为历史数据集中对应母线无功功率的最大值，Qmin为历史数据集中对应母线无功功率的最小值。

6.根据权利要求2所述的一种基于故障基因表的智能配电网故障预警方法，其特征在于：步骤S3中，所述构建训练样本具体为：将第一部分智能配电网历史数据源中的母线的运行数据聚类为四类不同状态的样本，其中Tn×m(k)为训练样本矩阵，k＝1，2，3，4表示不同类别的训练样本，n表示训练样本的数量，m表示母线条数，tnm表示第n个训练样本的第m条母线的状态得分。

7.根据权利要求6所述的一种基于故障基因表的智能配电网故障预警方法，其特征在于：步骤S4中，所述训练的过程具体为：S41：设输入层到隐含层的连接权值为wij，隐含层到输出层的连接权值为wj，输入层到隐含层的阈值为γj，隐含层到输出层的阈值为 隐含层的节点数量为N，学习率为η，期望输出为S42：选择sigmoid型函数作为隐含层激活函数f1和输出层激活函数f2；

S43：计算隐含层各单元的输入和输出，用输入层的输入tnm、输入层到隐含层的连接权值wij和输入层到隐含层阈值γj，计算隐含层各单元的输入hj，再用hj通过激活函数f1计算隐含层各单元的输出bj；

其中r＝1，2，…，n，表示第r个样本被训练；

S44：根据隐含层的输出bj、隐含层到输出层的连接权值wj和隐含层到输出层的阈值 计算输出结果y；

S45：计算误差；

ehj＝wj×eo×bj×(1-bj)

其中e为输出误差，eo为输出层一般化误差，ehj为隐含层各单元一般化误差；

S46：调整隐含层到输出层的连接权值wj和阈值

其中w′j和 为调整后的隐含层到输出层的连接权值和阈值；

S47：调整输入层到隐含层的连接权值wij和阈值γj；

其中w′ij和γ′j为调整后的输入层到隐含层的连接权值和阈值；

S48：将变量r从1取到n，则所有的训练样本被训练完，然后将每个训练样本的误差e累加计算出全局误差E，判定E是否达到指定误差范围内，若是，则结束训练记录当前的连接权值和阈值；若否，将全局误差E置为零，并转到步骤S43重复学习训练。

8.根据权利要求7所述的一种基于故障基因表的智能配电网故障预警方法，其特征在于：所述步骤S5具体为：S51：用第二部分智能配电网历史故障数据源构建评估矩阵：其中An*×m为评估矩阵，n*表示评估样本的数量，an*m表示第n*个评估样本的第m条母线的评估得分；

S52：将评估矩阵An*×m输入BP神经网络状态评估模型，得出智能配电网各段状态转移时间序列与故障之间的映射，从而构建出故障基因表。

9.根据权利要求8所述的一种基于故障基因表的智能配电网故障预警方法，其特征在于：所述步骤S7具体为：S71：设定待比对的基因序列为 长度为lS，故障基因表中的序列为长度为lU；

S72：设定基因序列比对的替代矩阵；

S73：构造大小为(lS+1)×(lU+1)大小的矩阵D，用于存放比对结果；

其中D(li,lj)表示待匹配的基因序列，D(li,0)＝D(0,lj)＝0，1≤li≤lS，1≤lj≤lU；

表示基因序列S中的第li个元素状态， 表示基因序列U中的第lj个元素的状态；

S74：在矩阵D中找出li*和lj*，满足：

其中D(li*,lj*)表示序列S和U的最大比对分值；

S75：直到待比对的基因序列与故障基因表的所有基因序列进行了比对，求得所有的最大比对分值，将最大比对分值与所设定的阈值进行比较，若超过阈值，则预警该基因所对应的故障。

10.根据权利要求9所述的一种基于故障基因表的智能配电网故障预警方法，其特征在于：所述步骤S7的Simith-Waterman基因序列比对算法满足：其中σ表示状态的重要度。