1.一种智慧电网电能质量在线故障诊断方法，其特征在于，包括以下步骤：步骤1，采用极值点包络的动态测试法，从电能质量监测点的电压信号获取n个电压极值点，分别记为u(1),u(2),u(3),…,u(n)；

步骤2，采用离散小波变换方法对电压信号进行处理，提取小波能熵有效值λ、小波能熵均值μ、小波能熵方差σ、相角偏移α、扰动持续时间τ、小波能量κ；

步骤3，将得到的n个电压极值u(1),u(2),u(3),…,u(n)与小波能熵有效值λ、波能熵均值μ、波能熵方差σ、相角偏移α、扰动持续时间τ、小波能量κ，分别标记为特征值f1,f2,f3,…,fn+6，全部特征值f1,f2,f3,…,fn+6组成电压信号的特征向量g＝[f1,f2,f3,…,fn+6]；

步骤4，采用压缩感知技术，对电压信号的特征向量g依次进行封装、压缩、中继节点传输、云端服务器解压缩处理，云端服务器得到重构特征向量步骤5，从重构特征向量 中选择d个特征值g1,g2,…,gd，组成新的特征向量g'＝[g1,g2,…,gd]；根据新的特征向量g'构建预处理特征向量p＝[1,g1,g2,…,gd]＝[1,p(1),p(2),…,p(d)]；

步骤6，将电压信号的预处理特征向量p和扰动类型，作为电能质量监测点的训练样本；

以电能质量监测点的训练样本为输入、扰动类型为输出，训练极限向量机，得到电能质量扰动分类器；

步骤7，实时采集待检测电能质量监测点的电压信号；

对待检测电能质量监测点的电压信号，按步骤1-5进行处理，得到待检测电能质量监测点的电压信号的预处理特征向量p，并输入到步骤6得到的电能质量扰动分类器中，电能质量扰动分类器输出待检测电能质量监测点的扰动类型。

2.根据权利要求1所述的方法，其特征在于，所述步骤4的具体过程为：步骤4.1，封装；

采集电能质量监测点的N个电压信号，对每个电压信号均提取特征向量g，组成N维初始传输矩阵P，每个电压信号的特征向量g构成初始传输矩阵P的其中一列，步骤4.2，压缩和传输；

将初始传输矩阵P中的每一行表示为数据向量f，电能数据传输中继节点根据公式y＝Φf将初始传输矩阵P中的数据向量f由N维压缩至M维，并发送给云端服务器；其中，M＜N，且观测矩阵Φ∈RM×N，采用高斯矩阵构建，矩阵元素满足独立同分布，方差为1/M；

步骤4.3，解压缩；

云端服务器获取压缩数据并根据公式x0＝Ψ-1Φ-1y计算初始重构数据x0，并设定迭代收敛阈值δ＝0.5；其中，Φ-1表示观测矩阵Φ的逆矩阵，Ψ-1表示正交变换矩阵Ψ的逆矩阵；

采用IST算法根据t时刻的重构数据xt计算t+1时刻的重构数据xt，并计算目标值f(xt)，其中：xt+1＝(1-ω)xt+ωΓ(xt+ΦT(y-Φxt),θ)，其中ω、θ分别是调整因子和正则化参数，Γ(·)采用软阈值函数；

步骤4.4，重构数据矩阵；

根据终止条件f(xt)-f(xt-1)＜δ判断迭代是否结束，若结束，则根据t时刻的重构数据xt计算与原始的数据向量f对应的重构数据向量 按行排列所有重构数据向量 得到重构数据矩阵 重构数据矩阵 中包括N个重构特征向量

3.根据权利要求1所述的方法，其特征在于，步骤5采用二进制遗传算法作为特征选择算法，从重构特征向量 中选择d个特征值，具体过程为：步骤5.1，设置二进制遗传算法的参数值：种群规模为30，迭代代数为50，交叉概率为

0.7，变异概率为0.05；

步骤5.2，采用0/1编码方法对重构特征向量 中的全部特征值进行编码，并随机初始化整个种群，种群中的个体被随机初始化为包括重构特征向量 中的若干个特征值的特征子集Xi；

步骤5.3，计算每个特征子集Xi的适应度函数值，其中适应度函数为：其中，α和β分别表示电能质量扰动分类器的分类准确率MAPE和选择的特征值数量比例对适应度函数值的权重，d表示特征子集Xi的特征值的数量；n+6表示重构特征向量 中的特征值的数量；

步骤5.4，利用适应度函数对初始种群进行选择、交叉和变异得到下一代种群，不断重复这一过程直到达到预设迭代次数，并遴选出末代种群中适应度函数值最低的特征子集作为特征选择的结果，将该特征子集中的特征值组成新的特征向量g'。

4.根据权利要求1所述的方法，其特征在于，ELM神经网络模型的输入层的神经元数量为d，隐含层的神经元数量为20，输出层的神经元数量为6；对ELM神经网络模型的训练采用BP算法，最大迭代次数设置为1000，训练学习率为0.1；采用粒子群优化算法对ELM神经网络模型的连接权值和阈值进行优化。

5.根据权利要求4所述的方法，其特征在于，所述采用粒子群优化算法对ELM神经网络的连接权值和阈值进行优化的具体过程为：步骤6.1，对输入的预处理特征向量训练样本进行归一化处理，将若干个归一化后的预处理特征向量组成训练矩阵，初始化ELM神经网络的连接权值和阈值；

步骤6.2，将ELM神经网络各层的连接权值和阈值作为粒子进行编码，将粒子的位置向量表示为编码后的连接权值和阈值；

初始化粒子群的初始位置和速度，对粒子群优化算法的参数进行设置：

粒子数为30，粒子长度为连接权值与阈值的总数M，粒子最大速度vmax＝0.5，最小误差为0.001，惯性权重的范围为(0.2，0.9)，迭代次数为200；

步骤6.3，选取ELM神经网络的输出误差作为粒子群优化算法的适应度函数，公式如下：其中，S表示训练样本数量，Tk表示ELM神经网络对第k个训练样本的期望输出，Yk表示ELM神经网络对输入的第k个训练样本所实际输出的扰动类型；

步骤6.4，按照给定的速度更新公式进行迭代，其中速度更新公式为：Vij(t+1)＝Vij(t)+c1r1(pBestij-Xij(t))+c2r2(gBestj-Xij(t))，Xij(t+1)＝Xij(t)+Vij(t+1)，

其中，c1、c2为加速系数，i＝1,2…30，j＝1,2…M，t为当前迭代代数，r1、r2为(0,1)内平均分布的随机数，Vij和Xij分别表示第i个粒子中的第j维的飞行速度和位置，pBesti＝(pBesti1,pBesti2…pBestij…pBestiM)和gBest＝(gBest1,gBest2…gBestj…gBestM)分别是第i个粒子在飞行过程中的粒子历史最优解及整个种群在搜索过程中的种群历史最优解；

迭代过程中评估各粒子的适应度值，更新各粒子的粒子历史最优解pBesti及种群历史最优解gBest值，并更新粒子的速度与位置；

步骤6.5，判断迭代结果是否满足终止条件，不满足则设t＝t+1，返回步骤6.4，得到最终的种群历史最优解，输出最优连接权重和阈值，得到电能质量扰动分类器。

6.根据权利要求1所述的方法，其特征在于，所述步骤1中获取电压极值点的个数n＝

20。

7.根据权利要求1所述的方法，其特征在于，电能质量扰动类型包括电压骤升、电压骤降、电压中断、电压振荡、电压缺口、谐波。

8.根据权利要求1所述的方法，其特征在于，步骤2的具体过程为：

将采集到的电压信号Ut表示为电压时域信号f(t)，使用离散小波变换对电压时域信号的伸缩因子a和平移因子b进行离散化处理，得到j尺度下的小波系数为：其中，a0j和kb0表示对伸缩因子a和平移因子b离散化处理，离散化处理后得到大于零的常数a0和b0；j,k分别表示分解尺度和时间节点，ψ()表示小波母函数；

经离散小波变换后，电压信号Ut分解为若干个子频信号，并将每个子频信号按1：1分配得到各个子频信号的高频带和低频带；

选择每个子频信号的高频带，分别计算各个子频信号高频带的相对小波能量 和整个高频带在时间窗Cn内的小波能熵其中， 表示电压信号在j尺度下对应时间窗Cn内采样点的信号能量；Dj(k)表示电压信号在j尺度下k时刻的单支重构一维小波变换结果； 表示信号在时间窗Cn内的信号总能量，J为信号总分解与重构层数；

然后根据小波能熵 计算电压信号的小波能熵有效值λ、小波能熵均值μ、波能熵方差σ、相角偏移α、扰动持续时间τ、小波能量κ。