1.基于长短期记忆神经网络的绝缘子污秽度发展预测方法，其特征在于，包括：获取绝缘子局部区域拍摄的高光谱图像，并提取高光谱图像的高光谱谱线；

将绝缘子的高光谱谱线输入已构建的相同污秽类型的绝缘子污秽度高光谱回归模型，得到绝缘子的污秽度；

将绝缘子的污秽度和预测时间序列输入采用长短期记忆神经网络算法构建的相同污秽类型的污秽度高光谱发展预测模型中，得到工程要求的绝缘子预测污秽度；

所述污秽度高光谱发展预测模型的构建方法包括：

A1、在同一污秽类型的污秽区域内，定期n次、定点m个绝缘子的局部区域拍摄高光谱图像，并提取每一张高光谱图像的高光谱谱线；

A2、当绝缘子完成第n次高光谱图像的拍摄后，取下、清洗绝缘子局部区域污秽并测量局部区域的污秽度；

A3、根据每个绝缘子第n次的高光谱谱线与绝缘子测量的污秽度，采用回归算法构建绝缘子污秽度高光谱回归模型；

A4、根据绝缘子污秽度高光谱回归模型和每个绝缘子第1～(n-1)次的高光谱谱线计算得到每个绝缘子第1～(n-1)次的污秽度；

A5、根据时间序列和所有绝缘子第1～n次的污秽度，采用长短期记忆神经网络算法构建得到污秽度高光谱发展预测模型。

2.根据权利要求1所述的绝缘子污秽度发展预测方法，其特征在于，步骤A3进一步包括：A31、将每个绝缘子第n次拍摄时得到的高光谱谱线作为数据源，测量的污秽度作为标签值，并将数据源按设定比例划分为第一训练集和第一测试集；

A32、采用标签值、第一训练集和回归算法构建形成绝缘子污秽度高光谱回归模型；

A33、将第一测试集输入污秽度高光谱回归模型对模型进行优化，得到污秽度高光谱回归模型。

3.根据权利要求2所述的绝缘子污秽度发展预测方法，其特征在于，所述回归算法为偏最小二乘回归法或极限学习机算法。

4.根据权利要求1所述的绝缘子污秽度发展预测方法，其特征在于，步骤A5进一步包括：A51、采用所有绝缘子第1～(n-1)次的污秽度和时间序列作为第二训练集，所有绝缘子第n次测量的污秽度作为第二测试集；

A52、根据第二训练集和长短期记忆神经网络算法，构建污秽度高光谱发展预测模型；

A53、将第二测试集输入污秽度高光谱发展预测模型进行优化，得到最终的污秽度高光谱发展预测模型。

5.根据权利要求1或4所述的绝缘子污秽度发展预测方法，其特征在于，在长短期记忆神经网络算法中，对于一个给定的输入时间序列x＝(x1，…，xt)，长短期记忆模块的输出为：ht＝ot tanh(ct)

ot＝s(Wxoxt+Whoht-1+Wcoct+bo)ct＝ftct-1+it tanh(Wxcxt+Whcht-1+bc)其中，ht和ht-1分别为模型预测t和t-1时刻输出的污秽度；ot为t时刻的输出门的激发输出；ct和ct-1分别为第t和t-1个神经元的输出；S(·)为隐含层神经元的激发函数；Wco和Whc均为权重系数；bo 和bc均为偏差向量；ft和it分别为遗忘门和输入门的激发输出。

6.根据权利要求1所述的绝缘子污秽度发展预测方法，其特征在于，提取高光谱图像中的高光谱谱线之前还包括对高光谱图像进行黑白校正：其中，Rci为黑白校正后的高光谱图像；Sampleci为原始光谱图像数据；darkci为全黑标定图像数据；Whiteci为全白标定图像数据。

7.根据权利要求1所述的绝缘子污秽度发展预测方法，其特征在于，所述污秽类型为煤烟、盐碱、尘土或化工，且假设同一污秽类型地区盐、灰成分及比例相似。

8.根据权利要求1所述的绝缘子污秽度发展预测方法，其特征在于，所述高光谱图像采用无人机搭载高光谱图像采集装置获得。