1.一种特高频局部放电故障类型检测方法，其特征在于：步骤一、在被测电力设备的周围布置电磁波检测传感器；电磁波检测传感器检测被测电力设备是否释放出电磁波信号；

所述被测电力设备的周围布置了四个电磁波检测传感器；

步骤二、当电磁波检测传感器检测到电磁波信号时，将该电磁波信号进行连续小波变换后，提取出五种特征；该五种特征分别为CWT峰值、峰间持续时间、子带尺度能量、带宽和子带尺度熵；

步骤三、将步骤二得到的m种特征导入训练好的SOFM神经网络中，SOFM神经网络输出被测电力设备发生各类型局部放电的概率；在判断局部放电类型后，根据四个电磁波检测传感器检测到电磁波信号的时间，通过TDOA定位法确定发生局部放电故障的具体位置；

所述的SOFM神经网络训练的方法具体如下：

步骤S1：神经网络初始化；

对SOFM神经网络中的各权值wij分别赋小随机数；小随机数的取值范围为0～10；给定学习率初值η(0)；确定初始优胜邻域初值；设定输入神经个数为m，设定输出神经元的个数为n；

步骤S2：建立训练集

以不同类型局部放电释放出的特高频电磁波信号经小波变换提取出的m种特征为训练样本向量，建立训练集；训练集中的各训练样本向量均带有标签；训练样本向量为m维向量；将训练集中的各个训练样本向量 依次加入到输入层，并按照步骤S3～S6进行学习，调整神经元权值，直到网络收敛；

步骤S3：向量归一化；对训练样本向量 和权值向量wj(t)，全部进行归一化处理：其中，wj'(t)为归一化权值向量；X为归一化样本向量；||wj(t)||为权值向量的欧几里得范数；为训练样本向量； 为训练样本向量 的欧几里得范数；xi为训练样本向量 的第i个特征分量值；

步骤S4：寻找获胜神经元；分别计算输入的归一化样本向量X和输出层各个权值向量wj'(t)之间的欧式距离dj，j＝1,2,…,n；据此确定获胜神经元：其中，dj为归一化样本向量与神经元的权值向量的欧几里得距离；

步骤S5：定义归一化样本向量X对应的优胜邻域；迭代邻域半径r(t)和学习速率η(t)如下：其中，r(t+1)、η(t+1)分别表示迭代出下一个邻域半径、学习率；r(t)、η(t)分别表示当前领域半径、学习率；t为当前学习迭代次数，T为最大迭代训练次数；INT(·)为取整函数；

步骤S6：调整权值；对优胜邻域内所有神经元的权值进行调整如下：wji(t)+1)＝wji(t)+η(t)hc,j(t)(xi‑wji(t))式中，wji(t+1)表示迭代出下一个权值；wji(t)表示当前权值；hc,j(t)为邻域函数。

2.根据权利要求1所述的一种特高频局部放电故障类型检测方法，其特征在于：所述的电磁波检测传感器采用微带天线。

3.一种特高频局部放电故障类型检测系统，其特征在于：用于执行如权利要求1所述的特高频局部放电故障类型检测方法；该系统包括特高频传感器组、信号调节模块和上位机；

特高频传感器组包括布置在被测电力设备四周的四个电磁波检测传感器；各电磁波检测传感器的输出信号均经过信号调节模块处理后传输到上位机。

4.根据权利要求3所述的一种特高频局部放电故障类型检测系统，其特征在于：所述信号调节模块包括依次连接的输入级、滤波器、信号放大器、检波器和输出级；所述输入级和输出级均处于阻抗匹配状态，输入级与特高频传感器的输出线通过同轴电缆相连，输出级与上位机相连。

5.根据权利要求3所述的一种特高频局部放电故障类型检测系统，其特征在于：信号调节模块的电源是由降压变压器和桥式整流器组成的恒直流电源单元提供；供电单元和信号调节模块各自独立屏蔽。

6.根据权利要求4所述的一种特高频局部放电故障类型检测系统，其特征在于：所述的滤波器为带通滤波器。

7.根据权利要求4所述的一种特高频局部放电故障类型检测系统，其特征在于：所述的放大器为宽带放大器。