1.一种基于野马算法优化PNN的GIS设备局部放电检测方法，其特征在于，包括以下步骤：步骤1：收集超声信号和特高频电磁波信号组成原始数据集；

步骤2：对原始数据集进行归一化处理得到归一化数据集，然后将归一化数据集中的正常点数据用平均值替换生成特征数据集；

步骤3：搭建PNN网络，并使用野马算法优化PNN网络，使PNN网络的平滑因子达到最优值；

步骤4：将特征数据集送入野马算法优化后的PNN网络中进行局部放电在线检测；

使用野马算法优化PNN网络时，选用均方根误差函数计算适应度，达到适应度时判断平滑因子达到最优值；适应度计算方式如下：；

式中，Ad为适应度，sq为PNN网络输出的第q个预测值，tq为第q个实际值； 为预测值数量；

所述野马算法进行了改良，改良后的野马算法优化PNN网络的过程如下：步骤301：创建初始种群：

；

；

式中： 为搜索空间中候选解的总数，即为野马的总数，d为决策变量总数， 为第 个候选解， 为第 个候选解的第 个决策变量，i=1,2,…,N；j==1,2,…,d； 是第 个候选解的第 个决策变量的最小边界， 是第 个候选解的第 个决策变量的最大边界；

是一个 均匀分布的随机数；

将初始种群分为几个小组，分组数为G=[N×PS]，其中PS 是种马在种群中的百分比，将其视为野马算法的控制参数，根据种群的数量，得到G个领导者，剩下的N‑G个成员平均分配，在初始时随机选取各组的领导者，在后续阶段，根据成员之间的适应度选择领导者；

步骤302：放牧行为：

种群成员在以领导者为圆心进行中心搜索，其表达式为：；

式中： 为成员更新后的位置， 为领导者位置，第 个候选解 处于初始位置，为取值[‑2,2]之间的随机数，用来控制成员与领导者的角度，为自适应机制；

；

式中： 是由0和1组成的向量， 和 为[0,1]空间内均匀分布的随机向量； 为取值[0,1]之间的随机数， 为索引，表示二进制取反；满足条件 的随机向量 返回索引； 为自适应因子；

；

式中：t为迭代次数，  为最大迭代次数；

步骤303：引入扰动因子F对领导者进行扰动，领导者在一个圆内扰动，扰动方向由随机角度 决定，所选的随机角度介于0和360之间；

；

；

式中：为取值范围在[0,1]之间的随机数， 为领导者扰动后的位置；

步骤304：增加小野马的自主搜索行为：

；

式中： 为第u个小组内的小野马g的当前位置， 为第u个小组内的小野马g更新后的位置， 为第u个小组内另一匹野马 的当前位置， 为第u个小组内领导者的当前位置，和 为[0,1]范围内均匀分布的随机数；

步骤305：野马交配：离开第u个小组的野马和离开v组的野马分别加入了一个临时组，进入青春期后进行交叉；交叉后对野马父代位置进行更新；

；

；

；

；

式中：  表示临时组w内的小野马c的位置， 表示第v个小组内的小野马s的当前位置，Crossver为交叉函数， Mean为平均值函数， 为示第v个小组内的小野马s的更新后位置， 为范围在 [0,1]之间的随机数；

步骤306：团队领导：领导者的位置更新公式为：；

式中： 为第u个小组领导者更新后的位置， 表示最优个体位置；

步骤307：领导者选拔：

；

式中： 为适应的函数，出现的领导者即为最优解。

2.根据权利要求1所述的基于野马算法优化PNN的GIS设备局部放电检测方法，其特征在于，步骤1所述原始数据集表示如下：；

式中， 表示第1个采样区间第1个采样点的超声信号； 表示第m个采样区间第1个采样点的超声信号； 表示第1个采样区间第n个采样点的超声信号； 表示第m个采样区间第n个采样点的超声信号； 表示第1个采样区间第1个采样点的特高频电磁波信号；

表示第m个采样区间第1个采样点的特高频电磁波信号； 表示第1个采样区间第n个采样点的特高频电磁波信号； 表示第m个采样区间第n个采样点的特高频电磁波信号。

3.根据权利要求1所述的基于野马算法优化PNN的GIS设备局部放电检测方法，其特征在于，步骤2包括如下过程：步骤2.1：对原始数据集进行数据预处理；

步骤2.2：对预处理完成的原始数据集进行归一化处理，得到归一化数据集；

步骤2.3：将归一化数据集中的正常点数据用平均归一化值替换：将每个采样点的超声信号或者特高频电磁波信号的归一化值与所在采样区间的超声信号或者特高频电磁波信号的平均归一化值进行作差，将差值的绝对值与异常阈值进行比较，当差值的绝对值大于等于异常阈值时，保留归一化值；若差值小于异常阈值，则将该采样点的归一化值使用平均归一化值进行替换，替换之后形成特征数据集；

步骤2.4：对于特征数据集，若没出现突增和骤降点，则初步判定未出现局部放电情况。

4.根据权利要求1所述的基于野马算法优化PNN的GIS设备局部放电检测方法，其特征在于，所述PNN网络包括输入层、模式层、求和层、输出层；所述输入层使用特征数据集作为PNN网络输入层的输入数据集；所述模式层计算特征数据集和训练集之间的关系；所述求和层将是否发生局部放电的概率进行累加；所述输出层输出每个神经元对应的GIS是否发生局部放电的结论。

5.根据权利要求1所述的基于野马算法优化PNN的GIS设备局部放电检测方法，其特征在于，步骤4的具体过程为：将使用改良野马算法优化后的PNN网络的平滑因子 放入到PNN网络中进行GIS局部放电信号的在线检测，采用已经收集到的局部放电时的超声信号和特高频电磁波信号训练PNN网络，经过训练后PNN网络根据特征数据集判断是否发生局部放电，并确定局部放电的具体类型。

6.根据权利要求4所述的基于野马算法优化PNN的GIS设备局部放电检测方法，其特征在于，所述模式层计算特征数据集和训练集之间的关系，表示为：；

式中，E1表示特征数据集，也是待检测样本，Wq表示第一、二层之间的权值，表示平滑因子。

7.根据权利要求6所述的基于野马算法优化PNN的GIS设备局部放电检测方法，其特征在于，所述输出层输出每个神经元对应的GIS是否发生局部放电的结论，表示为：；

式中， 为输入特征数据集E1对应的输出，p为输入特征数据集E1的维数，Ekq为第k时刻的第q个训练向量，M为待分类的样本数目。