1.一种基于车网耦合的未知异常电气现象辨识方法，其特征在于：所述辨识方法包括：

步骤一、实时采集受电弓处的电压数据作为待识别的测试数据，构建典型已知类别的异常电气现象数据集作为训练集和测试集；

步骤二、对训练集、测试集和待识别的测试数据中每个电压数据进行数据归一化处理，输入车网耦合异常电气现象训练集数据到训练好的CNN辨识模型中进行分类，输出每个已知类所有样本的CNN辨识模型倒数第二层的激活向量，并输出分类正确类别的平均激活向量；

步骤三、计算每个类别的激活向量和该类别的平均激活向量之间的欧氏距离，拟合每一类的威布尔模型，拟合结果为威布尔累积分布函数；

步骤四、输入待识别的测试数据，根据威布尔累积分布函数和调整系数修改测试数据的激活向量元素，得到新的激活向量，并将Softmax函数应用到新的激活向量上，确定测试数据是否为未知类；

所述步骤四中测试数据的激活向量由车网耦合异常电气现象测试数据输入到训练好的CNN辨识模型中得到，表示为AVtest(x)＝[AV1(x),AV2(x),...,AVN(x)]，N为典型已知类别数，x为测试数据，AVtest(x)为一个测试数据样本输入到CNN卷积神经网络中，神经网络倒数第二层输出的激活向量，它是一个1*N的向量，由测试样本属于1～N类的N个激活向量值组成，AV1(x),AV2(x),…,AVN(x)代表测试数据样本属于第1，2，…，N类的激活向量值，威布尔累积分布函数通过公式 计算测试数据激活向量与各类平均激活向量之间的欧氏距离即通道距离CD得到，其中，ωscore(sj)为第sj类的累积分布函数值，CDsj为测试激活向量到第sj类平均激活向量的距离，sj为测试AV中第j类最大元素对应的索引值，τsj、κsj、λsj为类sj所对应的威布尔模型参数。

2.根据权利要求1所述的一种基于车网耦合的未知异常电气现象辨识方法，其特征在于：所述步骤三中的平均激活向量由属于同一个已知类别且被分类正确的样本通过公式累加求平均值得到，其中，MAVj为第j类的平均激活向量，Nj为第j类CNN辨识模型分类正确的样本数，x为测试数据，AVj(xi)表示第j类第i个样本。

3.根据权利要求1所述的一种基于车网耦合的未知异常电气现象辨识方法，其特征在于：所述步骤三中的威布尔模型利用每类的η个最大欧氏距离和libMR的FitHigh函数通过公式τj,κj,λj＝FitHigh(dj,η)进行拟合，拟合结果为每类威布尔累积分布函数的位置参数τj、形状参数κj、比例参数λj，dj表示第j类所有分类正确样本和平均激活向量之间的欧氏距离。

4.根据权利要求1所述的一种基于车网耦合的未知异常电气现象辨识方法，其特征在于：所述步骤四中的调整系数为 其中αj为第j个调整系数大小，Nα为要修改激活向量中最大元素的个数，Nα≤N，N为典型已知类别数；根据威布尔累积分布函数值和调整系数修改测试数据的激活向量的前Nα个元素，得到修改后的激活向量sj为测试AV中第j类最大元素对应的索引值，ωscore(sj)为第sj类的累积分布函数值，AVtest(sj)为测试第sj类的激活向量值，j代表第j类。

5.根据权利要求4所述的一种基于车网耦合的未知异常电气现象辨识方法，其特征在于：所述步骤四中新的激活向量由修改后的激活向量末尾附加未知激活向量得到，未知激活向量包括由每类的原激活向量元素值减去修改后激活向量值并相加得到，通过公式计算得到，表示未知类输入。

6.根据权利要求2所述的一种基于车网耦合的未知异常电气现象辨识方法，其特征在于：所述步骤四中通过公式 计算新的激活向量应用Softmax函数得到属于已知类和未知类的概率，其中， 表示最后属于每一类的概率，e表示常数， 表示新的激活向量中属于第j类的激活向量值， 表示新的激活向量中属于第i个样本的激活向量值，若最大概率的索引值为N+1，N为典型已知类别数，则测试数据来自未知类。

7.根据权利要求1‑6中任意一项所述的一种基于车网耦合的未知异常电气现象辨识方法，其特征在于：所述辨识方法还包括：如果测试数据属于未知类，则将该未知类的异常数据进行存储，并上传到云端通过专家对未知异常数据确认后生成新的异常类别更新训练集数据。