1.一种雷击跳闸类型识别方法，是识别雷击跳闸是反击跳闸类型还是绕击跳闸类型的方法，所述识别方法过程是：在雷击跳闸时刻截取雷击跳闸时刻前暂态时间段雷击跳闸暂态电压信号，雷击跳闸暂态电压信号是一维时域电压信号，提取雷击跳闸暂态电压信号特征图像数据，将特征图像数据输入深度残差神经网络模型，由深度残差神经网络模型输出识别结果，其特征在于，所述提取雷击跳闸暂态电压信号特征图像数据是：对提取的一维时域电压信号进行多尺度广义s变换，绘制不同尺度广义s变换的时频分布图像，时频分布图像包括一维时域电压信号分布图像和二维频域电压信号分布图像，将时频分布图像数据作为雷击跳闸暂态电压信号特征图像数据，其中：所述深度残差神经网络模型是根据已知的雷击跳闸类型，以及跳闸类型的雷击跳闸前暂态时间段电压信号特征图像数据事先训练形成的模型。
2.根据权利要求1所述的雷击跳闸监测方法，其特征在于，所述多尺度广义s变换的过程是：
第一步：由s变换公式(1)作为一维时域电压信号转换，并由一维时域电压信号转换的逆变得到电压信号变化公式2；
其中：f为频率；t、τ为时间；j为虚数单位；w(t-τ,f)为高斯窗函数，高斯窗函数公式为：
第二步：在高斯窗函数中引入调节因子λ形成公式(4)，且λ>0；
根据公式(1-4)形成电压信号x(t)的广义s变换，广义s变换定义为公式(5)：
其中：公式(5)中的调节因子λ为含有λ＝1的多组调节因子时，则公式(5)为二维时频域电压信号的多尺度广义s变换，其中，0<λ<1的多个数组用于提高频域分辨率；λ＝1为一维时域电压信号的标准s变换；λ>1的多个数组用于提高时域分辨率。
3.根据权利要求2所述的雷击跳闸类型识别方法，其特征在于，在0<λ<1段调节因子λ的组数多于在λ>1段的组数。
4.根据权利要求2或3所述的雷击跳闸类型识别方法，其特征在于，调节因子λ为10组，分别是0.03、0.05、0.08、0.1、0.2、0.4、0.6、0.8、1.0、1.2。
5.根据权利要求2所述的雷击跳闸类型识别方法，其特征在于，所述绘制不同尺度广义s变换的时频分布图像是：
对公式(5)中的广义s变换进行离散化表示，令f为n/nt、τ为it，其中t为采样时间间隔，n为总采样点数，离散广义s变换定义为：
式中，i、m、n＝0,1,…,n-1。
由公式(6)对离散序列计算得到的是二维时频矩阵，矩阵列对应时间采样点，矩阵行对应频率采样点，矩阵元素为复数，对该矩阵求模，得到广义s变换的模时频矩阵为二维时频矩阵，通过三维等高线图形绘制出信号时频分布图，时频分布图包括时间、频率、幅值、能量和相位信息。
6.根据权利要求1所述的雷击跳闸类型识别方法，其特征在于，所述方法进一步包括：当识别分类器输出识别结果未识别出雷击跳闸类型时，调整暂态时间段的时间宽度，重新截取雷击跳闸时刻前雷击跳闸暂态电压信号，提取雷击跳闸暂态电压信号特征图像数据，将特征图像数据输入深度残差神经网络模型。
7.根据权利要求2所述的雷击跳闸类型识别方法，其特征在于，所述方法进一步包括：当识别分类器输出识别结果未识别出雷击跳闸类型时，调整在0<λ<1段调节因子λ的组数和在λ>1段的组数，或者调整在0<λ<1段调节因子λ组数和在λ>1段组数的数据，重新进行多尺度广义s变换，绘制不同尺度广义s变换的时频分布图像。
8.根据权利要求1所述的雷击跳闸类型识别方法，其特征在于，所述雷击跳闸时刻是由变电站开关监测系统提供的跳闸时刻信号，当接收到跳闸时刻信号时，将这一时刻前一确定的暂态时间段所监测到的持续含有峰值电压变化波形作为雷击跳闸暂态电压信号。
9.根据权利要求1所述的雷击跳闸类型识别方法，其特征在于，所述深度残差神经网络模型是基于残差网络resnet18结构，包含1个卷积层、8个残差块和1个全连接层，其中：每个残差块又包含2个卷积层，共18层。
10.根据权利要求9所述的雷击跳闸类型识别方法，其特征在于，所述残差块中采用3×3的卷积核，激活函数均选取relu函数。