技术特征：
1.一种配电网动态参数辨识方法，其特征在于，包括以下步骤：对采集的配电网运行数据、外部环境数据进行数据预处理，生成配电网动态参数辨识样本；将配电网动态参数辨识样本离散化，获取离散化样本；基于预先建立的概率图模型，根据离散化样本，获取概率图模型的参数，其中所述概率图模型为两时间片概率图模型；根据观测变量以及获取参数后的概率图模型，基于置信度传播算法，获取配电网动态参数。2.根据权利要求1所述的方法，其特征在于，所述概率图模型的建立步骤包括：选择一个时刻下的温度、湿度、馈线段电压降以及馈线段传输功率作为概率图模型中的观测变量，选择线路在该时刻的阻抗作为概率图模型的隐变量；依据单个时间片下各观测变量与隐变量间的因果关系，逐个将各个变量加入到概率图模型中，构建静态贝叶斯网络；设定一个初始时间片，指定该时间片下各变量的先验概率分布；指定相邻时间片之间各状态的因果关系，构建转移模型。3.根据权利要求1所述的方法，其特征在于，所述生成配电网动态参数辨识样本，包括：对外部环境数据进行二次样条插值，使得不同数据来源的外部环境数据的频率齐同；合并不同数据源的数据，剔除其中的冗余字段；剔除配电网运行数据中的重复数据，以及进行数据去空。4.根据权利要求1所述的方法，其特征在于，所述将配电网动态参数辨识样本离散化，其计算公式如下：其中z为隐变量，m为划分的离散区间的个数，n
count
(z＝s)为数据中隐变量在状态s的样本数量；n
amount
(z)为样本总数。5.根据权利要求1所述的方法，其特征在于，所述获取概率图模型的参数，包括：基于概率质量函数，根据离散化样本中获得各变量的初始概率分布表；基于最大期望算法，根据离散化样本中计算各变量之间的条件概率分布表；从时间轴上连续的数据样本中统计出各变量从t时刻到t+1时刻的转移概率分布表；通过检查每个变量的概率分布之和是否为1，检查条件概率分布是否与贝叶斯网络中的因果关系一致，确定所述条件概率分布表的正确性。6.根据权利要求5所述的方法，其特征在于，所述概率质量函数的表达式为：其中为隐变量初始在状态s的概率；n
count
(z＝s)为数据中隐变量在状态s的样本数量；n
amount
(z)为样本总数。7.根据权利要求5所述的方法，其特征在于，所述基于最大期望算法，根据离散化样本中计算各变量之间的条件概率分布表，包括：
依据条件概率初始值或上一步迭代所得的条件概率来计算隐变量的后验概率，作为隐变量的现期望值，其表达式为：p
posterior
(z)＝p(z|x；θ
cpt
)其中z为隐变量，p
posterior
(z)为隐变量的后验概率，θ
cpt
为概率图模型中条件概率分布表，x为观测变量；以似然函数最大化为目标更新条件概率分布表，其表达式为：其中m为隐变量状态个数，p(x,z；θ
cpt
)为从样本中获得的隐变量的期望；当依据概率图模型中条件概率分布表抽到训练数据样本的概率最大时，最大期望算法迭代结束。8.根据权利要求5所述的方法，其特征在于，所述转移概率分布表的表达式为：其中表示隐变量z从t
‑
1到t时刻从状态1转移为状态2的概率；n
count
(s1,s2)代表获取的历史数据中隐变量z从t
‑
1到t时刻从状态1转移为状态2的次数；n
amount
(s1)代表获取的历史数据中隐变量z处于状态1的样本数量。9.根据权利要求1所述的方法，其特征在于，所述基于置信度传播算法，获取配电网动态参数，包括：依据样本初始化每个变量的概率分布；随机选择网络中某一状态变量y，将该节点的置信度替换为b(y
t
)：其中φ(y
t
,x
t
)为t时刻相应状态变量y与观测变量x之间的似然函数，表示节点y在t时刻的联合相容度，g为节点y的一阶邻域，m
xy
(y
t
)为节点x传递给节点y的消息；更新变量间的信息：其中ψ(y
t
,y
t
‑1)为节点y处t
‑
1时刻到t时刻的节点间的势能量；直至满足收敛条件：b
(n)
(y
t
)
‑
b
(n
‑
1)
(y
t
)＜10
‑5将最终隐变量的置信度b(y
t
)作为隐变量在各状态区间概率分布的推断结果。10.一种配电网动态参数辨识装置，其特征在于，包括：数据预处理模块，用于对采集的配电网运行数据、外部环境数据进行数据预处理，生成配电网动态参数辨识样本；离散化处理模块，用于将配电网动态参数辨识样本离散化，获取离散化样本；模型参数确定模块，用于基于预先建立的概率图模型，根据离散化样本，获取概率图模
型的参数；所述概率图模型为两时间片概率图模型；配电网动态参数生成模块，用于根据观测变量以及获取参数后的概率图模型，基于置信度传播算法，获取配电网动态参数。