1.一种基于相对变换与核熵成分分析的电力变压器故障诊断方法，其特征在于，包括以下步骤：S1：收集电力变压器故障样本数据，并将其分为训练样本集和测试样本集；

S2：采用RTKECA相对变换核熵成分分析法提取特征，构造KELM核极限学习机的训练样本集和测试样本集，然后训练核极限学习机分类器，形成最终的RTKECA-KELM诊断模型；

S3：通过自适应量子粒子群优化算法优化RTKECA-KELM诊断模型参数，得到最优模型参数组合，并保存最优RTKECA-KELM诊断模型；

S4：将测试样本或者待诊断样本输入至训练好的最优RTKECA-KELM诊断模型，得出诊断结果。

2.根据权利要求1所述的基于相对变换与核熵成分分析的电力变压器故障诊断方法，其特征在于，所述S2中采用相对RTKECA变换核熵成分分析法提取特征包括：S21：以特征气体比值为原始故障特征量，用相对变换(RT)方法，将原始数据转化至相对空间，以提高数据之间的可区分性；

S22：利用KECA核熵成分分析方法从相对空间数据中提取非线性特征，达降维去噪的目的。

3.根据权利要求2所述的基于相对变换与核熵成分分析的电力变压器故障诊断方法，其特征在于，所述S21的具体过程为：S211：对原始特征量进行均值为0、方差为1的归一化预处理；

S212：将归一化后的原始特征数据转换到相对空间，在相对空间中任意点的坐标为该点到所有点的距离：式中：X＝{x1,x2,...xn},xi∈Rm，n为样本数，m为原始特征维数，表示原始数据属于m维空间，dij表样本点xi与样本点xj之间的欧式距离，Z＝{z1,z2,...zn},zi∈Rn表示相对空间为n维数据空间，即相对变换后样本点的特征维数与样本数相同都为n。

4.根据权利要求2所述的基于相对变换与核熵成分分析的电力变压器故障诊断方法，其特征在于，所述S22的具体过程为：S221：选取RBF核函数为核变换函数构造n×n阶核矩阵K＝[Ki,j]，方式如下：Ki,j＝k(zi,zj)＝exp(-||zi,zj||2/γ1)    (2)式中：γ1为核参数，将直接影响KECA特征提取效果，zi,zj分别表示相对空间中第i和第j个样本点的特征表达；

S222：对核矩阵K进行分解，方式如下：

K＝EDλET    (3)

式中：Dλ为n个特征值λ1,λ2,...,λn构成的矩阵；E为n个特征向量e1,e2,...,en构成的矩阵；

S223：计算Renyi熵值大小对特征值进行降序排列，并选取前l个特征值及对应的特征向量，获取样本的低维特征表达；

在KECA算法中，选用Parzen窗密度估计，Renyi熵估计表示为：式中：I为n×1阶单位向量，K＝[Kij]n×n为n×n阶核矩阵；

结合式(3)与式(4)，Renyi熵估计进一步表示为：式(5)中每一项均对Renyi熵估计 有贡献，每一项的贡献值具体为：依据对Renyi熵估计的贡献度大小对n个特征值λ1,λ2,...,λn进行降序排列，选取对Renyi熵估计的累积贡献度达到90％以上的前l个特征值及其对应的特征向量，由次形成KECA的特征映射表达：式中：Dl是由Dλ中前l个Renyi熵值最大对应的特征值构成的对角阵，El是由与Dl相对应的l个特征向量构成的矩阵；

对一个新的测试样本znew，其低维特征表示方式为：

5.根据权利要求1所述的基于相对变换与核熵成分分析的电力变压器故障诊断方法，其特征在于，所述S3中通过自适应量子粒子群优化算法优化RTKECA-KELM诊断模型参数包括：将输入的训练样本集记作 输入的测试样本集记作 输出

的模型参数记作(γ1,C,γ2)，优化步骤如下：

S31：初始化：(γ1,C,γ2)∈[2-3,213]，设定粒子种群规模为G,量子粒子Pareto最优解集规模为M，最大迭代次数T，预设精度，迭代步数t，初始化量子粒子种群集Q(0)；

S32：解空间变换:对初始种群Q(0)实施变换，得到种群P(0)；

S33：度量P(0)中G个粒子的适应度，得到实数值解S(0)；

S34：对S(0)中的解进行排序，取前M个作为Pareto最优解集X(0)，取X(0)中最优值为最优解；

S35：进一步迭代寻求最终的最优解Xbest：

若迭代步数t<＝最大迭代次数T，则进入如下步骤：

Sa)：t＝t+1；

Sb)：对惯性因子w进行自适应动态调整，并根据自适应量子粒子群算法标准进化公式对所有粒子进行更新；

Sc)：通过解空间变换得到种群P(t)；

Sd)：对种群P(t)中每个个体进行适应度值评价，得到实数值解S(t)，更新粒子个体最优位置和全局最优位置；根据S(t)将更优解更新至Pareto解集X(t)；

Se)：根据烟花爆炸半径和爆炸火花个数计算公式计算X(t)中每个烟花点对应的爆炸半径和火花数，并根据邻域搜索公式确定火花点的位置，对每个火花点进行适应度值评估，若存在适应度值优于烟花的火花点，则将该火花点替代原本的烟花点，否则保持不变；完成每个烟花点的近邻搜索后，从更新的X(t)中寻找最优值作为最优解Xbest；

Sf)：判断算法是否满足终止条件，不满足则返回至Sa)，否则终止寻优；

S36：输出最终的最优解Xbest，即模型最优参数(γ1,C,γ2)的值。

6.根据权利要求5所述的基于相对变换与核熵成分分析的电力变压器故障诊断方法，其特征在于，所述步骤S33中粒子适应度的度量方法包括：S331：当核熵成分分析中核函数的核参数设为γ1时，得到训练样本集的低维特征量集和测试样本集的低维特征量集S332：构造核极限学习机的训练样本集 测试样本集 其中，ytr,i、yte,i分别表示第i个训练样本与第个测试样本的实际类别标签值，并计算当核极限学习机中核函数参数为γ2和广义逆矩阵的参数为C时，训练样本的预测类别标签值 及测试样本的预测类别标签值S333：同时考虑特征提取效果及分类器对提取特征的识别性能，设置以下适应度函数：Fitness＝kRBW+CA    (9)

RBW＝SB/SW

式中：RBW为类间距SB与类内距SW的比值，是修正后的Fisher准则，表示了样本的分离性能和聚类性能，可用来度量提取特征的类别区分能力；CA为训练集分类准确率，即类别预测准确的样本数与总样本数的比值，用来度量模型对所提取特征的识别性能；k为一个正数，用于调整预测误差与类Fisher准则所占权重的大小。