1.一种变压器故障诊断用油中溶解气体征兆优选方法，其特征在于，包括如下步骤：步骤1.收集确诊的各类典型故障的电力变压器的油中溶解气体浓度数据，关联故障类别标签，构建原始数据集M；

其中，每组油中溶解气体浓度数据及其所对应的故障类别标签组成一个样本；

步骤2.基于采集到的各种油中溶解气体类型，设计构造出不同种类的候选征兆参量，包括候选比值征兆和候选云征兆，组成候选征兆集；

所述步骤2具体为：

步骤2.1.基于DGA气体构造14种气体浓度比值作为候选比值征兆；

步骤2.2.基于DGA气体组合构造一维至七维共129种候选云征兆，如公式(1)所示：其中，公式(1)中的 表示由变压器油中任意i种溶解气体构造的i维云征兆，公式(1)中的数量2表示两个一维云征兆，即TCH和D，i＝1,2……,7；

其中，TCH＝CH4+C2H2+C2H4+C2H6，D＝CH4+C2H2+C2H4；

步骤3.将原始数据集M中的各个样本，从原始气体浓度数据转化成步骤2中所设计的候选征兆参量，并完成样本的归一化预处理；

所述步骤3中，不同征兆种类的征兆转换方法具体为：

步骤3.1.对于比值征兆，直接在对应气体的浓度之间进行除法运算，以实现样本从气体浓度数据向比值形式的转换；

步骤3.2.对于云征兆，通过公式(2)计算样本与先验状态空间内各个云概念之间的隶属度μ，并将其中μ最大值所对应的云概念判定为该样本的隶属云概念，以实现样本从定量气体数据向云征兆下定性云概念的转换；

其中，xiv为第i个样本在该云概念下的第v维特征气体含量值；Exv、Env分别为该云概念下第v维度的云期望和云熵，V表示云征兆的维度；

所述步骤3.2中，状态空间的建立过程如下：

步骤3.2.1.采用快速k‑means算法对数据集M进行浅易地数据汇聚，并获取粗糙的中心簇，以此作为自组织神经网络中各神经元的初始权值；

步骤3.2.2.对自组织神经网络进行迭代训练，并基于公式(3)至公式(6)逐代进行自组织神经元权值的更新；

‑L

α(t,L)＝e /(t+2)       (5)c(t+1)＝c(t)+α(t,L)(d‑c(t))       (6)其中，d为神经元权值与输入样本之间的距离；

x为输入样本，c为神经元权值，∑代表协方差矩阵；L(t)表示最佳神经元所能辐射到相邻神经元的距离最大值，t为当前迭代次数，T为总迭代次数，L0为初始辐射邻域；

α(t,L)表示距离最优神经元为L的神经元在第t次迭代时的权值更新率，c(t)表示该神经元更新前的权值，c(t+1)表示该神经元更新后的权值；

其中，首次迭代时的初始权值c(0)由步骤3.2.1得到；

步骤3.2.3.利用完成训练的自组织神经网络，对数据集M进行聚类；

其中，聚类后的每一类均代表一个云概念，对每一类所隶属的样本集X＝{x1,……,xN}进行逆向云变换，从而实现状态空间内所蕴含的全部云概念的数字特征Exv与Env的提取；

而云征兆在其论域内所蕴含的全部云概念，即构成了该云征兆的状态空间；

具体公式如公式(7)和公式(8)所示；

其中，v＝1,…,V，N表示该类样本总数；

步骤4.将经过征兆转换的样本集划分为训练集T1和测试集T2；

步骤5.基于训练集T1，通过信息增益方法对候选征兆进行重要度排序，并从重要度最高的征兆开始，按照每次增加一个征兆的方式组成不同维度的有序征兆子集；

步骤6.采用灰狼算法，以SVM的诊断准确率为优化目标，对有序征兆子集维度m进行优选，同时优化SVM的超参数，建立变压器故障诊断模型；

根据最优征兆子集维度m，获得变压器故障诊断用的最优征兆组合。

2.根据权利要求1所述的变压器故障诊断用油中溶解气体征兆优选方法，其特征在于，所述步骤1中，原始数据包括以下变压器油中溶解气体的含量：H2、CH4、C2H2、C2H4、C2H6、CO和CO2；典型故障及故障类别标签包括：低能放电及其类别标签LE‑D，高能放电及其类别标签HE‑D，中低温过热及其类别标签LM‑T，高温过热及其类别标签H‑T，正常状态及其类别标签NC。

3.根据权利要求1所述的变压器故障诊断用油中溶解气体征兆优选方法，其特征在于，所述步骤3中，不同征兆种类下样本的归一化预处理方式各有不同，具体为：对于比值征兆，在进行步骤3.1.征兆转换之后，基于式(9)对比值运算结果进归一化；

X1＝(x1‑x1Min)/(x1Max‑x1Min)   (9)其中，x1代表样本比值征兆的比值运算结果，X1为该比值运算结果归一化后的数值，x1Min、x1Max分别为该比值运算结果中归一化前的最小值和最大值；

对于云征兆，在进行步骤3.2.征兆转换之前，基于公式(10)对云征兆所对应气体的浓度数据进行归一化；

X2＝(x2‑x2Min)/(x2Max‑x2Min)   (10)其中，x2代表样本云征兆所对应气体的浓度数据，X2为该气体浓度数据归一化后的数值，x2Min、x2Max分别为该气体浓度数据中归一化前的最小值和最大值。

4.根据权利要求3所述的变压器故障诊断用油中溶解气体征兆优选方法，其特征在于，所述步骤5具体为：步骤5.1.计算训练集T1的整体熵Entrogy(M)，M为训练集T1的样本个数；

步骤5.2.计算候选征兆f在训练集T1中的熵Entrogy(M|f)，并由此得到该征兆的信息增益Gain＝Entrogy(M)‑Entrogy(M|f)；

步骤5.3.按照全部候选征兆所对应的Gain值，将候选征兆按降序排序：f1,……,fN；其中，fi表示重要度排序为第i位的征兆，N为步骤2中所构造的候选征兆总数；

步骤5.4.根据排序结果，构造N个维度分别为1至N的有序征兆子集：{f1},{f1,f2},……,{f1,……,fN}。

5.根据权利要求4所述的变压器故障诊断用油中溶解气体征兆优选方法，其特征在于，所述步骤6具体为：步骤6.1.设置灰狼算法的总迭代次数，并以随机方式完成狼群位置的初始化；

步骤6.2.构建基于SVM的变压器故障诊断模型，该模型中所涉及到的待优化参数为：SVM的核参数σ、惩罚因子ξ与输入征兆维度m，即代表寻优灰狼的位置；

其中，不同的输入征兆维度m代表着步骤5.4.中所对应维度的有序征兆子集；

步骤6.3.通过训练集T1和测试集T2分别对诊断模型进行训练与检验，并以测试集的诊断准确率作为该诊断模型所对应灰狼的适应度值；

步骤6.4.通过对所有灰狼的适应度值进行排序，筛选出适应度值最大的三只灰狼Alpha狼、Beta狼与Delta狼；

步骤6.5.通过Alpha狼、Beta狼与Delta狼引导剩余灰狼的位置更新，即完成一次迭代；

步骤6.6.重复上述步骤6.2‑步骤6.5，直至完成全部迭代次数，得到最优参数m，即获得变压器故障诊断用的最优征兆组合。

6.一种计算机设备，包括存储器和处理器，所述存储器中存储有可执行代码，其特征在于，所述处理器执行所述可执行代码时，用于实现权利要求1至5任一项所述的变压器故障诊断用油中溶解气体征兆优选方法。

7.一种计算机可读存储介质，其上存储有程序，其特征在于，当该程序被处理器执行时，用于实现权利要求1至5任一项所述的变压器故障诊断用油中溶解气体征兆优选方法。