1.一种基于DBN和改进ELM的电力变压器故障诊断方法，其特征在于，该方法具体包括以下步骤：S1：获取电力变压器运行状态数据，进行数据清洗和归一化处理，用顺序前进法筛选与变压器运行状态密切相关的特征；

S2：将步骤S1筛选出的特征输入深度置信网络DBN，通过DBN逐层训练和学习输入特征的潜在表示，捕捉变压器运行状态数据间的关联关系，即学习到变压器运行状态特征表示；

S3：将DBN和改进的ELM相融合，即将步骤S2学习到的变压器运行状态特征表示输入改进的ELM，利用Circle混沌映射生成ELM的输入权重，基于改进DropConnect算法和L1、L2范数分别实现ELM的输入权重和输出权重的正则化处理，最后输出得到电力变压器故障类型，其中ELM是极限学习机。

2.根据权利要求1所述的电力变压器故障诊断方法，其特征在于，步骤S1中，用顺序前进法筛选与变压器运行状态密切相关的特征，具体包括以下步骤：S11：创建一个空集合，用于存放顺序前进法选择的特征；

S12：对于所有未选择的特征，分别计算它们在电力变压器运行状态分类中的精度，选择其中分类精度最高的特征，添加到创建的空集合中；

S13：对于剩余未选择的特征，分别与集合中已有的特征一起计算它们在电力变压器运行状态分类中的精度，选择其中分类精度最高的未选择的特征，继续添加到集合中；

S14：重复步骤S13，直到达到预设的特征数量或电力变压器运行状态分类中的精度不再提高为止。

3.根据权利要求1所述的电力变压器故障诊断方法，其特征在于，步骤S2中，所述DBN由多个受限玻尔兹曼机RBM组成，每个RBM由可见层和隐含层组成；

所述通过DBN逐层训练和学习输入特征的潜在表示，具体包括以下步骤：

S21：RBM通过最大似然估计对变压器运行状态数据进行逐层的预训练，逐步学习到变压器运行状态数据的高级特征表示；

S22：在完成逐层预训练后，进行整体的微调，使用反向传播对整个DBN模型进行训练，调整模型的参数以最小化损失函数。

4.根据权利要求1所述的电力变压器故障诊断方法，其特征在于，步骤S3中，所述利用Circle混沌映射生成ELM的输入权重，是利用Circle混沌映射内部不相关性生成的序列代替ELM的随机输入权重。

5.根据权利要求1所述的电力变压器故障诊断方法，其特征在于，步骤S3中，基于改进的DropConnect算法实现ELM的输入权重正则化处理，具体包括以下步骤：S31：通过选择Circle混沌映射生成的输入权重的中值作为阈值，大于阈值的连接权重是高值连接权重，对变压器故障诊断网络性能贡献大；相反，小于阈值的连接权重是低值连接权重，对变压器故障诊断网络性能贡献小，通过对连接权重进行分层处理，更好地优化变压器故障诊断模型的性能；

S32：通过掩码矩阵控制神经元之间的连接，掩码矩阵中的1表示对应的连接权重被保留，而0表示对应的连接权重被丢弃，为使变压器故障诊断模型不过度依赖于特定的连接，将掩码矩阵设定为服从高斯分布，并以高斯分布的中值作为阈值，高值连接权重对应的掩码矩阵由高斯分布中大于阈值的为1，小于阈值的为0组成；相反地，对于低值连接权重对应的掩码矩阵由高斯分布中小于阈值的为1，大于阈值的为0组成；

S33：将连接权重与掩码矩阵相乘，并添加高斯噪声与掩码矩阵相乘，获得用改进的DropConnect算法正则化后的输入权重。

6.根据权利要求1所述的电力变压器故障诊断方法，其特征在于，步骤S3中，将DBN和改进的ELM相融合是用改进的ELM替换DBN分类模型中的Softmax分类器。