1.一种基于代价敏感学习的变压器模糊谨慎推理故障诊断方法，其特征在于，具体包括以下步骤：步骤1：在获取变压器状态评估初始样本集并设置代价敏感初设矩阵的基础上，确定特征输入向量以及变压器故障类别及其表示方法，对多分类支持向量进行矩阵建模，得到多分类支持向量矩阵模型；

步骤2：结合Sigmoid概率软化模型对变压器故障诊断多分类支持向量矩阵模型进行软化决策，构造归一化多属性决策矩阵；

步骤3：在多属性决策矩阵基础上，构造归一化有序加权平均算子区间，计算模糊谨慎隶属度；

步骤4：对通过归一化加权平均得到的模糊谨慎隶属度进行互补置信度分配，通过PCR5方法对信度分配进行信息融合，并基于信度分配融合的终值进行决策判定；

步骤5：根据决策判定，对误诊样本类别进行检索归类，在此基础上对代价敏感初始矩阵进行在线惩罚修正，实现代价敏感初始矩阵的在线自校正，并持续反馈进行基于证据推理模糊谨慎有序加权平均的油浸式电力变压器故障诊断决策过程。

2.根据权利要求1所述的基于代价敏感学习的变压器模糊谨慎推理故障诊断方法，其特征在于，在步骤1中，构造的多分类支持向量矩阵模型如式(1)所示：其中，Pi为分属于运行状态i的概率，Mi是分别采用的基于DGA的单一油浸式电力变压器故障诊断方法，D为多分类支持向量矩阵，Dij为方法j对样本属于第i类运行状态的概率评价。

3.根据权利要求1所述的基于代价敏感学习的变压器模糊谨慎推理故障诊断方法，其特征在于，在步骤2中，Sigmoid概率软化模型，如式(2)所示：其中，系数A和B分别为软化斜率和偏置；对于模糊集对分析方法，概率p为模糊隶属度函数最终得到的运行状态估计概率值。

4.根据权利要求1所述的基于代价敏感学习的变压器模糊谨慎推理故障诊断方法，其特征在于，在步骤3中，具体包括如下步骤：步骤3.1：对多分类支持向量矩阵D的每一行分别取悲观态度策略和乐观态度策略计算有序加权平均算子，即分别取该行评价值的最小值与最大值，得到有序加权平均算子区间向量EOWA(D)，如式(3)所示：步骤3.2：对有序加权平均算子区间向量进行归一化，构造模糊谨慎隶属度Eimp(D)，作为模糊谨慎隶属度权重，如式(4)所示：

5.根据权利要求1所述的基于代价敏感学习的变压器模糊谨慎推理故障诊断方法，其特征在于，在步骤4中，具体包括如下步骤：步骤4.1：根据公式(5)得到辨识框架Θ＝{A1,A2,…,Ak}的基本信度分配矩阵；

其中，区间 对应模糊期望折中向量Eimp(D)的每一行值，为Ai的补集；

步骤4.2：基于公式(6)对支持证据冲突信度进行重新分配，实现基本信度分配的信息融合；

其中，X1和X2均属于辨识框架Θ＝{A1,A2,…,Ak}的子集；m1(X)、m2(X)、m1(X1)、m1(X2)、m2(X2)分别代表所采用的m1或m2基本信度分配函数中各子集X、X1、X2的基本信度分配结果；

步骤4.3：证据推理理论泛化置信函数Bel(Ai)，如式(7)所示：步骤4.4：基于证据推理理论泛化置信函数Bel(Ai)，得到对应于类别Ai的基于证据推理的信度分配融合终值Afinal，由信度分配融合终值Afinal大小进行决策判定，如式(8)所示：

6.根据权利要求1所述的基于代价敏感学习的变压器模糊谨慎推理故障诊断方法，其特征在于，在步骤5中，具体包括如下步骤：步骤5.1：代价敏感初始矩阵定义为

其中，csii＝0(i＝1,2…6)，表示正确诊断代价为0，csij表示故障状态i误诊为故障状态j的误诊代价权重因子；

步骤5.2：结合粒子群优化算法(PSO)和交叉验证算法(CV)以测试集故障诊断误判率最小为优化目标，结合训练样本集对代价敏感初始矩阵以及后续代价敏感惩罚矩阵进行寻优和修正，模型样本集的调整方式采用周期性采样扩展方式；具体包括如下步骤：步骤5.2.1：对样本集合划分为训练样本集和验证样本集，并对代价敏感初始矩阵CS进行初始化；

步骤5.2.2：基于有效信息自适应粒子群优化算法对代价敏感初始矩阵中的元素进行迭代优化；具体包括如下步骤：步骤5.2.2.1：随机初始化代价敏感粒子群中每个代价敏感矩阵粒子的搜索速度和位置信息；

步骤5.2.2.2：计算每个代价敏感粒子的适应度；

步骤5.2.2.3：计算代价敏感矩阵粒子的搜索自适应惯性权重和加速度系数；

步骤5.2.2.4：综合所有粒子适应度评估计算适应度值最小的代价敏感粒子为最优适应度代价敏感粒子，结合自适应惯性权重和加速度系数更新代价敏感粒子群的速度和位置信息，直至达到算法停止条件，即达到迭代次数上限或达到最终收敛适应度目标；其中，每经过E次迭代，对搜索结果进行基于伪牛顿法的局部搜索更新，以提高收敛速度；每经过R次迭代，对代价敏感粒子群进行随机重组，以避免粒子陷入局部最优，增强算法的全局搜索性能；

步骤5.2.3：根据性能评价函数，判定迭代过程是否终止；

若：判断结果是迭代过程终止，则输出最终迭代生成的代价敏感矩阵；

或判断结果是迭代过程没有终止，则重复步骤5.2.1-步骤5.2.3。

7.根据权利要求1所述的基于代价敏感学习的变压器模糊谨慎推理故障诊断方法，其特征在于，在步骤5.2中，故障诊断误判率定义为k折交叉验证误判率，即其中，Ni为第i个验证集中的样本个数，nijF为该验证集中故障诊断过程故障状态i误诊为故障状态j的样本个数。