1.基于加权的双隐朴素贝叶斯的变压器故障诊断方法，其特征是，包括：获取待分类的变压器故障数据；

将待分类的变压器故障数据输入到预训练的基于属性值加权的双隐朴素贝叶斯网络分类器中，输出分类结果；所述基于属性值加权的双隐朴素贝叶斯网络分类器根据各属性值的不同以及每一属性值和属性对的不同对分类的影响设计权值；基于属性值加权的双隐朴素贝叶斯网络预测模型F为：

其中，c表示故障类变量，c∈C；ai表示症状变量，ai∈Ai；P(c)表示故障类变量c的概率；

P(ai|ahpi1,c)表示症状变量值ai和与ai最相关症状变量集ahpi1的条件概率；P(ai|ahpi2,c)表示症状变量值ai和与ai最相关症状变量集ahpi2的条件概率；w(i1)表示P(ai|ahpi1,c)的加权系数；w(i2)表示P(ai|ahpi2,c)的加权系数；

其中所述P(ai|ahpi1,c)的加权系数w(i1)和P(ai|ahpi2,c)的加权系数w(i2)分别为：其中，Num(Ai)表示症状变量Ai在训练集的取值个数；Count(aj,c)表示在训练集中症状变量Ai取值为aj且设定故障类变量c的样本对象个数；Count(ai,aj,c)表示在训练集中症状变量取值为ai和aj，Count([aj,ak],c)表示在训练集中症状变量Ai取值为[aj,ak]且设定故障类变量c的样本对象个数；Count(ai,[aj,ak],c)表示在训练集中症状变量取值为ai和[aj,ak]，且设定故障类变量c的样本对象个数；

根据训练的模型对变压器的故障进行预测，得到变压器是否发生故障；

对于发生的故障利用加权的双隐朴素贝叶斯的模型进行诊断，得到诊断结果。

2.如权利要求1所述的方法，其特征是，所述基于属性值加权的双隐朴素贝叶斯网络分类器，在变压器故障诊断中，C为类节点，C表示故障类变量集，指向所有的属性节点A1,A2,…An，即症状变量集，对于每个属性Ai都有两个隐藏父节点Ahpi1和Ahpi2，其中，i＝1,2,…,n，也就是说Ahpi1和Ahpi2为每个症状变量Ai所对应的最相关变量集。

3.如权利要求1所述的方法，其特征是，症状变量值ai和与ai最相关症状变量集合ahpi1的条件概率P(ai|ahpi1,c)为：其中， Wij表示症状变量值ai和与ai最相关变量值aj间的条件互信息，P(ai|aj,c)表示症状变量值ai和与ai最相关变量值aj间的条件概率；aj∈ahpi1；Ip(Ai；Aj|C)表示症状变量Ai和与ai最相关变量Aj间的条件互信息；P(ai,aj|c)为ai和aj的联合概率；P(ai|c)为ai的条件概率；P(aj|c)为aj的条件概率。

4.如权利要求1所述的方法，其特征是，症状变量值ai和与ai最相关症状变量集合ahpi2的条件概率P(ai|ahpi2,c)为：其中， Wijk表示症状变量值ai和与ai最相关变量值[Aj,Ak]间的条件互信息，P(ai|[aj,ak],c)表示症状变量值ai和与ai最相关变量值[Aj,Ak]间的条件概率；[Aj,Ak]∈ahpi1；Ip(Ai；[Aj,Ak]|C)表示症状变量Ai和与Ai最相关变量对[Aj,Ak]间的条件互信息。

5.基于加权的双隐朴素贝叶斯的变压器故障诊断系统，采用了如权利要求1‑4任一所述的基于加权的双隐朴素贝叶斯的变压器故障诊断方法，其特征是，包括：获取模块，其被配置为：获取待分类的变压器故障数据；

分类模块，其被配置为：将待分类的变压器故障数据输入到预训练的基于属性值加权的双隐朴素贝叶斯网络分类器中，输出分类结果；所述基于属性值加权的双隐朴素贝叶斯网络分类器根据各属性值的不同以及每一属性值和属性对的不同对分类的影响设计权值；

根据训练的模型预测变压器的故障，得到变压器是否发生故障；利用加权的双隐朴素贝叶斯的模型对于发生的故障进行诊断，得到诊断结果。

6.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1‑4任一项方法所述的步骤。

7.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1‑4任一项方法所述的步骤。