1.一种基站热管理系统的故障诊断方法,所述基站热管理系统包括设置在基站内的空调器、温控装置以及设备柜,所述空调器、设备柜之间通过冷通道及热通道连通,所述冷通道及所述热通道具有与外界连通的风口；其中,所述温控装置包括：用于检测所述设备柜进风温度的第一温度传感器,设置在所述设备柜的进风口的第一风机；还包括控制装置,用于在所述第一温度传感器检测的所述设备柜的进风温度小于设定的第一温度时,根据设定的温度与第一风机转速的对应关系控制所述第一风机的转速；还包括：检测基站温度的第二温度传感器；主控制装置,用于在所述第二温度传感器检测基站的温度小于设定的第二温度时,控制所述空调停止工作,并控制所述温度控制装置开始工作；其中,所述第二温度大于所述第一温度,其特征在于,包括以下步骤：步骤101：选定基站热管理系统的可测输出量,包括采集基站内的空调器、温控装置以及设备柜的温度数据,以及冷通道、热通道的数据,分别采集正常情况和故障情况下的样本数据；步骤102：采用改进的主成分分析法对步骤1所述采集到的基站热管理系统的正常情况和故障情况的样本数据进行特征提取,改进的主成分分析法改进点主要在于：首先进行相关性分析,将空调器、设备柜的温度数据、第一温度传感器、第二温度传感器的温度数据设置成一次筛选数据,对于控制装置、主控制装置的控制参数数据不进行筛选,由参数模型进行比对；首先进行温度数据筛选得出一次指标,并设置重要度w对一次指标的重要性进行排序,其中重要度升序排序为：空调器、设备柜的温度数据、第一温度传感器、第二温度传感器的温度数据,进行第一次筛选数据并进行若干次计算得到加成后的指标,再次降序排序得出排序后的二次指标,并将排序低于设定值的指标进行一次删除；再进行主成分分析,包括：将一次删除数据按行排列组成矩阵X；对X进行数据标准化,使其均值变为零求X的协方差矩阵C；将特征向量按特征值由大到小排列,取前k个按行组成矩阵P；通过计算Y＝PX,得到降维后数据Y；用下式计算每个特征根的贡献率根据特征根及其特征向量解释主成分物理意义即指标的因子载荷；再第二次删除因子载荷小于设定值的指标,保证筛选出重要的指标,改进的主成分分析法得到降维后的样本数据,将降维后的样本数据分为训练集和测试集；步骤103：建立基于非线性径向神经网络故障诊断模型,采用改进的粒子群优化算法优化神经网络故障诊断模型的基函数中心位置cj、方差σj和连接权值wij,将步骤102的训练集数据用于RBF神经网络故障诊断模型的训练,并得到优化后的基于非线性径向神经网络故障诊断模型,采集基站内的空调器、温控装置以及设备柜的数据；将基站内的空调器、温控装置以及设备柜的数据输入优化后的基于非线性径向神经网络故障诊断模型,将优化后的基于非线性径向神经网络故障诊断模型与基准模型进行比对进行评估来计算误差,得到模型准确度量化指标,判断故障源。