1.一种电力设备故障诊断方法,其特征在于,包括:
获取待诊断电力设备当前时刻的温度数据;
获取前一时刻的温度数据、温度差、温度变化率,计算当前时刻的温度差和温度变化率;
对所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率进行数据融合,得到融合结果,确定当前时刻所述待诊断电力设备是否发生故障。
2.根据权利要求1所述的电力设备故障诊断方法,其特征在于,所述对所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率进行数据融合之前,还包括:
对所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率进行预处理,去除噪声和奇异点。
3.根据权利要求1所述的电力设备故障诊断方法,其特征在于,所述计算当前时刻的温度差和温度变化率,包括:
将当前时刻的温度数据与前一时刻的温度数据之差,作为所述当前时刻的温度差。
4.根据权利要求1所述的电力设备故障诊断方法,其特征在于,所述计算当前时刻的温度差和温度变化率,还包括:
绘制所述温度数据随时间变化的曲线;
根据所述曲线计算温度数据随时间变化的函数;
将所述函数在当前时刻对时间求导,得到当前时刻的温度变化率。
5.根据权利要求1所述的电力设备故障诊断方法,其特征在于,所述对所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率进行数据融合,得到融合结果,确定当前时刻所述待诊断电力设备是否发生故障,包括:
将温度数据、温度差和温度变化率作为三个输入节点,将发生故障和未发生故障作为两个输出节点,建立神经网络模型,其中,所述神经网络模型的隐层设为八个节点;
以所述待诊断电力设备的历史温度数据、温度差和温度变化率作为训练样本输入所述神经网络模型进行训练,得到所述神经网络模型的隐层输入权值和输出权值,其中,所述历史温度数据、温度差和温度变化率为所述待诊断电力设备正常运行时的温度数据、温度差和温度变化率;
将所述输入权值和输出权值更新到所述神经网络模型;
将所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率作为测试样本输入更新的所述神经网络模型进行训练,得到发生故障的权重和未发生故障的权重,确定当前时刻所述待诊断电力设备是否发生故障。
6.一种电力设备故障诊断装置,其特征在于,包括:
温度获取模块,用于获取待诊断电力设备当前时刻的温度数据;
计算模块,用于获取前一时刻的温度数据、温度差、温度变化率,计算当前时刻的温度差和温度变化率;
故障诊断模块,用于对所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率进行数据融合,得到融合结果,确定当前时刻所述待诊断电力设备是否发生故障。
7.根据权利要求6所述的电力设备故障诊断装置,其特征在于,还包括:
预处理模块,用于对所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率进行预处理,去除噪声和奇异点。
8.根据权利要求6所述的电力设备故障诊断装置,其特征在于,所述计算模块包括:
温度差计算单元,用于将当前时刻的温度数据与前一时刻的温度数据之差,作为所述当前时刻的温度差。
9.根据权利要求6所述的电力设备故障诊断装置,其特征在于,所述计算模块还包括:
曲线绘制单元,用于绘制所述温度数据随时间变化的曲线;
函数计算单元,用于根据所述曲线计算温度数据随时间变化的函数;
温度变化率计算单元,用于将所述函数在当前时刻对时间求导,得到当前时刻的温度变化率。
10.根据权利要求6所述的电力设备故障诊断装置,其特征在于,所述故障模块包括:
建模单元,用于将温度数据、温度差和温度变化率作为三个输入节点,将发生故障和未发生故障作为两个输出节点,建立神经网络模型,其中,所述神经网络模型的隐层设为八个节点;
训练单元,用于以所述待诊断电力设备的历史温度数据、温度差和温度变化率作为训练样本输入所述神经网络模型进行训练,得到所述神经网络模型的隐层输入权值和输出权值,其中,所述历史温度数据、温度差和温度变化率为所述待诊断电力设备正常运行时的温度数据、温度差和温度变化率;
模型更新单元,用于将所述输入权值和输出权值更新到所述神经网络模型;
故障确定单元,用于将所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率作为测试样本输入更新的所述神经网络模型进行训练,得到发生故障的权重和未发生故障的权重,确定当前时刻所述待诊断电力设备是否发生故障。