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。