1.一种发电设备故障检测方法，其特征在于，所述方法包括：将发电设备的当前发电功率带入预先建立的发电设备故障检测拟合模型，得到当前电压拟合值；基于所述当前电压拟合值、电压监测值确定所述发电设备当前是否发生故障；所述发电设备故障检测拟合模型的建立，包括：基于发电设备的历史电流和发电功率得到对应电压；基于所述发电设备历史温度、电压与发电功率数据划分为训练集和测试集；基于训练集，采用支持向量机回归分析拟合模型确定所述历史温度、电压与发电功率的高维空间距离关系；基于所述测试集进行测试，调整所述历史温度、电压与发电功率的高维空间距离关系参数，得到发电设备故障检测拟合模型；针对每一组实时监测数据，选择支持向量机回归分析模型作为机器学习方法建立回归分析拟合模型，具体包括：a.选择支持向量机的回归分析模型进行训练；b.发电设备故障检测模型参数初始化；c.使用训练集训练发电设备故障检测模型，得到回归分析的拟合模型；d.使用测试集评估检测模型的效果，并记录模型结果；e.根据评估结果更新模型参数，重复步骤c-d，直到满足预设条件；将预测时间带入预先建立的发电设备运行态势预测模型，得到发电设备在所述预测时间的电压预测值；基于电压预测值确定所述发电设备预测时间是否发生故障；所述发电设备运行态势预测模型的建立，包括：基于训练集，采用支持向量机回归分析预测模型确定所述历史温度、电压和发电功率的高维空间距离关系；基于所述测试集进行测试，调整所述历史温度、电压和发电功率的高维空间距离关系参数，得到发电设备运行态势预测模型；发电设备运行态势预测模型训练：训练并建立基于支持向量机回归分析方法的设备运行态势预测模型；发电设备运行态势预测模型建立的具体步骤包括：按照时间序列将实时监测数据分为多组训练数据，每组数据的时间长度相同，训练特征集为特征数据，表征数据集为时间轴与特征数据相比延后一定时间的表征数据；针对每一组实时监测数据，选择支持向量机回归分析模型作为机器学习方法建立回归分析预测模型,具体包括：a.选择支持向量机的回归分析模型进行训练；b.发电设备运行态势预测模型参数初始化；c.使用训练集训练发电设备运行态势预测模型，得到回归分析的预测模型；d.使用测试集评估检测模型的预测效果，并记录模型结果；e.根据评估结果更新模型参数，重复步骤c-d，直到满足预设条件。
2.如权利要求1所述的发电设备故障检测方法，其特征在于，所述基于发电设备历史温度、电压和发电功率数据划分为训练集和测试集包括：获取发电设备各监测点的历史温度、电流和发电功率监测数据样本；基于所述监测数据样本进行向量映射，得到与各监测点对应的时序向量集合；按照时间序列对所述时序向量集合进行划分；将划分好的所述时序向量集合按照比例分为训练集和测试集。
3.如权利要求1所述的发电设备故障检测方法，其特征在于，所述基于所述当前电压拟合值和电压监测值确定所述发电设备当前是否发生故障，包括：将当前电压拟合值和当前电压监测值进行比较，若所述当前电压拟合值与所述当前电压监测值的差值超出预设范围，则发电设备当前运行故障。
4.如权利要求1所述的发电设备故障检测方法，其特征在于，所述基于电压预测值确定所述发电设备预测时间是否发生故障，包括：将所述电压预测值与预设的正常电压范围进行比较，若所述电压预测值不在正常电压范围内，则在预测时间内所述发电设备运行故障。
5.如权利要求4所述的发电设备故障检测方法，其特征在于，所述基于所述当前电压拟合值、当前电压监测值、电压预测值和正常运行状态下的电压确定所述发电设备当前和预测时间的运行故障，之后还包括：当确定发电设备运行故障后，基于当前电压拟合值和电压预测值对发电设备进行警告。
6.一种发电设备故障检测系统，其特征在于，所述系统包括：第一带入模块：用于将发电设备的当前发电功率带入预先建立的发电设备故障检测拟合模型，得到当前电压拟合值；第一确定模块：用于基于所述当前电压拟合值、电压监测值确定所述发电设备当前是否发生故障；所述第一带入模块还包括：发电设备故障检测拟合模型模块；基于发电设备的历史电流和发电功率得到对应电压；基于所述发电设备历史温度、电压与发电功率数据划分为训练集和测试集；基于训练集，采用支持向量机回归分析拟合模型确定所述历史温度、电压与发电功率的高维空间距离关系；基于所述测试集进行测试，调整所述历史温度、电压与发电功率的高维空间距离关系参数，得到发电设备故障检测拟合模型；针对每一组实时监测数据，选择支持向量机回归分析模型作为机器学习方法建立回归分析拟合模型,具体包括：a.选择支持向量机的回归分析模型进行训练；b.发电设备故障检测模型参数初始化；c.使用训练集训练发电设备故障检测模型，得到回归分析的拟合模型；d.使用测试集评估检测模型的效果，并记录模型结果；e.根据评估结果更新模型参数，重复步骤c-d，直到满足预设条件；第二带入模块：用于将预测时间带入预先建立的发电设备运行态势预测模型，得到发电设备在所述预测时间的电压预测值；第二确定模块：用于基于电压预测值确定所述发电设备预测时间是否发生故障；所述第二带入模块，还包括：建立发电设备运行态势预测模型模块；基于训练集，采用支持向量机回归分析预测模型确定所述历史温度、电压和发电功率的高维空间距离关系；基于所述测试集进行测试，调整所述历史温度、电压和发电功率的高维空间距离关系参数，得到发电设备运行态势预测模型；发电设备运行态势预测模型训练：训练并建立基于支持向量机回归分析方法的设备运行态势预测模型；发电设备运行态势预测模型建立的具体步骤包括：按照时间序列将实时监测数据分为多组训练数据，每组数据的时间长度相同，训练特征集为特征数据，表征数据集为时间轴与特征数据相比延后一定时间的表征数据；针对每一组实时监测数据，选择支持向量机回归分析模型作为机器学习方法建立回归分析预测模型,具体包括：a.选择支持向量机的回归分析模型进行训练；b.发电设备运行态势预测模型参数初始化；c.使用训练集训练发电设备运行态势预测模型，得到回归分析的预测模型；d.使用测试集评估检测模型的预测效果，并记录模型结果；e.根据评估结果更新模型参数，重复步骤c-d，直到满足预设条件。
