1.一种水电设备在线监测诊断系统，其特征在于，包括：数据采集模块，用于采集水电设备的实时数据；数据处理模块，用于将实时数据进行整合，并利用校验方法对实时数据进行错误检测，得到校验后的数据；数据分析模块，用于利用聚类算法对校验后的数据进行聚类分析，根据聚类结果标记正常数据和异常数据，得到聚类后的数据；模型分析模块，用于根据预训练的自编码器对聚类后的数据进行特征提取，并根据自编码器提取的特征对聚类后的数据进行二次聚类，得到二次聚类的结果；异常诊断模块，用于基于模式匹配算法对二次聚类的结果进行匹配，确定诊断类型，并输出诊断报告；模式匹配算法包括：从二次聚类结果中提取聚类中心，作为待匹配特征；获取包含已知故障模式的模式库，每种故障模式包含特征描述和对应的诊断类型；利用余弦相似度方法，计算待匹配特征与模式库中各故障模式的相似度；设定相似度阈值，若相似度超过相似度阈值，则匹配成功，得到初步匹配结果，否则，标记为未知异常；在初步匹配结果中，对于每个待匹配特征：若匹配成功的故障模式仅1个，则将该待匹配特征标记为该故障模式；若匹配成功的故障模式大于或2个，将这些故障模式按相似度从高到低排序，计算最高相似度与次高相似度之间的差值，若差值超过阈值，则选择最高相似度的故障模式作为该待匹配特征的故障模式；若差值未超过阈值，则检查是否存在相似度接近的多个故障模式，若有，则采用加权融合的方式，形成复合故障描述作为该待匹配特征的故障模式，若没有，则将最高相似度的故障模式作为主要故障模式，将次高相似度的故障模式作为次要故障模式，将主要故障模式和次要故障模式组合成模糊诊断结果，作为该待匹配特征的故障模式；根据二次聚类结果，将聚类中心的故障模式作为其对应数据的故障模式；根据故障模式生成诊断报告。
2.如权利要求1所述的一种水电设备在线监测诊断系统，其特征在于，校验方法包括：对实时数据进行整合，并记录时间戳，记为D(t)，其中，t为时间戳；对于不同来源的同一数据，进行多源误差查验，若查验通过，则标记为有效数据{A(t)}，否则，标记为待查验数据{B(t)}；将待查验数据按照隶属水电设备进行划分，形成基于水电设备的数据序列 ，其中，n为水电设备的数量， 表示第n个水电设备的数据序列；计算每两个水电设备的数据序列之间的相关系数，将计算得到的相关系数与预设阈值范围进行比较，若符合预设阈值范围，则将对应两个水电设备的数据序列均标记为有效数据，否则，标记为错误数据；对错误数据进行修复，修复后的错误数据标记为有效数据，无法修复的错误数据予以删除；将所有的有效数据整合，作为校验后的数据。
3.如权利要求2所述的一种水电设备在线监测诊断系统，其特征在于，多源误差查验的公式如下： ，式中， 和 分别为第a个来源和第b个来源在t时刻的同一数据，V为数据源个数， 表示错误误差；相关系数的公式如下： ，式中， 表示第 个水电设备的数据序列 和第 个水电设备的数据序列 之间的相关系数， 表示两个数据序列与参考数据序列之间的绝对差， 表示 中的二阶最小误差， 表示 中的二阶最大差值， 表示调整系数。
4.如权利要求2所述的一种水电设备在线监测诊断系统，其特征在于，聚类算法包括：步骤一、设定聚类数c，聚类指数m，中间迭代次数T 1 ，最大迭代次数T max 和收敛阈值ε，随机初始化种群 ，其中，每个个体代表一个可能的隶属度矩阵，初始化搜索函数C，搜索函数为随时间衰减的函数；步骤二、对于每个个体 ，计算聚类中心 和目标函数值 ，将目标函数值作为该个体的适应度；步骤三、将适应度最小值作为全局最优解，记录最优解和对应的个体；步骤四、计算每个个体的质量 ，以及个体之间的吸引指数 ；步骤五、根据吸引指数计算个体的加速度，根据加速度更新个体的速度和位置；步骤六、重复步骤二-步骤五，直至达到中间迭代次数T 1 ，得到最终的全局最优解，即最优个体；步骤七、将最优个体作为初始隶属度矩阵U；步骤八、使用当前的隶属度矩阵U计算聚类中心；步骤九、根据新的聚类中心，更新每个数据点对各聚类簇的隶属度；步骤十、计算新的目标函数值J new ；步骤十一、若 或达到最大迭代次数T max ，则根据最大隶属度原则为每个数据点选择聚类中心，输出聚类结果，否则，更新隶属度矩阵的元素并返回步骤八继续迭代；步骤十二、设定隶属度阈值，将聚类结果中最大隶属度低于隶属度阈值的数据点标记为异常数据，否则，标记为正常数据，得到聚类后的数据。
5.如权利要求4所述的一种水电设备在线监测诊断系统，其特征在于，聚类中心 的计算公式为： ，式中， 表示第j个聚类中心， 表示第i个数据点， 表示第i个数据点对第j个聚类中心的隶属度，m为聚类指数，c为设定的聚类数；目标函数值 的计算公式为： ，式中， 表示个体 的目标函数值，也为适应度值， 表示数据点 到聚类中心 的欧氏距离。
6.如权利要求5所述的一种水电设备在线监测诊断系统，其特征在于，个体的质量 的计算公式为： ，式中， 表示当前迭代种群中的最差适应度值， 表示当前迭代种群中的最佳适应度值， 表示当前迭代所有个体质量的总和；个体之间的吸引指数 的计算公式为： ，式中， 指的是个体 对个体 的吸引指数，C表示搜索函数，其随时间减小， 为个体 的质量， 为个体 的质量， 表示个体 和个体 在解空间中的欧氏距离， 为常数， 和 为个体 和个体 在解空间中的位置；加速度的计算公式为： ， ，式中， 表示个体 的加速度， 表示作用在个体 的合力， 表示0-1之间的随机数；更新个体的速度和位置的公式如下： ， ，式中， 表示更新后的速度， 表示0-1之间的随机数， 表示更新后的位置。
7.如权利要求4所述的一种水电设备在线监测诊断系统，其特征在于，模型分析模块包括：模型构建单元，用于构建自编码器，自编码器的主体结构包括编码器和解码器；模型训练单元，用于利用训练样本对自编码器的编码器和解码器进行联合训练，直至损失函数收敛，得到预训练的自编码器；模型部署单元，用于部署预训练的自编码器中的编码器，对聚类后的数据进行特征提取，得到深度特征；二次聚类单元，用于将深度特征作为聚类中心，根据聚类算法对标记为异常数据的聚类后的数据进行二次聚类，根据二次聚类结果得到异常数据及其异常类型。
8.如权利要求7所述的一种水电设备在线监测诊断系统，其特征在于，编码器和解码器的结构相同，均包括4个时间卷积模块，每个时间卷积模块包括空洞卷积、深度可分离因果卷积、权重归一化、注意力机制、激活函数、Dropout，其中，注意力机制包括K全连接层、Q全连接层、V全连接层、注意力计算、softmax、残差连接。
9.如权利要求8所述的一种水电设备在线监测诊断系统，其特征在于，对自编码器进行训练时，损失函数如下： ，式中，第一部分表示重构损失， 为输入样本 与重构样本 的期望误差；第二部分表示时间一致性损失，sg表示停止梯度，即不计算及回传梯度， 表示当前时间步t的特征表示， 为前一个时间步t-1的特征表示， 为范数；第三部分表示注意力正则化，Attention为注意力权重矩阵， 表示阻止梯度通过Attention传播， 为正则化参数。
