1.一种应用于光伏储能设备的故障检测方法，其特征在于，包括：

获取光伏储能设备集群中各个光伏储能设备的运行参数的时间序列，其中，所述运行参数包括电压值、电流值、温度值和功率值；

将所述光伏储能设备集群中各个光伏储能设备的运行参数的时间序列分别按照时间维度和运行参数样本维度排列为光伏储能设备运行参数时序输入矩阵以得到光伏储能设备运行参数时序输入矩阵的集合；

通过基于深度神经网络模型的运行模式特征提取器分别对所述光伏储能设备运行参数时序输入矩阵的集合中的各个光伏储能设备运行参数时序输入矩阵进行特征提取以得到光伏储能设备运行参数时序关联特征向量的集合；

从所述光伏储能设备运行参数时序关联特征向量的集合中提取被分析光伏储能设备的光伏储能设备运行参数时序关联特征向量作为查询特征向量，计算所述查询特征向量与所述光伏储能设备运行参数时序关联特征向量的集合中所有其他光伏储能设备运行参数时序关联特征向量的集合的运行模式偏移度语义度量系数；以及基于所述运行模式偏移度语义度量系数，确定被分析光伏储能设备是否存在故障。

2.根据权利要求1所述的应用于光伏储能设备的故障检测方法，其特征在于，所述深度神经网络模型为卷积神经网络模型。

3.根据权利要求2所述的应用于光伏储能设备的故障检测方法，其特征在于，从所述光伏储能设备运行参数时序关联特征向量的集合中提取被分析光伏储能设备的光伏储能设备运行参数时序关联特征向量作为查询特征向量，计算所述查询特征向量与所述光伏储能设备运行参数时序关联特征向量的集合中所有其他光伏储能设备运行参数时序关联特征向量的集合的运行模式偏移度语义度量系数，包括：将所述光伏储能设备运行参数时序关联特征向量的集合排列为特征矩阵以得到初始键矩阵；

将所述查询特征向量和所述初始键矩阵输入基于键矩阵局部关联强化的跨域关注门查询编码器以得到待分析设备自关联跨域查询匹配特征向量；

将所述待分析设备自关联跨域查询匹配特征向量输入解码器以得到所述运行模式偏移度语义度量系数。

4.根据权利要求3所述的应用于光伏储能设备的故障检测方法，其特征在于，将所述查询特征向量和所述初始键矩阵输入基于键矩阵局部关联强化的跨域关注门查询编码器以得到待分析设备自关联跨域查询匹配特征向量，包括：计算所述查询特征向量与所述初始键矩阵中的各个行向量之间的特征分布差异能量系数以得到特征分布差异能量系数的集合；

将所述特征分布差异能量系数的集合中的各个特征分布差异能量系数与预定能量阈值进行比较，且响应于所述特征分布差异能量系数小于预定能量阈值，以所述特征分布差异能量系数对应的行向量与所述查询特征向量之间的均值向量作为更新后的行向量以得到更新键矩阵；

使用值嵌入矩阵对所述查询特征向量进行处理以得到值向量；

以所述查询特征向量作为查询向量、所述更新键矩阵中的各个行向量作为键向量和所述值向量输入基于Transformer结构的跨域关注门查询模块以得到跨域查询关注向量向量的序列；

计算所述跨域查询关注向量向量的序列的按位置均值向量以得到所述待分析设备自关联跨域查询匹配特征向量。

5.根据权利要求4所述的应用于光伏储能设备的故障检测方法，其特征在于，基于所述运行模式偏移度语义度量系数，确定被分析光伏储能设备是否存在故障，包括：基于所述运行模式偏移度语义度量系数与预定阈值之间的比较，确定所述被分析光伏储能设备是否存在故障。

6.根据权利要求5所述的应用于光伏储能设备的故障检测方法，其特征在于，还包括训练步骤：用于对基于卷积神经网络模型的运行模式特征提取器进行训练。

7.根据权利要求6所述的应用于光伏储能设备的故障检测方法，其特征在于，所述训练步骤，包括：获取训练数据，所述训练数据包括光伏储能设备集群中各个光伏储能设备的训练运行参数的时间序列，以及，运行模式偏移度语义度量系数的真实值，其中，所述训练运行参数包括训练电压值、训练电流值、训练温度值和训练功率值；

将所述光伏储能设备集群中各个光伏储能设备的训练运行参数的时间序列分别按照时间维度和运行参数样本维度排列为训练光伏储能设备运行参数时序输入矩阵以得到训练光伏储能设备运行参数时序输入矩阵的集合；

通过所述基于卷积神经网络模型的运行模式特征提取器分别对所述训练光伏储能设备运行参数时序输入矩阵的集合中的各个训练光伏储能设备运行参数时序输入矩阵进行特征提取以得到训练光伏储能设备运行参数时序关联特征向量的集合；

从所述训练光伏储能设备运行参数时序关联特征向量的集合中提取被分析光伏储能设备的训练光伏储能设备运行参数时序关联特征向量作为训练查询特征向量，计算所述训练查询特征向量与所述训练光伏储能设备运行参数时序关联特征向量的集合中所有其他训练光伏储能设备运行参数时序关联特征向量的集合的训练运行模式偏移度语义度量系数；

计算所述训练运行模式偏移度语义度量系数和所述运行模式偏移度语义度量系数的真实值之间的交叉熵函数值；以及以所述交叉熵函数值作为损失函数值来对所述基于卷积神经网络模型的运行模式特征提取器进行训练，其中，在所述训练的每一轮迭代中，对所述训练光伏储能设备运行参数时序关联特征向量的集合进行优化。

8.一种应用于光伏储能设备的故障检测系统，其特征在于，包括：

数据获取模块，用于获取光伏储能设备集群中各个光伏储能设备的运行参数的时间序列，其中，所述运行参数包括电压值、电流值、温度值和功率值；

矩阵化模块，用于将所述光伏储能设备集群中各个光伏储能设备的运行参数的时间序列分别按照时间维度和运行参数样本维度排列为光伏储能设备运行参数时序输入矩阵以得到光伏储能设备运行参数时序输入矩阵的集合；

特征提取模块，用于通过基于深度神经网络模型的运行模式特征提取器分别对所述光伏储能设备运行参数时序输入矩阵的集合中的各个光伏储能设备运行参数时序输入矩阵进行特征提取以得到光伏储能设备运行参数时序关联特征向量的集合；

系数计算模块，用于从所述光伏储能设备运行参数时序关联特征向量的集合中提取被分析光伏储能设备的光伏储能设备运行参数时序关联特征向量作为查询特征向量，计算所述查询特征向量与所述光伏储能设备运行参数时序关联特征向量的集合中所有其他光伏储能设备运行参数时序关联特征向量的集合的运行模式偏移度语义度量系数；以及故障分析模块，用于基于所述运行模式偏移度语义度量系数，确定被分析光伏储能设备是否存在故障。

9.根据权利要求10所述的应用于光伏储能设备的故障检测系统，其特征在于，所述深度神经网络模型为卷积神经网络模型。

10.根据权利要求9所述的应用于光伏储能设备的故障检测系统，其特征在于，所述系数计算模块，用于：将所述光伏储能设备运行参数时序关联特征向量的集合排列为特征矩阵以得到初始键矩阵；

将所述查询特征向量和所述初始键矩阵输入基于键矩阵局部关联强化的跨域关注门查询编码器以得到待分析设备自关联跨域查询匹配特征向量；

将所述待分析设备自关联跨域查询匹配特征向量输入解码器以得到所述运行模式偏移度语义度量系数。