1.一种基于人工智能的新能源电力数据监控方法，其特征在于，包括：在新能源场站正常发电阶段，对发电系统的多维度数据进行实时采集与智能监控，具体为：建立新能源电力数据采集坐标系：以场站地理坐标为基准，划分监测单元，为每个监测单元分配唯一标识ID；

多维度数据采集与预处理：通过传感器与数据采集网关，采集监测单元的电力参数数据、环境数据与设备状态数据，并执行预处理策略；

多维度特征提取：针对预处理后的数据，分别提取电力特征、环境特征与设备状态特征，构建监测单元的特征向量；

AI模型训练与推理：构建AI融合模型，使用历史标注数据训练模型，将实时特征向量输入模型，输出电力参数预测值与异常风险评分；

实时监控与预警：根据AI模型输出，计算监测单元的“预测偏差率”与“异常风险等级”，执行分级预警策略；

闭环评估与模型优化：记录预警响应结果与实际故障数据，反馈至AI模型进行迭代优化，提升监控精度；

所述AI模型训练与推理，包括：

AI融合模型结构：

时序预测子模型：采用“GRU+注意力机制”，输入过去1h的特征向量序列，输出未来

15min的电力参数预测值 ；

异常检测子模型：采用“孤立森林+XGBoost”，以特征向量 为输入，输出异常风险评分S；

模型训练：

数据集构建：收集1年历史数据，按7:3划分为训练集与验证集；

损失函数：时序预测子模型采用均方误差（MSE）： ；异常检测子模型采用交叉熵损失： ，

其中 为故障标签，1=故障，0=正常；

训练优化：采用Adam优化器，学习率动态调整；

实时推理：将实时特征向量 输入训练完成的AI模型，输出功率预测值 、电压预测值 、实时异常风险评分 。

2.根据权利要求1所述的基于人工智能的新能源电力数据监控方法，其特征在于：所述多维度数据采集与预处理，包括：

数据采集：

电力参数数据：通过智能电表、逆变器采集监测单元的实时电压、电流、有功功率、无功功率、功率因数，采样频率为1Hz；

环境数据：光伏场站通过辐照传感器采集太阳辐照强度、环境温度，风电场通过风速仪采集风速、风向，采样频率为10s/次；

设备状态数据：通过物联网传感器采集光伏组件温度、逆变器模块温度、风机齿轮箱振动值、轴承温度，采样频率为5s/次；

数据预处理：

噪声去除：采用小波变换算法对振动、功率等高频波动数据去噪，保留有效信号；

缺失值填充：对因传感器离线导致的缺失数据，采用线性插值或LSTM时序插值补充；

数据归一化：对不同量纲数据执行Z‑score归一化，公式为： 其中， 为数据均值，为数据标准差，确保数据适配AI模型输入范围。

3.根据权利要求1所述的基于人工智能的新能源电力数据监控方法，其特征在于：所述多维度特征提取，包括：电力特征提取：

时序统计特征：计算电力参数的10min滑动窗口均值、方差、峰值、谷值；

趋势特征：通过线性回归计算1h内功率、电压的变化斜率，表征参数趋势；

关联特征：计算辐照强度与光伏功率的Pearson相关系数、风速与风电功率的拟合残差；

环境‑设备耦合特征提取：

环境影响特征：计算光伏组件温度与环境温度的差值、风速与风机转速的匹配度；

设备健康特征：提取逆变器温度的3σ偏差值、风机振动信号的主频峰值；特征向量构建：将上述特征按“电力特征+环境‑设备耦合特征”拼接，形成20维的监测单元特征向量。

4.根据权利要求1所述的基于人工智能的新能源电力数据监控方法，其特征在于：所述实时监控与预警，包括：指标计算：

预测偏差率：计算实际电力参数与预测值的相对偏差，公式为： ；

异常风险等级：根据 划分等级：

一级风险： 分， 且 ；

二级风险： 分，或 ，或 ；

三级风险： 分，或 ，或 ；

分级预警策略：

一级风险：仅在监控平台显示实时数据，无告警；

二级风险：触发短信/APP告警，推送至场站运维人员，提示“密切关注设备状态”；

三级风险：触发声光告警+紧急短信/电话告警，同步在监控平台标注异常监测单元位置与可能故障原因。

5.根据权利要求1所述的基于人工智能的新能源电力数据监控方法，其特征在于：所述闭环评估与模型优化，包括：评估指标计算：

异常识别准确率： ，其中TP为实际故障且模型识别为故障的样本数，TN为正常且识别为正常的样本数，FP为正常但误判为故障的样本数，FN为故障但漏判的样本数；

预测偏差率均值： ，M为每日监测样本数；

模型优化：当 或 时，将新增的1个月历史数据加入训练集，重新训练AI模型，更新模型参数；每季度执行一次全量数据重训练，确保模型适配新能源场站的长期变化。

6.一种基于人工智能的新能源电力数据监控系统，用于实现权利要求1‑5任一所述的基于人工智能的新能源电力数据监控方法，其特征在于：包括：数据采集层：含多类型传感器与数据采集网关，传感器部署于各监测单元，网关通过

5G/以太网将数据实时传输至上层；

数据预处理层：部署于边缘计算节点，含噪声去除模块、缺失值填充模块、归一化模块，对采集的原始数据进行实时处理，输出标准化数据；

特征提取层：含时序特征计算模块、耦合特征分析模块、特征向量拼接模块，基于标准化数据提取多维度特征，生成监测单元特征向量；

AI分析层：部署于云端服务器，含模型训练模块、实时推理模块、模型优化模块，存储训练完成的AI融合模型，接收特征向量并输出预测值与异常评分；

监控预警层：含指标计算模块、分级告警模块、故障定位模块，计算预测偏差率与风险等级，触发对应告警并定位异常单元；

可视化与反馈层：含Web监控平台、移动APP端，显示实时数据、预测曲线、异常告警信息，接收运维人员的故障确认反馈，将反馈数据传输至AI分析层用于模型优化。