1.一种光伏发电异常检测方法，其特征在于，所述方法包括：基于由光伏发电的训练集预确定的设备地理图结构，确定各相邻设备 的第一地理注意得分 ；其中，所述第一地理注意得分 由设备i和j之间距离衰减因子以及方向向量确定；

基于由第一地理注意得分 和预确定的软邻接门控确定的第二地理图注意力得分，确定设备i对设备j的地理图注意力权重，并根据所述地理图注意力权重确定地理图增强序列；

根据所述地理图增强序列 以及由所述训练集分别进行时间注意力计算和变量注意力计算得到的时间增强序列 和变量增强序列 确定自重构流程，并根据所述自重构流程以及各设备对应的动态阈值，构建异常检测模型；

基于所述异常检测模型中的自重构流程，确定待测光伏系统运行数据的异常分数，并基于所述异常分数与所述待测光伏系统运行数据对应设备的动态阈值的比较结果，确定光伏发电的异常检测结果；其中，所述待测光伏系统运行数据包括多个设备在各时刻的运行参数。

2.根据权利要求1所述的光伏发电异常检测方法，其特征在于，各设备对应的动态阈值的确定过程包括：确定设备b的各候选放缩系数 分别对应的候选动态阈值 ；

针对每一所述候选动态阈值 ，基于所述自重构流程以及各组数据集，确定该候选动态阈值 在第r组数据集所对应的异常组误差中位数 和正常组误差中位数 ；其中， ，R为数据集组的数量，A为被判为异常的上尾集合，C为被判为正常的下部集合， 表示设备b在第r组数据集对应的异常组误差集， 表示设备b在第r组数据集对应的正常组误差集；

根据所述异常组误差中位数 和正常组误差中位数 ，确定对应的候选放缩系数 在第r组数据集所对应的分离度指标为；其中，表示预设平滑常数， 表示所述正常组

误差集 的四分位距；

针对设备b的每一个候选放缩系数，将候选放缩系数 在所有组数据集所对应的分离度指标进行跨折平均处理，得到该候选放缩系数 的跨折平均后的分离度；

对各所述候选放缩系数 对应的跨折平均后的分离度 执行最大值遴选操作，确定跨折平均后的目标分离度 ，并将所述跨折平均后的目标分离度 所对应的候选放缩系数 作为设备b的目标放缩系数 ；

基于所述设备b的目标放缩系数 、历史重构误差均值 和标准差 ，确定设备b对应的动态阈值 。

3.根据权利要求1所述的光伏发电异常检测方法，其特征在于，基于由光伏发电的训练集预确定的设备地理图结构，确定各相邻设备 的第一地理注意得分 ，包括：各相邻设备 的第一地理注意得分 由下式确定：

；

其中， 表示非线性激活， 为注意力打分的可学习参数向量， 和 分别为由训练集确定的设备i和设备j在时刻t的投影向量， 表示对边特征向量 进行特征映射后得到的边嵌入向量， 为可学习的边特征投影， 为边特征向量，表示从设备i指向相邻的设备j的地理关系特征， ， 为由设备i和设备j的坐标以及确定的方向向量， 为由设备i和设备j之间地理距离 确定的距离衰减因子， 表示与设备i相邻的设备集合。

4.根据权利要求3所述的光伏发电异常检测方法，其特征在于，所述基于由第一地理注意得分 和预确定的软邻接门控确定的第二地理图注意力得分，确定设备i对设备j的地理图注意力权重，并根据所述地理图注意力权重确定地理图增强序列，包括：根据所述第一地理注意得分 和所述软邻接门控，确定第二地理图注意力得分，式中， 为软邻接门控， ，其中，为S型函数， 为用于计算软邻接门控的可学习投影权重向量， 为小型MLP；

对所述第二地理图注意力得分 进行归一化处理，得到设备i对设备j的地理图注意力权重 ， 为设备i对其相邻的设备集合中任一相邻设备k的第二地理图注意力得分，用于对设备i的各相邻设备的第二地理图注意力得分进行归一化；

根据所述地理图注意力权重 确定设备i在时刻t的地理图增强向量，式中， 为由训练集确定的

设备i在时刻t的嵌入向量，U是用于对相邻设备j的嵌入向量 进行线性变换的第一可学习权重矩阵； 是用于对设备i与相邻设备j之间的边嵌入向量 进行线性变换的第二可学习权重矩阵；

针对每一个时刻，确定所有设备在该时刻的地理图增强向量；并将各时刻对应的地理图增强向量进行拼接，得到地理图增强序列 。

5.根据权利要求1所述的光伏发电异常检测方法，其特征在于，所述自重构流程包括：将所述时间增强序列 、变量增强序列 以及地理图增强序列 在设备维度和时间维度上一一对应拼接，并采用门控机制，确定设备b在时刻t对应的时间门控权值 、变量门控权值 以及地理图门控权值 ；所述门控机制的计算公式为，其中， 是偏置向量， 表

示在设备维度和时间维度上组织的联合特征张量，所述联合特征张量中的每个元素为， 是可学习参数矩阵； 由设备b在时刻t的时间注意力增强向量、目标变量增强向量以及地理图注意力增强向量拼接得到，，d为维度， 表示设备b在时刻t的

时间注意力增强向量， 表示设备b在时刻t的目标变量增强向量， 表示设备b在时刻t的地理图注意力增强向量；

基于每一设备在所有时刻对应的时间门控权值 、变量门控权值 以及地理图门控权值 ，对所述时间增强序列 、变量增强序列 以及地理图增强序列 进行门控融合，得到融合后的序列 ；

对所述融合后的序列Z中每一个融合嵌入向量 进行非线性映射，得到重构序列 ，其中，B是设备数量，N为时间窗口长度、M是变量数量；其中， ；

。

6.根据权利要求5所述的光伏发电异常检测方法，其特征在于，所述方法还包括：根据所述训练集以及所述自重构流程，确定所述训练集对应的训练重构序列 ；

根据所述训练重构序列 以及所述训练集，确定损失函数为，其中， 和 为损失函数的权重超参数，

， 为变量m的变量加权因子，

为设备b在时刻t的变量m的真实输入值， 为设备b在时刻t的变量m的重构值，，式中， 为设备b在时刻t的变量m的重构误差；其中， ；

基于损失函数对所述自重构流程进行优化，并根据优化后的自重构流程以及各设备对应的动态阈值，构建异常检测模型。

7.根据权利要求6所述的光伏发电异常检测方法，其特征在于，所述运行参数包括多个变量对应的运行参数；

所述基于所述异常检测模型中的自重构流程，确定待测光伏系统运行数据的异常分数，包括：通过所述异常检测模型中优化后的自重构流程，确定待测光伏系统运行数据 对应的重构序列 ；

基于所述待测光伏系统运行数据 以及重构序列 ，确定设备b在时刻t的变量m的运行参数 及其对应的重构值 ，并确定设备b在时刻t的变量m的重构误差为；

确定设备b在时刻t的所有变量的重构误差，并基于设备b在时刻t的所有变量的重构误差，确定待测光伏系统运行数据中设备b在时刻t的运行参数对应的异常分数为， 为设备b在时刻t的变量m对应的变量加权因子。

8.根据权利要求1所述的光伏发电异常检测方法，其特征在于，由训练集进行时间注意力计算得到时间增强序列 的过程包括：对所述训练集进行滑动截取，得到输入序列 ，并对所述输入序列X中各设备在各时刻的变量向量进行变量嵌入，得到嵌入张量 ，其中，B是设备数量，N为时间窗口长度、M是变量数量，d为维度；

将嵌入张量H中设备b在所有时刻的嵌入变量 作为一个表征单元，进行时间注意力计算，得到设备b的时间注意力增强向量 ，其中，， ， 表示

设备b的时间注意力权重矩阵，用于表征设备b在各个时刻对其他时刻的关注程度，分别表示设备b的时间查询矩阵、时间键矩阵和时间值矩阵，均由设备b在所有时刻的嵌入变量 经过不同可学习参数矩阵投影得到， 是注意力投影维度，是可学习参数；

将各设备的时间注意力增强向量进行拼接，得到所述时间增强序列 。

9.根据权利要求8所述的光伏发电异常检测方法，其特征在于，由训练集进行变量注意力计算得到变量增强序列 的过程包括：对所述输入序列X中设备b在时刻t的每一变量均进行变量嵌入，得到嵌入矩阵；

将嵌入矩阵 作为一个表征单元，进行变量注意力计算，得到设备b在时刻t的初始变量增强向量 ，其中，、 分别表示变量查询矩阵、变量键矩阵和变量值矩阵，均由嵌入矩阵 经过不同可学习参数矩阵投影得到，， ， 表示注意力投影参数， 是每对变量m之间的注意力打分， 是变量嵌入的特征维度；

基于所述初始变量增强向量 ，确定设备b在时刻t的目标变量增强向量；

将各设备在所有时刻的目标变量增强向量进行拼接，得到所述变量增强序列 。

10.一种光伏发电异常检测系统，其特征在于，所述系统包括：第一确定模块，用于基于由光伏发电的训练集预确定的设备地理图结构，确定各相邻设备 的第一地理注意得分 ；其中，所述第一地理注意得分 由设备i和j之间距离衰减因子以及方向向量确定；

第二确定模块，用于基于由第一地理注意得分 和预确定的软邻接门控确定的第二地理图注意力得分，确定设备i对设备j的地理图注意力权重，并根据所述地理图注意力权重确定地理图增强序列 ；

模型构建模块，用于根据所述地理图增强序列 以及由所述训练集分别进行时间注意力计算和变量注意力计算得到的时间增强序列 和变量增强序列 确定自重构流程，并根据所述自重构流程以及各设备对应的动态阈值，构建异常检测模型；

检测模块，用于基于所述异常检测模型中的自重构流程，确定待测光伏系统运行数据的异常分数，并基于所述异常分数与所述待测光伏系统运行数据对应设备的动态阈值的比较结果，确定光伏发电的异常检测结果；其中，所述待测光伏系统运行数据包括多个设备在各时刻的运行参数。