1.新能源厂站涉网端实时交互过程异常检测方法，其特征在于，包括：
获取并入所述新能源厂站对应的电网中的电器设备与所述电网进行实时交互的第一交互信息；
监测所述新能源厂站的运行参数，并将所述运行参数传输到后台服务器进行实时交互，获得第二交互信息；
基于所述后台服务器，将获取的所述第一交互信息和获得的所述第二交互信息代入预先建立好的异常检测模型，获取异常检测结果。
2.如权利要求1所述的方法，其特征在于，在获取所述第一交互信息之前包括：对所述异常检测模型进行构造，所述构造步骤包括：
构建历史数据库，且所述历史数据库中存储有原始数据，所述原始数据包括：电器设备与所述电网进行实时交互的历史交互信息、所述新能源厂站的历史运行参数、所述电器设备与所述电网交互的异常检测结果、所述新能源厂站与所述后台服务器进行实时交互的历史交互信息、所述新能源厂站与所述后台服务器交互的异常检测结果、所述电器设备与所述电网交互的正常检测结果、所述新能源厂站与所述后台服务器交互的正常检测结果；
提取所述历史数据库中的所述电器设备与所述电网的历史交互信息、异常检测结果和正常检测结果，建立所述电器设备与所述电网的第一交互检测向量；
提取所述历史数据库中的所述历史运行参数、及所述新能源厂站与所述后台服务器的历史交互信息、异常检测结果和正常检测结果，建立所述新能源厂站与所述后台服务器的第二交互检测向量；
基于深度学习模型，对建立的所述第一交互检测向量和第二交互检测向量进行构造及训练，得到异常检测模型。
3.如权利要求1所述的方法，其特征在于，将所述运行参数传输到后台服务器进行实时交互，获得第二交互信息的过程包括：
采集所述运行参数，并对所述运行参数所包含的参数种类进行确定；
根据确定结果，将与所述参数种类相应的运行参数分别存储到所述后台服务器中的节点树中对应的节点分支中；
根据所述节点分支中预先存储的交互数据库，确定所存储的所述参数种类对应的运行参数的交互向量；
根据所有所述交互向量，形成所述第二交互信息；
其中，所述确定所存储的所述参数种类对应的运行参数的交互向量的过程包括：
建立当前节点分支中所述运行参数的当前参数矩阵，并获取所述当前参数矩阵的当前特征向量；
获取所述当前特征向量对应的当前特征属性值；
判断所述当前特征属性值是否在预设属性值范围内；
若是，将所述当前特征属性值对应的当前特征向量保存到交互矩阵中；
否则，获取所述节点树中的其余所述分支节点对应的特征向量，并构造成匹配矩阵，根据所述匹配矩阵和所述当前特征向量，形成新的当前特征向量，
保存所述新的当前特征向量到所述交互矩阵中，并将所述当前节点分支中的当前特征向量更新为新的当前特征向量；
同时对下一节点分支进行相应操作，直到所述节点树中的所述节点分支都操作结束；
根据所述交互矩阵，获取交互向量。
4.如权利要求3所述的方法，其特征在于，
所述匹配矩阵包括：未执行所述相应操作的分支节点对应的特征向量和已执行所述相应操作的分支节点对应的并保存到交互矩阵中的特征向量；
其中，所述匹配矩阵是不包括正在执行所述相应操作的分支节点的特征向量的。
5.如权利要求1所述的方法，其特征在于，将所述运行参数传输到后台服务器进行实时交互，其传输过程是基于网络进行传输的，且对所述网络进行异常检测的过程包括：
检测通过所述网络并将所述运行参数传输到所述后台服务器时，所述网络的网络节点所处的网络状态；
基于所述网络节点中存储的网络异常检测库，对所述网络进行异常检测，并判断所述网络状态是否是预设状态，若是，将所述运行参数基于所述网络节点传输到所述后台服务器；
否则，对所述网络节点进行跨节点处理，并确定所述网络节点当前所处预设区域中是否存在网络状态处于预设状态的中间节点；
若存在，基于所述中间节点将所述运行参数传输到后台服务器；
否则，调取预先存储的卫星传输方式将所述运行参数传输到所述后台服务器。
6.如权利要求5所述的方法，其特征在于，在检测通过所述网络并将所述运行参数传输到所述后台服务器之前，包括：
确定每个所述网络节点与所述后台服务器之间的指向关系，并建立网络连接指向图，其中，所述网络连接指向图包括：所述网络节点在预设区域的分布结构、所述后台服务器在所述预设区域中的分布结构、及所述后台服务器与预设个数个所述网络节点之间的连接结构；
确定每个所述网络节点与所述后台服务器之间的业务类型，并根据预先训练好的格式类型模型，确定所述业务类型对应的格式类型，并在所述网络节点上标注可传输所述运行参数的格式类型；
其中，在所述运行参数在基于所述网络节点进行传输之前，对所述运行参数进行格式处理；
调取与格式处理结果对应的网络节点进行运行参数的传输。
7.新能源厂站涉网端实时交互过程异常检测系统，其特征在于，包括：
获取模块，用于获取并入所述新能源厂站对应的电网中的电器设备与所述电网进行实时交互的第一交互信息；
监测模块，用于监测所述新能源厂站的运行参数，并将所述运行参数传输到后台服务器进行实时交互，获得第二交互信息；
所述后台服务器，用于将所述获取模块获取的第一交互信息和所述监测模块获得的第二交互信息代入预先建立好的异常检测模型，获取异常检测结果。
8.如权利要求7所述的系统，其特征在于，还包括：
构建模块，用于构建历史数据库，且所述历史数据库中存储有所述电器设备与所述电网进行实时交互的历史交互信息、所述新能源厂站的历史运行参数、所述电器设备与所述电网交互的异常检测结果、所述新能源厂站与所述后台服务器进行实时交互的历史交互信息、所述新能源厂站与所述后台服务器交互的异常检测结果、所述电器设备与所述电网交互的正常检测结果、所述新能源厂站与所述后台服务器交互的正常检测结果；
第一提取模块，用于提取所述历史数据库中的所述电器设备与所述电网的历史交互信息、异常检测结果和正常检测结果，建立所述电器设备与所述电网的第一交互检测向量；
第二提取模块，用于提取所述历史数据库中的所述历史运行参数、及所述新能源厂站与所述后台服务器的历史交互信息、异常检测结果和正常检测结果，建立所述新能源厂站与所述后台服务器的第二交互检测向量；
构造模块，用于基于深度学习模型，对所述第一提取模块建立的第一交互检测向量和所述第二提取模块建立的第二交互检测向量进行构造及训练，得到异常检测模型。
9.如权利要求2所述的方法，其特征在于，所述在构建异常检测模型之前包括，对所述历史数据库中原始数据的有效数据进行获取，其步骤如下：
步骤一：根据公式(1)来提取所述原始数据中的有效数据特征，所述公式(1)如下：
其中，g(x)为所述原始数据中的有效数据特征；x为所述历史数据库中原始数据样本；xi为所述历史数据库中原始数据的第i个数据样本；i＝1,2,3,...,n，n代表所述历史数据库中数据样本的总数目；n为输入的历史数据库中样本的维数；∑为所述历史数据库中数据样本的协方差矩阵；t为转置运算符；
步骤二：将所述步骤一提取的所述原始数据中的有效数据特征进行关联关系分析，将有效数据特征相同的原始数据存储在该有效数据特征对应的数据集样本中；
将每个所述数据集样本都映射到标准坐标系中，根据公式(2)计算每个所述数据集样本中的任一有效数据特征(g,p)与其他有效数据特征之间的关联关系，并将计算结果按照升序排列，其中，记具有关联关系的样本为(gj,pj)，
其中，λ(gj,pj)表示(g,p)与第j个有效数据特征(gj,pj)具有关联关系的度量；gj表示所述第j个有效数据特征的横坐标；pj表示第j个有效数据特征的纵坐标；g表示所述有效数据特征的横坐标；p表示所述有效数据特征的纵坐标；m表示与有效数据特征具有关联关系的样本的个数；
计算出每个所述有效数据特征的所有第j个样本的λ(gj,pj)之后，对λ的值进行降序排序，按照排序结果将每个所述数据集样本中的前t(0<t<m)个有效数据特征存储到最终数据集中，且所述最终数据集中的有效数据特征为所述原始数据中的有效数据。