1.一种电力数据异常检测方法，其特征在于，包括：接收预置终端发送的多个历史电力数据；对多个所述历史电力数据执行数据预处理操作，生成与多个所述历史电力数据一一对应的多个训练数据；采用所述多个训练数据训练多尺度卷积神经网络模型，确定所述多个训练数据的残差项，得到目标多尺度卷积神经网络模型；采用所述多个训练数据的残差项训练自组织映射网络模型，得到目标自组织映射网络模型；接收所述预置终端发送的当前电力数据，并将所述当前电力数据输入所述目标多尺度卷积神经网络模型，生成当前电力数据的残差项；输入所述当前电力数据的残差项到所述目标自组织映射网络模型，确定所述当前电力数据是否异常；所述采用所述多个训练数据的残差项训练自组织映射网络模型，得到目标自组织映射网络模型的步骤，包括：输入所述多个训练数据的残差项到所述自组织映射网络模型；通过所述自组织映射网络模型将所述多个训练数据的残差项划分为多个聚类簇；遍历多个所述聚类簇；若所述聚类簇仅包括一个残差项，则确定所述残差项对应的训练数据为异常训练数据；生成目标自组织映射网络模型。
2.根据权利要求1所述的方法，其特征在于，所述对多个所述历史电力数据执行数据预处理操作，生成与多个所述历史电力数据一一对应的多个训练数据的步骤，包括：对多个所述历史电力数据执行数据归一化，生成多个归一化电力数据；按照预设异常率对多个所述归一化电力数据进行赋值，生成与多个所述历史电力数据一一对应的多个训练数据。
3.根据权利要求1所述的方法，其特征在于，所述多尺度卷积神经网络模型包括多尺度滤波器，所述采用所述多个训练数据训练多尺度卷积神经网络模型，确定所述多个训练数据的残差项，得到目标多尺度卷积神经网络模型的步骤，包括：采用多尺度滤波器从所述多个训练数据中提取多个不同时序的训练数据；基于所述多个不同时序的训练数据，确定预设时刻的预测电力数据；获取预设时刻的实际电力数据；确定所述预测电力数据与所述实际电力数据之差的绝对值为所述多个训练数据的残差项；生成目标多尺度卷积神经网络模型。
4.根据权利要求1所述的方法，其特征在于，所述训练数据包括第一数量的实际异常数据和第二数量的实际正常数据，在所述接收所述预置终端发送的当前电力数据，并将所述当前电力数据输入所述目标多尺度卷积神经网络模型，生成当前电力数据的残差项的步骤之前，所述方法还包括：确定所述异常训练数据的第三数量；采用所述第一数量和所述第三数量，计算异常数据检测率；比对所述实际正常数据和所述异常训练数据，确定误报数据的第四数量；采用所述第二数量和所述第四数量，计算异常数据误报率；若所述异常数据检测率大于第一预设阈值且所述异常数据误报率小于第二预设阈值，则确定所述目标多尺度卷积神经网络模型和所述目标自组织映射网络模型的置信度达到预设标准。
5.一种电力数据异常检测装置，其特征在于，包括历史电力数据接收模块，用于接收预置终端发送的多个历史电力数据；数据预处理模块，用于对多个所述历史电力数据执行数据预处理操作，生成与多个所述历史电力数据一一对应的多个训练数据；神经网络模型训练模块，用于采用所述多个训练数据训练多尺度卷积神经网络模型，确定所述多个训练数据的残差项，得到目标多尺度卷积神经网络模型；自组织映射网络模型训练模块，用于采用所述多个训练数据的残差项训练自组织映射网络模型，得到目标自组织映射网络模型；当前电力数据处理模块，用于接收所述预置终端发送的当前电力数据，并将所述当前电力数据输入所述目标多尺度卷积神经网络模型，生成当前电力数据的残差项；电力数据异常判断模块，用于输入所述当前电力数据的残差项到所述目标自组织映射网络模型，确定所述当前电力数据是否异常；所述自组织映射网络模型训练模块包括：残差项输入子模块，用于输入所述多个训练数据的残差项到所述自组织映射网络模型；聚类簇划分子模块，用于通过所述自组织映射网络模型将所述多个训练数据的残差项划分为多个聚类簇；聚类簇遍历子模块，用于遍历多个所述聚类簇；异常训练数据确定子模块，用于若所述聚类簇仅包括一个残差项，则确定所述残差项对应的训练数据为异常训练数据；目标自组织映射网络模型生成子模块，用于生成目标自组织映射网络模型。
6.根据权利要求5所述的装置，其特征在于，所述数据预处理模块包括：数据归一化子模块，用于对多个所述历史电力数据执行数据归一化，生成多个归一化电力数据；赋值子模块，用于按照预设异常率对多个所述归一化电力数据进行赋值，生成与多个所述历史电力数据一一对应的多个训练数据。
7.根据权利要求5所述的装置，其特征在于，所述多尺度卷积神经网络模型包括多尺度滤波器，所述神经网络模型训练模块包括：训练数据提取子模块，用于采用多尺度滤波器从所述多个训练数据中提取多个不同时序的训练数据；预测电力数据确定子模块，用于基于所述多个不同时序的训练数据，确定预设时刻的预测电力数据；实际电力数据获取子模块，用于获取预设时刻的实际电力数据；残差项确定子模块，用于确定所述预测电力数据与所述实际电力数据之差的绝对值为所述多个训练数据的残差项；目标神经网络模块生成子模块，用于生成目标多尺度卷积神经网络模型。
8.根据权利要求5所述的装置，其特征在于，所述训练数据包括第一数量的实际异常数据和第二数量的实际正常数据，所述装置还包括：第三数量确定模块，用于确定所述异常训练数据的第三数量；异常数据检测率计算模块，用于采用所述第一数量和所述第三数量，计算异常数据检测率；第四数量确定模块，用于比对所述实际正常数据和所述异常训练数据，确定误报数据的第四数量；异常数据误报率计算模块，用于采用所述第二数量和所述第四数量，计算异常数据误报率；置信度判断模块，用于若所述异常数据检测率大于第一预设阈值且所述异常数据误报率小于第二预设阈值，则确定所述目标多尺度卷积神经网络模型和所述目标自组织映射网络模型的置信度达到预设标准。
