1.一种基于多个神经网络的设备安全风险的评估方法，其特征在于，所述方法包括：获取设备的测量数据，并利用所述测量数据分别与每个神经网络进行评估训练，构建得到多个设备安全性评估模型；重复对每个所述设备安全性评估模型进行系数调整操作，生成对应综合评估模型；利用多个所述综合评估模型与预设的运行数据进行安全风险评估计算，得到计算结果，其中，所述预设的运行数据为设备在运行时实时采集的状态数据；基于计算结果确定设备安全风险；所述系数调整操作具体为：分别确定每个所述设备安全性评估模型的预测结果与给定标签的损失值；利用所述预测结果和所述给定标签的损失值初始化计算每个所述设备安全性评估模型的初始调整系数；将所述预测结果与所述初始调整系数相乘得到预测结果中间值，计算所述预测结果中间值与所述预测结果的支持度，对支持度进行归一化处理得到归一化支持度；将所述归一化支持度与预设的学习率相乘得到更新调整系数，直到所述预测结果和所述给定标签的损失值的损失总和值小于预设损失阈值。
2.根据权利要求1所述的基于多个神经网络的设备安全风险的评估方法，其特征在于，所述初始调整系数的计算如下式所示： ； ；其中， 表示第i个神经网络模型的预测结果； 表示第i个神经网络模型的预测结果对应的给定标签的损失值； 表示第 个神经网络模型的预测结果与第 个神经网络模型的预测结果对应的给定标签的损失值的计算结果； 表示第 个神经网络模型的初始调整系数。
3.根据权利要求2所述的基于多个神经网络的设备安全风险的评估方法，其特征在于，所述归一化支持度的计算如下式所示： ； ； ；其中， 为预测结果中间值， 表示用来计算两个向量的支持度； 为归一化支持度， 表示预设神经网络个数。
4.根据权利要求3所述的基于多个神经网络的设备安全风险的评估方法，其特征在于，所述更新调整系数的计算如下式所示： ；其中， 表示更新调整系数； 表示学习率。
5.根据权利要求4所述的基于多个神经网络的设备安全风险的评估方法，其特征在于，所述 =0.01。
6.根据权利要求4所述的基于多个神经网络的设备安全风险的评估方法，其特征在于，所述预测结果和所述给定标签的损失值的损失总和计算如下式所示： ；其中， 表示计算损失的一种方法； 表示设定阈值；所述综合评估模型如下式所示： ； 为综合评估模型。
7.根据权利要求1-6任意一项所述的基于多个神经网络的设备安全风险的评估方法，其特征在于，所述神经网络包括卷积神经网络、完全卷积神经网络、自编码器、残差网络、短长时记忆网络、门控递归单元或概率神经网络。
8.根据权利要求1-6任意一项所述的基于多个神经网络的设备安全风险的评估方法，其特征在于，所述测量数据包括电网设备在正常运行时采集的数据及电网设备存在异常时采集的数据。
9.一种基于多个神经网络的设备安全风险的评估装置，其特征在于，所述装置包括：评估训练模块，用于获取设备的测量数据，并利用所述测量数据分别与每个神经网络进行评估训练，构建得到多个设备安全性评估模型；系数调整模块，用于重复对每个所述设备安全性评估模型进行系数调整操作，生成对应综合评估模型；计算模块，用于利用多个所述综合评估模型与预设的运行数据进行安全风险评估计算，得到计算结果，其中，所述预设的运行数据为设备在运行时实时采集的状态数据；确定模块，用于基于计算结果确定设备安全风险；所述系数调整操作具体为：分别确定每个所述设备安全性评估模型的预测结果与给定标签的损失值；利用所述预测结果和所述给定标签的损失值初始化计算每个所述设备安全性评估模型的初始调整系数；将所述预测结果与所述初始调整系数相乘得到预测结果中间值，计算所述预测结果中间值与所述预测结果的支持度，对支持度进行归一化处理得到归一化支持度；将所述归一化支持度与预设的学习率相乘得到更新调整系数，直到所述预测结果和所述给定标签的损失值的损失总和值小于预设损失阈值。
