1.一种火电设备状态预警评估方法，其特征在于，包括以下步骤：S1.选择设备测点集合作为建模参数，应用回归算法构建预警回归模型，根据相关性进行测点分组；S2.对测点进行影响关联关系分析得到影响测点、受影响测点、无影响测点；S3.基于影响测点、受影响测点、无影响测点进行模型评估值动态校准，包括：S31.将影响测点集根据测点分组结果进行分组，并通过对每组影响测点进行模型重构，以校准对应测点的评估值；S32.对受影响测点集进行模型重构，以校准对应测点的评估值；S33.无影响测点不进行评估值校准处理。
2.根据权利要求1所述的火电设备状态预警评估方法，其特征在于,所述步骤S1包括以下步骤：S11.选择设备测点集合，从数据库中获取设备的历史数据；S12.对历史数据进行数据清洗得到训练数据，应用回归算法和训练数据构建预警回归模型；S13.使用预警回归模型计算设备每个测点的偏差阈值；S14.使用训练数据计算相关性系数矩阵并进行测点分组。
3.根据权利要求2所述的火电设备状态预警评估方法，其特征在于，所述应用回归算法和训练数据构建预警回归模型，包括：将训练数据全部参数作为预警回归模型的输入层，节点个数为设备测点个数n，同时将训练数据全部参数作为预警回归模型的输出层，节点个数为设备测点个数n；预警回归模型的构建过程具体包括：首先建立BP神经网络结构,BP神经网络结构包括一个输入层、三个隐藏层和一个输出层,其各层节点数为[n,20,30,20,n]，输入层与输出层的神经元数n为设备测点个数；然后对训练数据进行归一化处理，得到归一化训练数据；最后使用归一化训练数据对BP神经网络进行网络参数的训练，BP神经网络各层激活函数均选择非线性函数sigmod函数 各层神经元连接权值和阈值通过全部数据不断的迭代优化，获取使得网络损失函数数值最小的网络参数作为最终结果。
4.根据权利要求2或3所述的火电设备状态预警评估方法，其特征在于,所述步骤S13包括：将训练数据代入预警回归模型中进行训练得到训练评估值；计算训练数据与训练评估值的差值作为训练偏差数据；选取训练偏差数据的最值作为测点的偏差阈值。
5.根据权利要求4所述的火电设备状态预警评估方法，其特征在于，所述步骤S2包括以下步骤：S21.将实时运行数据代入预警回归模型中计算每个测点的评估值，将测点的评估值与测点实时运行数据作差得到测点偏差；S22.根据测点偏差和测点报警事件条件获取候选测点集；S23.根据测点实时运行数据和测点相关关系分析候选测点集获取影响测点、受影响测点、无影响测点。
6.根据权利要求5所述的火电设备状态预警评估方法，其特征在于，所述步骤S22包括：判断测点偏差是否超过该测点的偏差阈值；若是，则判定测点属于第一候选测点集；若否，则进一步判断该测点是否处于报警事件中，若测点处于报警事件中则判定测点属于第一候选测点集，若测点未处于报警事件中则判定测点属于第二候选测点集；其中测点在24小时内测点偏差超过偏差阈值的累积时长超过1小时则认定为处于报警事件中，否则认定未处于报警事件中。
7.根据权利要求6所述的火电设备状态预警评估方法，其特征在于，所述步骤S23包括：判断第一候选测点集中测点实时运行数据是否超过该测点的历史最值；若是，则测点判定为影响测点；若否，则进一步判断当前报警事件中测点是否超过最值异常，若当前报警事件中测点超过最值异常则判定为影响测点，否则判定为受影响测点；根据相关性系数矩阵判断第二候选测点集中的测点与影响测点是否强相关，若强相关则测点判定为影响测点，否则判定为无影响测点。
8.根据权利要求1所述的火电设备状态预警评估方法，其特征在于，步骤S31中通过对每组影响测点进行模型重构，以校准对应测点的评估值，包括：S311.剔除其他组的影响测点，使用该影响测点组的训练数据、受影响测点组的训练数据、无影响测点组的训练数据重新构建预警回归模型；S312.将该影响测点组的实时运行数据、受影响测点组的实时运行数据、无影响测点组的实时运行数据代入步骤S311重新构建的预警回归模型，以得到修正的影响测点评估值；S313.使用修正的影响测点评估值对火电设备状态预警评估。
9.根据权利要求8所述的火电设备状态预警评估方法，其特征在于，所述步骤S32包括：S321.剔除全部影响测点，使用受影响测点的训练数据和无影响测点的训练数据重新构建预警回归模型；S322.将受影响测点实时运行数据、无影响测点实时运行数据代入步骤S321重新构建的预警回归模型，以得到修正的受影响测点评估值；S323.使用修正的受影响测点评估值对火电设备状态预警评估。
