1.一种潜油电泵异常检测模型构建方法，其特征在于，包括：根据获取的潜油电泵监测数据样本构建数据集，其中，每个所述潜油电泵监测数据样本均包括预设数量的监测参数；将所述数据集划分为训练集与验证集，其中，所述训练集与所述验证集包括正常工况数据；利用所述训练集与所述验证集训练第一预设模型，得到潜油电泵监测信号重构模型，其中，所述第一预设模型是在LSTM-ED模型的编码层与解码层之间增加时间注意力层得到的；将所述验证集输入至所述潜油电泵监测信号重构模型，得到所述验证集对应的第一重构信号；利用所述验证集与所述第一重构信号，训练第二预设模型，得到重构误差预测模型；根据所述验证集与所述第一重构信号，确定正常工况下的重构误差标准差，结合所述重构误差预测模型构建阈值确定模型；根据所述潜油电泵监测信号重构模型与所述阈值确定模型构建所述潜油电泵异常检测模型；所述利用所述验证集与所述第一重构信号，训练第二预设模型，得到重构误差预测模型，包括：根据所述验证集与所述第一重构信号，计算第一重构误差平均值；利用所述验证集的平均值与所述第一重构误差平均值，训练所述第二预设模型，得到所述重构误差预测模型，其中，所述第二预设模型是基于极端梯度提升的回归模型。
2.根据权利要求1所述的潜油电泵异常检测模型构建方法，其特征在于，所述根据所述验证集与所述第一重构信号，确定正常工况下的重构误差标准差，结合所述重构误差预测模型构建阈值确定模型，包括：根据所述验证集与所述第一重构信号，确定所述正常工况下的重构误差标准差；根据预设参数η，通过预设公式构建所述阈值确定模型，其中，所述预设公式包括：λ(x)＝f(x)+ηβ valid式中，λ(x)表示所述阈值确定模型，x表示潜油电泵异常待检测样本，f(x)表示所述重构误差预测模型，η表示所述预设参数，β valid 表示所述正常工况下的重构误差标准差。
3.根据权利要求1所述的潜油电泵异常检测模型构建方法，其特征在于，所述根据所述潜油电泵监测信号重构模型与所述阈值确定模型构建所述潜油电泵异常检测模型，包括：将所述潜油电泵监测信号重构模型的输出与所述阈值确定模型的输出进行比较后输出，以得到所述潜油电泵异常检测模型。
4.一种潜油电泵异常检测方法，其特征在于，包括：获取潜油电泵异常待检测样本；将所述潜油电泵异常待检测样本输入至所述潜油电泵异常检测模型，得到对应的异常标签，其中，所述潜油电泵异常检测模型通过根据权利要求1至3中任一项所述的潜油电泵异常检测模型构建方法得到。
5.根据权利要求4所述的潜油电泵异常检测方法，其特征在于，所述将所述潜油电泵异常待检测样本输入至所述潜油电泵异常检测模型，得到对应的异常标签，包括：将所述潜油电泵异常待检测样本输入至所述潜油电泵监测信号重构模型，得到第二重构信号；根据所述潜油电泵异常待检测样本与所述第二重构信号计算第二重构误差平均值；将所述潜油电泵异常待检测样本输入至所述阈值确定模型，得到阈值；在所述第二重构误差平均值大于所述阈值的情况下，确定所述异常标签为异常；在所述第二重构误差平均值小于等于所述阈值的情况下，确定所述异常标签为正常。
6.根据权利要求4所述的潜油电泵异常检测方法，其特征在于，所述潜油电泵异常检测方法还包括：根据所述潜油电泵异常待检测样本与所述异常标签，计算所述潜油电泵异常待检测样本中每个监测参数的F值；根据所述F值确定每个所述监测参数与潜油电泵异常的关联度。
7.一种潜油电泵异常检测模型的构建装置，其特征在于，包括：存储器，被配置成存储指令；以及处理器，被配置成从所述存储器调用所述指令以及在执行所述指令时能够实现根据权利要求1至3中任一项所述的潜油电泵异常检测模型构建方法。
8.一种潜油电泵异常检测装置，其特征在于，包括：存储器，被配置成存储指令；以及处理器，被配置成从所述存储器调用所述指令以及在执行所述指令时能够实现根据权利要求4至6中任一项所述的潜油电泵异常检测方法。
9.一种机器可读存储介质，其特征在于，该机器可读存储介质上存储有指令，该指令用于使得机器执行根据权利要求1至3中任一项所述潜油电泵异常检测模型构建方法，或根据权利要求4至6中任一项所述的潜油电泵异常检测方法。
