1.一种多任务并行的电力物资检测的验证方法，应用于验证装置，验证装置包括分析单元，其特征在于，具体包括以下步骤：获取多源电力物资检测数据和各分析单元的当前状态，分别给出整合数据集和状态特征；从整合数据集提取每个检测验证任务的任务数据，给出任务特征；基于融合节拍遵守奖励的深度学习模型，对状态特征及任务特征进行处理，给出任务并行处理分配结果；各分析单元基于任务并行处理分配结果对检测验证任务的任务数据进行分析处理，给出对应检测验证任务的验证结果；提取验证结果中的多模态特征，并结合预设的结构化指令，给出检测验证结论，完成电力物资检测的验证。
2.如权利要求1所述的多任务并行的电力物资检测的验证方法，其特征在于，获取各分析单元的当前状态，给出状态特征，包括：基于各分析单元的当前状态，确定各分析单元的当前任务积压量、当前任务剩余完成时间；获取各分析单元对应最佳处理任务类型和历史处理时间；基于各分析单元对应最佳处理任务类型，并结合当前的各检测验证任务类型，给出任务匹配度；基于各分析单元的当前任务积压量，确定负载状态；对任务匹配度、负载状态、当前任务剩余完成时间以及历史处理时间进行归一化处理，给出状态特征。
3.如权利要求1所述的多任务并行的电力物资检测的验证方法，其特征在于，从整合数据集提取每个检测验证任务的任务数据，给出任务特征，包括：根据整合数据集内的任务数据，确定数据类型；基于数据类型给出对应的任务类型；根据给出的任务类型，结合预设条件，确定不同类型任务的优先级；将整合数据集中的每一类数据进行提取，给出每个任务类型对应的数据量；基于任务类型、数据量及优先级，给出任务特征。
4.如权利要求1所述的多任务并行的电力物资检测的验证方法，其特征在于，融合节拍遵守奖励的深度学习模型的预先构建，具体包括以下步骤：搭建DQN模型，定义全局状态空间，以检测验证任务并行处理的所有可行分配结果为动作空间，基于检测准确率、检测效率、失败惩罚、负载惩罚及节拍遵守奖励构建奖励函数；获取分析单元的状态特征以及检测验证任务的任务特征和节拍约束特征，给出当前全局状态；基于当前全局状态，采用探索利用策略选择动作，给出执行动作后的奖励与下一全局状态；将当前全局状态、动作、奖励、下一全局状态作为经验，存入经验回放池；重复选择动作、执行动作、经验存入过程，直至经验回放池容量超过预设值；从经验回放池中随机采样，训练DQN模型的主网络和目标网络，给出最终的深度学习模型。
5.如权利要求4所述的多任务并行的电力物资检测的验证方法，其特征在于，从经验回放池中随机采样，训练DQN模型的主网络和目标网络，具体包括以下步骤：从经验回放池中随机抽取一批经验；通过DQN模型的主网络结合抽取的经验，给出当前全局状态的Q值；通过DQN模型的目标网络结合奖励函数，给出下一全局状态的最大Q值；确定当前全局状态的Q值和下一全局状态最大Q值的目标损失，反向更新主网络参数，并定期更新目标网络参数。
6.如权利要求4所述的多任务并行的电力物资检测的验证方法，其特征在于，基于检测准确率、检测效率、失败惩罚、负载惩罚及节拍遵守奖励构建奖励函数，具体包括以下步骤：基于基础准确率、任务匹配度、任务优先级、准确率基础权重，给出检测准确率；基于节拍时间、历史处理时间、数据量、剩余节拍时间确定效率因子和节拍紧急系数，并结合效率基础权重，给出检测效率；根据任务类型获取任务类型权重，并结合任务优先级、失败惩罚基础权重和失败标志，给出失败惩罚；基于当前任务剩余完成时间，获取剩余时间系数，并结合负载惩罚基础权重和负载状态，给出负载惩罚；基于数据量，获取数据量系数，结合优先级、节拍遵守标志、节拍遵守基础权重，给出节拍遵守奖励；基于检测准确率、检测效率、失败惩罚、负载惩罚及节拍遵守奖励对多任务并行处理的影响系数，完成奖励函数的构建。
7.如权利要求6所述的多任务并行的电力物资检测的验证方法，其特征在于，奖励函数具体表示为： ；式中，r表示奖励函数，Accuracy为检测准确率，Efficiency为检测效率，FailP为失败惩罚，LoadP为负载惩罚，TaktA为节拍遵守奖励。
8.如权利要求1所述的多任务并行的电力物资检测的验证方法，其特征在于，检测验证任务包括漂移验证任务，检测验证任务对应的任务数据包括时间序列数据；对检测验证任务的任务数据进行分析处理，给出对应检测验证任务的验证结果，具体包括：基于融合环境因子的权重函数，对时间序列数据进行处理，给出每个时刻的局部加权回归平滑值；基于局部加权回归平滑值，计算滑动窗口内的均值与标准差，结合环境自适应调整系数，给出动态阈值；基于当前时间点的局部加权回归平滑值，结合动态阈值，给出漂移验证结果。
9.如权利要求8所述的多任务并行的电力物资检测的验证方法，其特征在于，基于融合环境因子的权重函数，对时间序列数据进行处理，给出每个时刻的局部加权回归平滑值，具体包括以下步骤：获取多个环境因子并结合多变量高斯核函数构建权重函数，确定目标时刻对应局部窗口内每个时刻数据的权重，并给出权重对角矩阵；确定目标时刻对应局部窗口内的时间序列数据，构建设计矩阵，给出局部窗口内的检测值向量；结合检测值向量和权重对角矩阵，构建加权最小二乘模型，求解回归系数；结合目标时刻的设计向量和回归系数，给出每个目标时刻的局部加权回归平滑值。
10.一种多任务并行的电力物资检测的验证装置，其特征在于，采用如权利要求1~9任一所述的多任务并行的电力物资检测的验证方法，包括：预处理单元，用于获取多源电力物资检测数据和各分析单元的当前状态，分别给出整合数据集和状态特征；从整合数据集提取每个检测验证任务的任务数据，给出任务特征；任务分配单元，用于基于融合节拍遵守奖励的深度学习模型，对状态特征及任务特征进行处理，给出任务并行处理分配结果；分析单元，用于基于任务并行处理分配结果对检测验证任务的任务数据进行分析处理，给出对应检测验证任务的验证结果；结论输出单元，用于提取验证结果中的多模态特征，并结合预设的结构化指令，给出检测验证结论，完成电力物资检测的验证。
