1.一种风力发电状态监控方法，其特征在于，包括以下步骤：步骤S1：对风力发电机进行实时状态监测，得到风力发电机实时状态监测数据；对风力发电机实时状态监测数据进行发电输出功率波动分析，而后进行频谱转换，得到输出功率波动频谱数据；

步骤S2：根据输出功率波动频谱数据进行发电机绕组热能累积等比例模拟，得到绕组热能累积等比例数据；基于绕组热能累积等比例数据进行磁场畸变失衡强度解析，得到磁场畸变失衡强度数据；

步骤S3：根据绕组热能累积等比例数据和磁场畸变失衡强度数据进行发电机性能减损分量解析，得到发电机性能减损分量数据；对发电机性能减损分量数据进行发电性能减损逻辑学习，得到发电性能减损逻辑学习数据；

步骤S4：基于策略梯度算法对发电性能减损逻辑学习数据进行发电状态性能减损监控模型构建，得到发电状态性能减损监控模型；将发电状态性能减损监控模型发送至终端，以执行风力发电状态监控。

2.根据权利要求1所述的风力发电状态监控方法，其特征在于，步骤S1包括以下步骤：步骤S11：对风力发电机进行实时状态监测，得到风力发电机实时状态监测数据；

步骤S12：对风力发电机实时状态监测数据进行时序标记，得到实时状态监测标记数据；

步骤S13：对实时状态监测标记数据进行发电输出功率波动分析，得到发电输出功率波动数据；

步骤S14：对发电输出功率波动数据进行频谱转换，得到输出功率波动频谱数据。

3.根据权利要求1所述的风力发电状态监控方法，其特征在于，步骤S2包括以下步骤：步骤S21：对输出功率波动频谱数据进行输出电压瞬时无序突变量化，得到输出电压瞬时无序突变数据；

步骤S22：根据输出电压瞬时无序突变数据进行发电机绕组热能累积等比例模拟，得到绕组热能累积等比例数据；

步骤S23：基于绕组热能累积等比例数据进行绕组匝间绝缘失效梯度拟合处理，得到匝间绝缘失效梯度拟合数据；

步骤S24：对匝间绝缘失效梯度拟合数据进行磁场畸变失衡强度解析，得到磁场畸变失衡强度数据。

4.根据权利要求3所述的风力发电状态监控方法，其特征在于，步骤S22包括以下步骤：步骤S221：对输出电压瞬时无序突变数据进行无序突变几何波形分析，得到输出电压无序突变几何波形数据；

步骤S222：基于输出电压无序突变几何波形数据进行多峰结构识别，得到无序突变多峰结构数据；

步骤S223：对无序突变多峰结构数据进行多峰跃变上升斜率差计算，得到突变多峰跃变上升斜率差；

步骤S224：根据突变多峰跃变上升斜率差对无序突变多峰结构数据进行电压突变连续性能量密度积分处理，得到连续性能量密度积分数据；

步骤S225：根据连续性能量密度积分数据进行发电机绕组热能累积等比例模拟，得到绕组热能累积等比例数据。

5.根据权利要求3所述的风力发电状态监控方法，其特征在于，步骤S24包括以下步骤：步骤S241：对匝间绝缘失效梯度拟合数据进行匝间绕组短路强度变化推导，得到匝间绕组短路强度变化数据；

步骤S242：对匝间绕组短路强度变化数据进行匝间绕组电流失衡极值回归分析，得到电流失衡极值回归数据；

步骤S243：根据电流失衡极值回归数据进行匝间绕组磁通畸变扰动解析，得到绕组磁通畸变扰动数据；

步骤S244：对绕组磁通畸变扰动数据进行磁势非对称解构，得到磁势非对称解构数据；

步骤S245：根据绕组磁通畸变扰动数据和磁势非对称解构数据进行磁场畸变失衡强度解析，得到磁场畸变失衡强度数据。

6.根据权利要求5所述的风力发电状态监控方法，其特征在于，步骤S243包括以下步骤：对电流失衡极值回归数据进行感应电流涡流强度分析，得到感应电流涡流强度数据；

根据感应电流涡流强度数据进行匝间绕组局部磁通密度突变模拟解析，得到局部磁通密度突变数据；

对局部磁通密度突变数据进行磁通峰值非连续性识别，得到磁通峰值非连续性数据；

基于磁通峰值非连续性数据对局部磁通密度突变数据进行空间分布磁通凹陷演化分析，得到空间分布磁通凹陷演化数据；

根据磁通峰值非连续性数据和空间分布磁通凹陷演化数据进行匝间绕组磁通畸变扰动解析，得到绕组磁通畸变扰动数据。

7.根据权利要求1所述的风力发电状态监控方法，其特征在于，步骤S3包括以下步骤：步骤S31：对磁场畸变失衡强度数据进行卷积计算，得到磁场畸变失衡强度卷积数据；

步骤S32：对绕组热能累积等比例数据进行持续累积模式归纳，得到绕组热能持续累积模式；

步骤S33：根据磁场畸变失衡强度卷积数据和绕组热能持续累积模式进行发电机性能减损分量解析，得到发电机性能减损分量数据；

步骤S34：对发电机性能减损分量数据进行发电性能减损逻辑学习，得到发电性能减损逻辑学习数据。

8.根据权利要求7所述的风力发电状态监控方法，其特征在于，步骤S33包括以下步骤：步骤S331：对磁场畸变失衡强度卷积数据进行磁势偏移分析，得到磁场畸变磁势偏移数据；

步骤S332：对绕组热能持续累积模式进行时间序列热能积聚微分熵处理，得到热能积聚微分熵数据；

步骤S333：根据磁场畸变磁势偏移数据和热能积聚微分熵数据进行耦合权重分配，生成磁势偏移-热能积聚耦合权重数据；

步骤S334：对磁势偏移-热能积聚耦合权重数据进行变分模态分解，得到磁势偏移-热能积聚模态分解数据；

步骤S335：基于磁势偏移-热能积聚模态分解数据进行发电机性能减损分量解析，得到发电机性能减损分量数据。

9.根据权利要求1所述的风力发电状态监控方法，其特征在于，步骤S4包括以下步骤：步骤S41：对发电性能减损逻辑学习数据进行归一化处理，得到发电性能减损逻辑归一数据；

步骤S42：基于策略梯度算法对发电性能减损逻辑归一数据进行发电状态性能减损监控模型构建，得到发电状态性能减损监控模型；

步骤S43：将发电状态性能减损监控模型发送至终端，以执行风力发电状态监控。

10.一种风力发电状态监控系统，其特征在于，用于执行如权利要求1所述的风力发电状态监控方法，该风力发电状态监控系统包括：发电功率频谱转换模块，用于对风力发电机进行实时状态监测，得到风力发电机实时状态监测数据；对风力发电机实时状态监测数据进行发电输出功率波动分析，而后进行频谱转换，得到输出功率波动频谱数据；

磁场畸变失衡强度解析模块，用于根据输出功率波动频谱数据进行发电机绕组热能累积等比例模拟，得到绕组热能累积等比例数据；基于绕组热能累积等比例数据进行磁场畸变失衡强度解析，得到磁场畸变失衡强度数据；

发电性能减损分析模块，用于根据绕组热能累积等比例数据和磁场畸变失衡强度数据进行发电机性能减损分量解析，得到发电机性能减损分量数据；对发电机性能减损分量数据进行发电性能减损逻辑学习，得到发电性能减损逻辑学习数据；

性能减损监控模型构建模块，用于基于策略梯度算法对发电性能减损逻辑学习数据进行发电状态性能减损监控模型构建，得到发电状态性能减损监控模型；将发电状态性能减损监控模型发送至终端，以执行风力发电状态监控。