本发明涉及用电监测，尤其涉及一种具备监测数据分析功能的电能表。
背景技术：
1、随着科技的发展和社会生活的多元化，电能的使用已经深入到我们生活的各个方面。电能表作为电力系统中的重要设备，承担着电力数据的采集和数据传输工作，不仅是电力系统正常运行的关键，同时也为电力消费结构和消费习惯的研究提供了数据基础，因此有效地掌握和预测电能的使用情况，能够满足人们更高效、更环保的用电需求。
2、现有的电能表大多采用如时间序列预测、密度峰值聚类技术等方法，对电力数据进行数据分析及预测，但是在使用密度峰值聚类技术进行电能表的有功功率时序数据进行聚类分析时，在面对用电模式发生显著变化的情况下，存在聚类划分结果的不准确问题，例如：如果在一个24小时的周期内，用户的用电模式存在显著差异（如白天主要使用大功率设备，而夜间主要依赖小功率或静态设备），那么就会产生边缘数据点，这些边缘数据点主要存在于用电模式转换的过渡期，比如从白天大功率用电转变到夜间小功率用电的时段，而密度峰值聚类主要根据数据点的密度情况进行聚类，很难准确处理这类边缘数据点，尤其是处于高密度区域边缘或者处于两个密度区域过渡区域的数据点，可能会把一些应归类为夜间静态功耗数据的点，错误地归到白天活跃功耗的类别，从而影响用电模式的正确识别，这不仅影响了数据的准确性，也可能对后续的电能使用建议和优化措施产生误导。
3、因此，如何在对电能表的有功功率时序数据进行聚类分析时，提高聚类分析结果的准确性，以保证根据聚类分析结果进行用电模式的正确识别成为亟需解决的问题。
技术实现思路
1、有鉴于此，本发明实施例提供了一种具备监测数据分析功能的电能表，以解决如何在对电能表的有功功率时序数据进行聚类分析时，提高聚类分析结果的准确性，以保证根据聚类分析结果进行用电模式的正确识别的问题。
2、本发明实施例中提供了一种具备监测数据分析功能的电能表，该电能表包括：
3、数据预处理模块，用于获取预设时段内电能表的有功功率时序数据，将所述有功功率时序数据平均划分为m个子序列，分别获取每个所述子序列的数据均值、数据标准差、数据变化率以及最后一个数据对应的时间戳组成对应子序列的四维特征向量；
4、数据聚类模块，用于将所有四维特征向量映射在多维空间中，得到每个所述四维特征向量对应的数据点，在对所述多维空间中的所有数据点进行密度峰值聚类时，根据所有数据点对应的四维特征向量差异，对所述多维空间中的每个数据点的局部密度进行优化，得到对应的初始聚类结果；
5、数据优化模块，用于对所述多维空间中的数据点进行筛选，得到至少一个边缘数据点，针对任一边缘数据点，获取所述边缘数据点的最近邻数据点，根据所述边缘数据点和所述最近邻数据点之间对应的四维特征向量的相似性，得到所述边缘数据点的优化衰减系数；
6、数据监测模块，用于根据每个所述边缘数据点的优化衰减系数和所述初始聚类结果，对所有边缘数据点进行重新聚类划分，得到最终聚类结果，根据所述最终聚类结果进行电能表的监测数据异常检测。
7、优选的，所述数据聚类模块中根据所有数据点对应的四维特征向量差异，对所述多维空间中的每个数据点的局部密度进行优化，得到对应的初始聚类结果，包括：
8、针对所述多维空间中的任一数据点，根据所述数据点和每个其他数据点之间对应的四维特征向量中的时间戳差异，分别获取所述数据点和每个其他数据点之间的时间权重；
9、根据所述数据点和每个其他数据点之间的时间权重对所述数据点的局部密度进行优化，得到所述数据点的优化局部密度；
10、基于所述多维空间中的每个数据点的优化局部密度，得到对所有数据点进行聚类的初始聚类结果。
11、优选的，所述数据聚类模块中根据所述数据点和每个其他数据点之间对应的四维特征向量中的时间戳差异，分别获取所述数据点和每个其他数据点之间的时间权重，包括：
12、针对任一其他数据点，计算所述数据点的四维特征向量中的时间戳和所述其他数据点的四维特征向量中的时间戳之间的差值绝对值，获取预设的初始衰减系数与所述差值绝对值之间的乘积，利用以自然常数为底数的指数函数对所述乘积进行负映射，对应得到的映射值作为所述数据点与所述其他数据点之间的时间权重。
13、优选的，所述数据聚类模块中根据所述数据点和每个其他数据点之间的时间权重对所述数据点的局部密度进行优化，得到所述数据点的优化局部密度，包括：
14、获取所述数据点与所述其他数据点之间的距离，计算所述距离与邻域截断距离之间的距离差值，获取所述距离差值、所述数据点与所述其他数据点之间的时间权重以及预设指示函数之间的相乘结果；
15、将所述数据点与每个其他数据点之间对应的相乘结果进行累加，对应得到的结果作为所述数据点的优化局部密度。
16、优选的，所述数据优化模块中对所述多维空间中的数据点进行筛选，得到至少一个边缘数据点，包括：
17、根据所述多维空间中的所有数据点的优化局部密度的平均值和标准差，获取局部密度阈值，根据所述多维空间中每两个数据点之间的距离，获取距离的中位数作为最小距离阈值；
18、针对所述多维空间中的任一数据点，获取所述数据点的最近数据点，若所述数据点与其最近数据点之间的距离大于所述最小距离阈值且所述数据点的优化局部密度小于所述局部密度阈值，则确定所述数据点为边缘像素点。
19、优选的，所述数据优化模块中根据所述边缘数据点和所述最近邻数据点之间对应的四维特征向量的相似性，得到所述边缘数据点的优化衰减系数，包括：
20、根据所述边缘数据点的四维特征向量和所述最近邻数据点的四维特征向量，获取所述边缘数据点与所述最近邻数据点之间的内容相似度；
21、利用所述边缘数据点和所述最近邻数据点之间的内容相似度，对预设的初始衰减系数进行调整，得到所述边缘数据点的优化衰减系数。
22、优选的，所述数据优化模块中根据所述边缘数据点的四维特征向量和所述最近邻数据点的四维特征向量，获取所述边缘数据点与所述最近邻数据点之间的内容相似度，包括：
23、对所述多维空间中的每个数据点对应的四维特征向量中的数据均值、数据标准差、数据变化率进行归一化处理，对应得到每个数据点的归一化特征向量；
24、分别计算所述边缘数据点与每个其他数据点之间的归一化特征向量的l2距离，得到最大l2距离，获取所述边缘数据点和所述最近邻数据点之间的归一化特征向量的l2距离与所述最大l2距离之间的比值，将常数1和所述比值之间的差值作为所述边缘数据点与所述最近邻数据点之间的内容相似度。
25、优选的，所述数据优化模块中利用所述边缘数据点和所述最近邻数据点之间的内容相似度，对预设的初始衰减系数进行调整，得到所述边缘数据点的优化衰减系数，包括：
26、获取所述边缘数据点和所述最近邻数据点之间的内容相似度与常数1之间的相减结果，将所述相减结果、预设的初始衰减系数以及预设的调整幅度之间的乘积作为所述边缘数据点的优化衰减系数。
27、优选的，所述数据监测模块中根据每个所述边缘数据点的优化衰减系数和所述初始聚类结果，对所有边缘数据点进行重新聚类划分，得到最终聚类结果，包括：
28、根据每个所述边缘数据点的优化衰减系数，重新获取每个所述边缘数据点的优化局部密度作为新局部密度；
29、针对任一边缘数据点，根据所述多维空间中的每个数据点的优化局部密度，获取优化局部密度大于所述边缘数据点的新局部密度的数据点作为目标数据点，根据所述边缘数据点和每个所述目标数据点之间的距离，获取最小距离作为所述边缘数据点的目标距离；
30、根据每个所述边缘数据点的新局部密度对所述局部密度阈值进行更新，得到更新后的局部密度阈值，若任一边缘数据点的新局部密度大于或等于所述更新后的局部密度阈值且对应的目标距离小于或等于所述最小距离阈值，则确定所述边缘数据点在所述初始聚类结果中是正确归类；若任一边缘数据点的新局部密度小于所述更新后的局部密度阈值且对应的目标距离大于所述最小距离阈值，则将所述边缘像素点标记为孤立点。
31、本发明实施例与现有技术相比存在的有益效果是：
32、本发明提供一种具备监测数据分析功能的电能表，包括数据预处理模块，用于获取预设时段内电能表的有功功率时序数据，将所述有功功率时序数据平均划分为m个子序列，分别获取每个所述子序列的数据均值、数据标准差、数据变化率以及最后一个数据对应的时间戳组成对应子序列的四维特征向量；数据聚类模块，用于将所有四维特征向量映射在多维空间中，得到每个所述四维特征向量对应的数据点，在对所述多维空间中的所有数据点进行密度峰值聚类时，根据所有数据点对应的四维特征向量差异，对所述多维空间中的每个数据点的局部密度进行优化，得到对应的初始聚类结果；数据优化模块，用于对所述多维空间中的数据点进行筛选，得到至少一个边缘数据点，针对任一边缘数据点，获取所述边缘数据点的最近邻数据点，根据所述边缘数据点和所述最近邻数据点之间对应的四维特征向量的相似性，得到所述边缘数据点的优化衰减系数；数据监测模块，用于根据每个所述边缘数据点的优化衰减系数和所述初始聚类结果，对所有边缘数据点进行重新聚类划分，得到最终聚类结果，根据所述最终聚类结果进行电能表的监测数据异常检测。其中，通过引入有功功率时序数据的时间权重并使用数据间的内容相似度优化时间衰减系数，对识别出的边缘数据点进行重新聚类划分，从而能够更准确地将边缘数据点归类到正确的簇中，有效避免传统密度峰值聚类算法中由于忽略数据内容细节而导致的分类错误，使得根据聚类分析结果进行用电模式的识别更加符合实际情况，以为后续电力资源合理配置提供更加可靠的数据支持。
1.一种具备监测数据分析功能的电能表，其特征在于，所述电能表包括：
2.根据权利要求1所述的一种具备监测数据分析功能的电能表，其特征在于，所述数据聚类模块中根据所有数据点对应的四维特征向量差异，对所述多维空间中的每个数据点的局部密度进行优化，得到对应的初始聚类结果，包括：
3.根据权利要求2所述的一种具备监测数据分析功能的电能表，其特征在于，所述数据聚类模块中根据所述数据点和每个其他数据点之间对应的四维特征向量中的时间戳差异，分别获取所述数据点和每个其他数据点之间的时间权重，包括：
4.根据权利要求3所述的一种具备监测数据分析功能的电能表，其特征在于，所述数据聚类模块中根据所述数据点和每个其他数据点之间的时间权重对所述数据点的局部密度进行优化，得到所述数据点的优化局部密度，包括：
5.根据权利要求2所述的一种具备监测数据分析功能的电能表，其特征在于，所述数据优化模块中对所述多维空间中的数据点进行筛选，得到至少一个边缘数据点，包括：
6.根据权利要求1所述的一种具备监测数据分析功能的电能表，其特征在于，所述数据优化模块中根据所述边缘数据点和所述最近邻数据点之间对应的四维特征向量的相似性，得到所述边缘数据点的优化衰减系数，包括：
7.根据权利要求6所述的一种具备监测数据分析功能的电能表，其特征在于，所述数据优化模块中根据所述边缘数据点的四维特征向量和所述最近邻数据点的四维特征向量，获取所述边缘数据点与所述最近邻数据点之间的内容相似度，包括：
8.根据权利要求6所述的一种具备监测数据分析功能的电能表，其特征在于，所述数据优化模块中利用所述边缘数据点和所述最近邻数据点之间的内容相似度，对预设的初始衰减系数进行调整，得到所述边缘数据点的优化衰减系数，包括：
9.根据权利要求5所述的一种具备监测数据分析功能的电能表，其特征在于，所述数据监测模块中根据每个所述边缘数据点的优化衰减系数和所述初始聚类结果，对所有边缘数据点进行重新聚类划分，得到最终聚类结果，包括：
