技术特征：
1.一种基于密度空间聚类的信息流异常数据监测方法，其特征在于，该方法包括以下步骤：s1、实时采集电能信息交互设备上传主站电能量测数据，将电能测量数据分组为幅值量测数据和相角量测数据；s2、将所述幅值量测数据的幅值序列分为训练集和测试集两类，采用长短期记忆lstm神经网络，并将所述训练集和测试集分别输入到所述长短期记忆lstm神经网络进行训练得到映射的神经网络特征，作为电能信息流交互数据幅值特征分量；s3、对所述相角量测数据的相角序列进行相位变换计算新的相位差序列，计算相角斜率特征量，即角速度特征量，作为电能信息流交互数据相角特征分量；s4、采用基于密度空间聚类dbsc监测模型，将所述幅值特征分量、相角特征分量分别输入基于密度空间聚类dbsc监测模型，并进行聚类分析以监测电能信息交互设备量测值中的幅值或相角异常数据，并输出监测结果。2.根据权利要求1所述的一种基于密度空间聚类的信息流异常数据监测方法，其特征在于，步骤s2中所述长短期记忆lstm神经网络的结构包括遗忘门、输入门、输出门和储存单元，所述遗忘门，用于电能量测数据的训练集数据输入口；所述输入门，用于电能量测数据的测试集数据输入口；所述储存单元，用于lstm神经网络模型训练过程中的中间数据存储；所述输出门，用于训练和测试结果的输出。3.根据权利要求2所述的一种基于密度空间聚类的信息流异常数据监测方法，其特征在于，步骤s2中利用长短期记忆lstm方法计算电能信息交互测量数据幅值特征分量的具体步骤如下：s21：将前一时刻的电能信息测量数据幅值特征分量h
t
‑1和当前时刻的待训练的输入信号x
t
输入遗忘门模块，计算得到当前时刻遗忘门的状态参数f
t
：f
t
＝σ(w
f
·
[h
t
‑1,x
t
]+b
f
)其中：w
f
是遗忘门的权重系数矩阵；x
t
是待训练的输入信号，此处特指当前时刻的电压或电流采样数据；h
t
‑1是前一时刻的电能信息测量数据幅值特征分量，b
f
是遗忘门的偏项，σ是sigmoid函数，其表达式为：σ(x)＝1/1+e
‑
x
；同时，通过将x
t
数据保存到输入门得到当前时刻输入门的状态参数i
t
：i
t
＝σ(w
i
·
[h
t
‑1,x
t
]+b
i
)其中：w
i
是输入门的权重系数矩阵；b
i
是输入门的偏项；s22：利用激活函数计算当前时刻的记忆储存单元状态参数s22：利用激活函数计算当前时刻的记忆储存单元状态参数其中：w
c
是长期记忆储存单元的权重系数矩阵；激活函数的表达式为tanh(x)＝(e
x
‑
e
‑
x
)/(e
x
+e
‑
x
)；b
c
是记忆储存单元的偏项；s23：假如定义符号表示不同状态的合成，长短期记忆lstm神经网络结合记忆储存单元状态参数和上一时刻长期记忆状态参数c
t
‑1联立求解得到当前时刻的长期记忆状态参数c
t
：
s24：输出门控制多个c
t
输出长短期记忆lstm神经网络的最终输出结果h
t
，即电能信息测量数据幅值特征分量：其中：o
t
＝σ(w
o
·
[h
t
‑1,x
t
]+b
o
)；w
o
是输出门的权重系数矩阵；b
o
是输入门的偏项；s25：通过不断将电能信息流历史数据输入长短期记忆lstm神经网络，得到lstm神经网络训练模型，依次循环，迭代获得预测值将电能信息实际测量h0和预测数据用计算残差e，直至所述残差e达到预设值，得到最终的幅值特征分量h
t
；其中4.根据权利要求1所述的一种基于密度空间聚类的信息流异常数据监测方法，其特征在于，步骤s3中利用斜率特征量计算电能信息数据相角特征分量，是利用两相邻采样时刻的相角测量值做差计算其变化率，即相角的角速度，以此作为电能信息数据相角特征分量ω(t
n
)：其中：为电能信息交互设备在t
n
时刻采集的相角测量值，为电能信息交互设备在t
n
‑1时刻采集的相角测量值；t
n
、t
n
‑1为两相邻采样时刻。5.根据权利要求1所述的一种基于密度空间聚类的信息流异常数据监测方法，其特征在于，步骤s4包括以下子步骤：s41：从所述幅值特征分量、相角特征分量组成的数据集中随机选择一个数据作为对象点；s42：通过检查所述数据集中每个点的eps邻域来搜索簇，如果对象点的eps邻域包含的点多于minpts，则该对象点记作核心点，且创建一个以该对象点为核心对象的簇；s43：如果所选数据对象是边界点，则继续选择另一个数据作为对象点；s44：重复步骤s41至s43，迭代地聚集从这些核心对象，直到遍历所有点，最终识别出电能信息测量值中的正常数据和异常数据，被聚在核心点簇的数据为正常数据，否则为异常数据；其中：eps代表不同对象点的半径全局参数；minpts代表样本点密度全局参数。6.一种基于密度空间聚类的信息流异常数据监测装置，其特征在于，该装置支持如权利要求1至5中任意一项所述的一种基于密度空间聚类的信息流异常数据监测方法，该装置包括：获取单元，获取实时采集的电能信息交互设备上传主站电能量测数据，并将电能测量数据分组为幅值量测数据和相角量测数据；第一计算单元，将所述幅值量测数据的幅值序列分为训练集和测试集两类，利用长短期记忆lstm神经网络计算电能信息交互测量数据幅值特征分量；第二计算单元，对所述相角量测数据的相角序列进行相位变换计算新的相位差序列，计算相角斜率特征量，即角速度特征量，作为电能信息流交互数据相角特征分量；监测单元，根据所述幅值特征分量和相角特征分量，采用基于密度空间聚类dbsc监测
模型进行聚类分析以监测电能信息交互设备量测值中的幅值或相角异常数据；输出单元，输出监测单元的监测结果。7.根据权利要求6所述的一种基于密度空间聚类的信息流异常数据监测装置，其特征在于，所述第一计算单元中的长短期记忆lstm神经网络结构包括遗忘门、输入门、输出门和储存单元，所述遗忘门，用于电能量测数据的训练集数据输入口；所述输入门，用于电能量测数据的测试集数据输入口；所述储存单元，用于lstm神经网络模型训练过程中的中间数据存储；所述输出门，用于训练和测试结果的输出。8.根据权利要求7所述的一种基于密度空间聚类的信息流异常数据监测装置，其特征在于，所述第一计算单元执行过程如下：将前一时刻的电能信息测量数据幅值特征分量h
t
‑1和当前时刻的待训练的输入信号x
t
输入遗忘门模块，计算得到当前时刻遗忘门的状态参数f
t
：f
t
＝σ(w
f
·
[h
t
‑1,x
t
]+b
f
)其中：w
f
是遗忘门的权重系数矩阵；x
t
是待训练的输入信号，此处特指当前时刻的电压或电流采样数据；h
t
‑1是前一时刻的电能信息测量数据幅值特征分量，b
f
是遗忘门的偏项，σ是sigmoid函数，其表达式为：σ(x)＝1/1+e
‑
x
；同时，通过将x
t
数据保存到输入门得到当前时刻输入门的状态参数i
t
：i
t
＝σ(w
i
·
[h
t
‑1,x
t
]+b
i
)其中：w
i
是输入门的权重系数矩阵；b
i
是输入门的偏项；利用激活函数计算当前时刻的记忆储存单元状态参数利用激活函数计算当前时刻的记忆储存单元状态参数其中：w
c
是长期记忆储存单元的权重系数矩阵；激活函数的表达式为tanh(x)＝(e
x
‑
e
‑
x
)/(e
x
+e
‑
x
)；b
c
是记忆储存单元的偏项；假如定义符号表示不同状态的合成，长短期记忆lstm神经网络结合记忆储存单元状态参数和上一时刻长期记忆状态参数c
t
‑1联立求解得到当前时刻的长期记忆状态参数c
t
：输出门控制多个c
t
输出长短期记忆lstm神经网络的最终输出结果h
t
，即电能信息测量数据幅值特征分量：其中：o
t
＝σ(w
o
·
[h
t
‑1,x
t
]+b
o
)；w
o
是输出门的权重系数矩阵；b
o
是输入门的偏项；通过不断将电能信息流历史数据输入长短期记忆lstm神经网络，得到lstm神经网络训练模型，依次循环，迭代获得预测值将电能信息实际测量h0和预测数据用计算残差e，直至所述残差e达到预设值，得到最终的幅值特征分量h
t
；其中9.根据权利要求6所述的一种基于密度空间聚类的信息流异常数据监测装置，其特征在于，所述第二计算单元利用斜率特征量计算电能信息数据相角特征分量，是利用两相邻采样时刻的相角测量值做差计算其变化率，即相角的角速度，以此作为电能信息数据相角
特征分量ω(t
n
)：其中：为电能信息交互设备在t
n
时刻采集的相角测量值，为电能信息交互设备在t
n
‑1时刻采集的相角测量值；t
n
、t
n
‑1为两相邻采样时刻。10.根据权利要求6所述的一种基于密度空间聚类的信息流异常数据监测装置，其特征在于，所述监测单元执行过程如下：从所述幅值特征分量、相角特征分量组成的数据集中随机选择一个数据作为对象点；通过检查数据集中每个点的eps邻域来搜索簇，如果对象点的eps邻域包含的点多于minpts，则创建一个以该对象点为核心对象的簇；如果所选数据对象是边界点，则继续选择另一个数据作为对象点；重复上述过程，迭代地聚集从这些核心对象，直到遍历所有点，最终识别出电能信息测量值中的正常数据和异常数据，被聚在核心点簇的数据为正常数据，否则为异常数据；其中：eps代表不同对象点的半径全局参数；minpts代表样本点密度全局参数。