1.一种基于EEMD-神经网络的实时数据异常值检测方法，其特征在于：其包括以下步骤：(1)对原始历史时间序列数据，按照时间顺序进行排序，对缺失数据用0值填补，得到初步整理好的历史数据；

(2)对所述初步整理好的历史数据进行异常值检测处理，把检测出的异常值用0值替换；

(3)对异常值检测处理之后的历史数据进行异常值校正处理，即对数据中的0值进行填补，完成历史时间序列数据异常值检测和校正；

(4)对实时数据进行异常值检测；

(5)根据步骤(4)得到的异常值检测结果，对实时数据进行异常值校正。

2.根据权利要求1所述的一种基于EEMD-神经网络的实时数据异常值检测方法，其特征在于：步骤(2)对初步整理好的历史数据进行异常值检测处理，包括如下步骤：(2.1)通过中位数法对所述初步整理好的历史数据进行初步检测；

(2.2)通过EEMD法对所述初步检测之后的历史数据进行精细检测。

3.根据权利要求1所述的一种基于EEMD-神经网络的实时数据异常值检测方法，其特征在于：所述步骤(3)对异常值检测处理之后的历史数据进行异常值校正处理，采用局部曲线拟合法实现；所述步骤(4)对实时数据进行异常值检测，采用人工神经网络实现。

4.根据权利要求2所述的一种基于EEMD-神经网络的实时数据异常值检测方法，其特征在于：所述通过中位数法对所述初步整理好的历史数据进行初步检测，具体为：(4.1)对于初步整理后的时间序列数据{ai}，i＝1,2,3,…,，把{ai}中的正数选出来构成一个新的数列 把 的中位数记为(4.2)计算 中每个数与中位数的比值 即

(4.3)设定 的阈值为r1,r2，若 或者 则 为异常值，把异常值替换为

0，时间序列数据{ai}经过替换后得到的数列为{bi}，从而完成对所述初步整理好的历史数据进行初步检测。

5.根据权利要求2所述的一种基于EEMD-神经网络的实时数据异常值检测方法，其特征在于：所述通过EEMD法对所述初步检测之后的历史数据进行精细检测，具体为：(5.1)将数列{bi}中的正数选出来构成一个新的数列

(5.2)通过EEMD法对 进行分解，得到频率从高到低排列的n个分量；

(5.3)n个分量中，舍去高频分量，把后面m个低频分量以向量求和的方式进行求和，得到一个新的数列 其中，1

(5.4)计算偏差比率 用于量化 与 的偏离程度；

(5.5)设定偏差比率 的阈值为d0，偏差比率 大于d0的数据为异常值，再把异常值替换为0，把{bi}经过异常值替换得到的数列记为{gi}，从而完成对所述初步检测之后的数据进行精细检测。

6.根据权利要求3所述的一种基于EEMD-神经网络的实时数据异常值检测方法，其特征在于：所述采用局部曲线拟合法，具体为：(6.1)对于每一段0值，包括单个0值或者是连续多个0值，前后端各选取一段序列，构成一个子序列{hi}；

(6.2)对{hi}进行曲线拟合：把{hi}中的正数选出来，得到一组样本点 i+表示{hi}中出现正数的位置，采用多项式对样本点 进行曲线拟合，得到的多项式记为f(x)；

(6.3)用曲线拟合值 替换{hi}中的0值，i0表示{hi}中0值的位置，得到异常值校正后的时间序列数据{ki}，i＝1,2,3,…,t。

7.根据权利要求3所述的一种基于EEMD-神经网络的实时数据异常值检测方法，其特征在于：所述通过人工神经网络对实时数据进行异常值检测，具体为：(7.1)应用人工神经网络对时间序列{k1,k2,…,kt}预测第t+1天的值ut+1；

(7.2)计算实时上报的监测数据at+1与预测值ut+1的相对误差wt+1；

(7.3)设定wt+1的阈值为w0，若相对误差wt+1>w0，则认为实时上报的监测数据at+1属于异常值，用预测值ut+1替换at+1；若相对误差wt+1≤w0，则认为实时上报的监测数据at+1属于正常值，保留；

(7.4)对第t+1天获得的实时监测数据at+1经过异常值检测和校正得到的正常值，记为kt+1，并把kt+1拼接到序列{k1,k2,…,kt}的后面组成新的序列{k1,k2,…,kt,kt+1}；

(7.5)采用神经网络，根据序列{k1,k2,…,kt,kt+1}预测第t+2天的值ut+2，与第t+2天实时上报的监测数据at+2进行对比以检测是否异常并校正，以此类推，对每一天实时上报的数据都进行检测，经过检测并校正后的数据作为历史数据存储，为下一天的预测做准备。

8.根据权利要求5所述的一种基于EEMD-神经网络的实时数据异常值检测方法，其特征在于：所述步骤(5.1)将数列{bi}中的正数选出来构成一个新的数列 时，每个正数之间的排列顺序不变。

9.根据权利要求5所述的一种基于EEMD-神经网络的实时数据异常值检测方法，其特征在于：所述步骤(5.2)中，n个分量中包括n-1个IMF和1个残余项rn。

10.根据权利要求5所述的一种基于EEMD-神经网络的实时数据异常值检测方法，其特征在于：所述步骤(5.3)中，m值的确定采用如下步骤：(10.1)计算每个IMFi(t)的增长率zi(t),i＝1,2,…,(n-1)；

(10.2)计算每个IMFi(t)增长率的最大值hi＝max(zi(t)),i＝1,2,…,(n-1)，得到数组[h1,h2,…,hn-1]；

(10.3)从[h1,h2,…,hn-1]中找到hw，分两种情况：当[h1,h2,…,hn-1]不是单调的，hw是[h1,h2,…,hn-1]中从左到右第一个极小值；

当[h1,h2,…,hn-1]是单调的，hw是[h1,h2,…,hn-1]中从左到右第一个满足小于预设阈值λ的数；

hw所对应的位置w，有m＝n-w+1。

11.根据权利要求5所述的一种基于EEMD-神经网络的实时数据异常值检测方法，其特征在于：所述步骤(5.4)中，偏差比率

12.根据权利要求10所述的一种基于EEMD-神经网络的实时数据异常值检测方法，其特征在于：预设阈值λ＝0.15。

13.根据权利要求10所述的一种基于EEMD-神经网络的实时数据异常值检测方法，其特征在于：所述步骤(10.1)中，增长率zi(t)通过如下方式计算得到：

14.根据权利要求7所述的一种基于EEMD-神经网络的实时数据异常值检测方法，其特征在于：所述步骤(7.3)中，相对误差