1.一种基于JSD的时序数据的离群点检测方法，其特征在于，包括以下步骤：步骤1.输入西气东输外壁通电位带有离群点的时序数据集M，其包含了1000组带有离群点的西气东输通电位时序数据；

步骤2.M中共有n条数据，每条数据中有k个点，点与点之间的时间间隔为t分钟；其中k的有效取值为：[100,200]，t的有效取值为：[1,10]；

步骤3.现在，将k个点进行遍历，从第二个点开始，到倒数第二个点结束，总计k‑2个点；

在执行具体项目时，k＝144，k‑2＝142；

步骤4.通过k‑2个点确认了每一个点的波动性，求和后得到总波动性，波动性数值取绝对值；之后将每一个波动和总波动进行归一化处理，得到k‑2个点的权重值WF；

步骤5.开始JSD算法，首先，将k‑2个点按照平均值；上平均值；下平均值进行标准化；以三个平均值作为分界线，将数据分为0，1，2，3四个级别，方便进行概率分布的统计；

步骤6.标准化完成后，将一天的数据，首和末数据不取，从第二个数据开始，倒数第二个数据结束，总共k‑2个点；并将每一个这样的点设置为遍历点；

步骤7.将这k‑2个点依次进行遍历；每一个点被选作分割点时，可以将片段分为两部分，对其中每一部分的点按照标准化结果，进行概率分布的统计；

步骤8.之后通过香农熵计算公式，计算每一个分割点两部分的香农熵差值；

步骤9.统计k‑2个点的香农熵差值；

步骤10.将k‑2个对应的点的WT权重值与其香农熵差值相乘，找到其中最大的乘积值；

步骤11.根据最大乘积值S‑max确认离群点；该最大值的索引index‑S就是离群点所在位置。

2.根据权利要求1所述的一种基于JSD的时序数据的离群点检测方法，其特征在于，将带有离群点的时序数据按天读取，其中k＝n，时间间隔每t＝10分钟读取一个点，一天读取k个数据点，如下：

X＝[X1,X2,X3,...,Xn](n＝k)X表示某一天离群点波段的所有数据。

3.根据权利要求1所述的一种基于JSD的时序数据的离群点检测方法，其特征在于，标准化方法为：

选取数据的平均值：

上平均值为：

下平均值为：

其中，Xa为平均数；Xu为上平均数；Xd为下平均数；

将这三个平均数作为分割点，将整个数据区域分为四块，分别用0，1，2，3来表示；意思就是时序数据肯定会落在4个区域其中之一，根据落下的位置区域，将对应的区域和0，1，2，

3进行匹配；得到标准化的X序列SS＝[s1,s2,s3,...,sn](n＝k)。

4.根据权利要求1所述的一种基于JSD的时序数据的离群点检测方法，其特征在于，对k*t，时间段内的数据依次遍历切割，将其分为两段：去掉第一个元素和最后一个元素，取其中k‑2个点，将每一个点作为分割点：Xs＝[x1，x2，x3，...，xm](m＝k‑2)其中，XS代表某一天内的所有分割点，通过量化分割点，将一天内的数据分为两个部分,如下：

Part1(xi)＝[x1，x2，...，xi]Part2(xi)＝[xi，xi+1，xi+2，...，xn](n＝k)Part1表示被Xi分割的第一部分；Part2表示被Xi分割的第二部分。

5.根据权利要求1所述的一种基于JSD的时序数据的离群点检测方法，其特征在于，概率分布计算：

第一个Part1的公式表示由三种平均数4分后，得到的四种取值范围；这四种取值的概率分布值是多少，分别表示为：

同理，Part2的公式与Part1表示内容一样；

Number(Xu)表示在Xu范围内点的数量，Number(Part1(xi))表示Part1(Xi)部分所有点数量；Number(Part2(xi))表示Part2(xi)部分所有点数量，xi表示X中第i个分割点。

6.根据权利要求1所述的一种基于JSD的时序数据的离群点检测方法，其特征在于，概率权重计算：

其中，Number(Part1(Xi))表示Part1(Xi)部分所有点数量；Number(Part2(Xi))表示Part2(Xi)部分所有点数量，使用上面参数配置完Part1和Part2的权重；

将权重参数其对应的Part概率分布值相乘，构成两个如下的参数，这两个参数是下面计算香农熵非常重要的依据，其组合数量有：Number(Part1(xi))*Number(Part2(xi))接下来介绍参数公式为：

APart1＝WPart1*Part1(xi，P)APart2＝WPart2*Part2(xi，P)A part1表示Part1内概率与Part1权重乘积；A part2表示Part2内概率与Part2权重乘积；从A part1中获得q个值，从A part2中获得p个值；将A part1和A part2按照数量公式一共会产生q*p种结果。

7.根据权利要求1所述的一种基于JSD的时序数据的离群点检测方法，其特征在于，香农熵计算：

香农熵底数设置为2，香农熵计算公式如下：C＝(APart1+APart2)*(log2(APart1+APart2))A＝(APart1)*(log2(APart1))B＝(APart2)*(log2(APart2))JensenShannon＝C‑(A+B)香农熵计算公式如上，将上述公式中的q*p种组合分别带入Jensen_Shannon公式中，计算出q*p个香农熵值，将所有的香农熵值进行求和，得到Jensen_Shannon离散测度，简称JSD；JSD的计算公式如下：计算出在xi点作为分割点的JSD值，现在开始按照波动计算Xi点处波动的权重值W(xi):

根据W(xi)和JSD(xi)，确认了最终的参数S，S由JSD和W共同构成，表示概率分布和波动率结合的综合指标参数；

S(xi)＝JSD(xi)*W(xi)X中第i个分割xi得到的概率波动参数S(xi)。

8.根据权利要求1所述的一种基于JSD的时序数据的离群点检测方法，其特征在于，离群点计算：

根据k‑2个分割点，获得了k‑2个S(xi)概率波动参数，其中第g个参数所对应的S(xg)值最大；

G(xg)＝max(S(xg))得到了某天的离群点时序数据中最大概率波动参数的S(xg)，xg表示这一天内时序数据离群点的所在位置。