1.基于边缘协同分类的电力时序数据检索方法，其特征在于，具体包括以下步骤：从边缘设备采集电力时序数据，并对原始电力数据进行预处理得到数据集；

对数据集进行K‑shape聚类，并根据肘部法则得到最佳聚类数；

根据聚类的分类结果，利用残差神经网络模型对每个边缘节点上的电力时序数据创建分类模型；

采用联邦学习对不同边缘设备上的模型参数进行聚合，即通过计算加权平均值将参数值聚合，并更新模型参数进行迭代；

当用户输入时序数据进行检索时，利用残差神经网络模型对该时序数据进行分类得到该数据的分类号；

对分类号下的数据进行DTW计算，将最近似的N条时序数据作为检索结果推荐给用户。

2.根据权利要求1所述的基于边缘协同分类的电力时序数据检索方法，其特征在于，对数据集进行K‑shape聚类具体包括以下步骤：

101、计算每两个时序数据之间的互相关性，并对得到的互相关性进行归一化处理；

102、根据归一化的互相关性计算两条时序数据之间基于形状的距离度量；

103、初始化聚类数据，即根据肘部法则得到的最佳聚类数随机定义每个类别的数据；

104、构建优化方程，求解得到与类别中其他序列数据之间基于形状的距离度量平方和最小的序列数据，并将其作为该类别的质心；

105、将每个时间序列与所有计算的质心进行比较，并将每个时间序列分配给最近的质心，更新聚类的成员；

106、根据距离度量更新质心，重复步骤104～105，直到每个类别中的序列数据不再发生变化。

3.根据权利要求2所述的基于边缘协同分类的电力时序数据检索方法，其特征在于，基于形状的距离度量表示为：

其中， 为时间序列 与时间序列 基于形状的时间量度； 为时间序列与时间序列 的互相关性； 为时间序列 与时间序列 之间的互相关性计算；

为为时间序列 与时间序列 之间的互相关性计算。

4.根据权利要求2所述的基于边缘协同分类的电力时序数据检索方法，其特征在于，在计算时间序列 与时间序列 的互相关性时，保持序列 不动，序列在序列 上滑动，计算 的每一个位移x的内积，当序列 滑动时，空缺部分部为零，互相性计算的结果为长度为2n‑1的序列，该序列表示为：

其中， 为序列 与序列 互相关性，l为t大于0时的序列长度，t为序列互相关序列的长度。

5.根据权利要求2所述的基于边缘协同分类的电力时序数据检索方法，其特征在于，构建优化方程求解质心包括：

其中， 为其他时间序列序列的平方相似性的最大值； 为其他时间序列序列的平方T

相似性；M＝Q·S·Q， I为单位矩阵，O为全是1的矩阵，m为序列中数据点的个数， 为序列 的转置，Pj为簇P中的第j个分类。

6.根据权利要求1所述的基于边缘协同分类的电力时序数据检索方法，其特征在于，采用联邦学习算法对不同边缘设备上的数据进行协同的过程具体包括：每个边缘节点根据其本地的训练数据集进行迭代训练；

边缘节点将当前参数的值推送到聚合服务器中，在聚合服务器中，计算所有边缘节点参数的平均值；

从聚合参数服务器中获取所有边缘节点参数的平均值，进行新的训练；

每个边缘节点从聚合服务器中提取更新后的参数值，并将更新后的参数设置为边缘节点当前的参数，进行下一轮训练。

7.根据权利要求1所述的基于边缘协同分类的电力时序数据检索方法，其特征在于，采用DTW算法对同类别数据进行相似性计算具体包括：其中，K是在比较不同长度序列时的统一标准，wi为规整路径。

8.根据权利要求1所述的基于边缘协同分类的电力时序数据检索方法，其特征在于，通过求解两条时序数据匹配时累计距离最小所对应的规整函数得到规整路径wi，规整路径wi包括两条时序数据的所有数据点的距离组成的一条路径，则两条时序数据中两个元素的规整距离表示为：

其中，aα表示序列 的第α个元素，bβ序列 的第β个元素。