1.基于最优小波基和改进小波阈值函数的电能数据降噪方法，其特征在于，包括步骤：步骤1:以采样频率fs对电能数据采样，记为源信号s(n)，源信号s(n)＝x(n)+noise(n)，其中x(n)为纯净信号，noise(n)为噪声信号；

步骤2：根据评判指标计算多个小波基的最优分解层数；

步骤3：计算在最优分解层数下的多个小波基的去噪性能，获得最佳去噪性能的最优小波基；

步骤4：选取按最优分解层分层的最优小波基对源信号进行分解，获得每个分解层的细节系数cDj和最大分解层的近似系数cAj；

步骤5：计算各分解层的细节系数的局部阈值thrj，并估计最大分解层的近似系数阈值；

步骤6：根据局部阈值和近似系数阈值生成小波阈值函数，根据生成的小波阈值函数压缩源信号的小波系数；

步骤7：对经过小波阈值函数处理过的源信号经小波逆变换后获得重构源信号，电能数据降噪处理完成。

2.根据权利要求1所述的基于最优小波基和改进小波阈值函数的电能数据降噪方法，其特征在于，所述步骤2中，所述评判指标包括噪声功率Pnoise和噪声功率差ΔPi，所述噪声功率Pnoise和噪声功率差ΔPi的公式分别表示为：其中N为信号采样点长度，yi(n)为降噪后信号，i为小波基编号，x(n)＝y0(n)为纯净信号。

3.根据权利要求2所述的基于最优小波基和改进小波阈值函数的电能数据降噪方法，其特征在于，所述步骤2中，包括步骤；

步骤21：计算同一个小波基在多个分解层数下的噪声功率；

步骤22：对噪声功率排序后计算相邻噪声功率的噪声功率差；

步骤23：选取最小噪声功率差min(Δpi)以及涉及相应计算中的较小的噪声功率；

步骤24：将较小噪声功率所在分解层作为最优分解层；

步骤25：重复步骤21至步骤24确定其余小波基的最优分解层。

4.根据权利要求1所述的基于最优小波基和改进小波阈值函数的电能数据降噪方法，其特征在于，所述步骤3包括步骤：步骤31：对最优分解层数下的多个小波基评价性能评判指标，获得性能指标数据；

步骤32：对性能指标数据进行正向化和标准化处理，获得调整后的性能指标数据；

步骤33：计算调整后的性能指标数据的信息熵；

步骤34：依据信息熵计算各性能评判指标的权重；

步骤35：根据权重评价去噪性能，确定最优小波基。

5.根据权利要求4所述的基于最优小波基和改进小波阈值函数的电能数据降噪方法，其特征在于，所述性能评判指标包括降噪过程中的降噪数据的均方根误差和信噪比，以及降噪数据与原始数据的互相关性。

6.根据权利要求1所述的基于最优小波基和改进小波阈值函数的电能数据降噪方法，其特征在于，步骤5所述的局部阈值函数表示thrj为：式中，j∈Z，Nj为各分解层系数的数据长度，m为阈值调节系数， 为噪声方差，其中wj,k＝{cD1,k cD2,k…cDj,k cAj,k}为第j层中最大小波熵子带的第k个小波系数。

7.根据权利要求6所述的基于最优小波基和改进小波阈值函数的电能数据降噪方法，其特征在于，阈值调节系数m的公式分别为：其中， wj,k为第j层中最大小波熵子带的第k个小波系数。

8.根据权利要求7所述的基于最优小波基和改进小波阈值函数的电能数据降噪方法，其特征在于，在步骤5中，计算最大分解层的近似系数的峰和比，确定所述近似系数的峰和比最为接近的细节系数的峰和比，将最为接近的细节系数的峰和比所在的细节系数的阈值作为近似系数阈值。

9.根据权利要求1所述的基于最优小波基和改进小波阈值函数的电能数据降噪方法，其特征在于，步骤6中生成的小波阈值函数表达式为：式中 为经过阈值函数处理后的小波系数，sgn(·)为符号函数，α和τ均为调节因子，α满足一阶连续可导。

10.根据权利要求7所述的基于最优小波基和改进小波阈值函数的电能数据降噪方法，其特征在于，调节因子α的表达式为：其中，α和τ均为调节因子，局部阈值函数表示thrj。