1.一种基于多元聚类模型与两阶段聚类修正算法的变电站特性分析方法，其特征在于，包括以下步骤：步骤(1)：将变电站下属的用户依照其日负荷曲线不同进行聚类，获得各变电站的用户构成比例，并结合变电站的日负荷曲线获得描述变电站负荷特征的待聚类数据向量；步骤(2)：基于步骤(1)，建立用于聚类分析的数学模型即多元聚类模型；具体为：是以使所有类的类内距离之和最小为最终目标，将目标函数S写为误差平方和的形式，即：c i 为数据点所属的聚类中心向量，表示第i类聚类中心，k为聚类类数，u j 为归属于c i 的第j个元素，h为归属于第i类的数据向量个数，D(u j ,c i )表示u j 与c i 之间的距离，距离函数D选择欧式距离，即:步骤(3)：针对各个变电站的日负荷曲线数据采用k-means算法进行聚类，采用DBI指标确定聚类类数，获得变电站日负荷曲线聚类结果，即原始聚类结果；在日负荷曲线聚类结果的基础上，考虑变电站中的用户构成比例，以原始聚类结果为基础形成新的聚类中心向量；步骤(4)：采用聚类结果修正算法即两阶段聚类修正算法对日负荷曲线聚类结果进行修正，最终得到变电站有关日负荷曲线与用户构成的特征；所述的步骤(1)具体为：将变电站下属的用户依照其日负荷曲线不同，采用K-means或FCM聚类算法分为n类，假设这n类用户的负荷总量在变电站中所占的比例分别为q 1 ,q 2 ,…,q n ，则由上述n类用户组成的变电站用户构成的n维数据向量表示为K＝[q 1 ,q 2 ,…,q n ]；与此同时，假设变电站日负荷曲线数据为m维，记为P＝[p 1 ,p 2 ,…,p m ]；对于每一个待聚类的变电站，都有相应的用户构成数据向量K以及描述日负荷曲线的向量P；据此，用于描述一个变电站特征的数据向量由两部分组成：m维的日负荷曲线数据向量及n维的变电站的用户构成第一数据向量，即第一数据向量U＝[K,P]，对第一数据向量进行归一化处理；所述步骤(4)具体为：基于步骤(3)中所得的日负荷曲线聚类结果，依照n维用户构成数据向量K对原始聚类结果进行修正：采用步骤(2)建立的聚类模型，加入用户构成数据K后，各数据点与各聚类中心的距离将会发生变化，聚类结果将随之发生变化，并偏离之前的最优结果，选择一部分离群数据，并判断这些离群数据是否应当从原来所属的类中移除并移入新的类中；所有满足条件的元素都被转移后，取各类内数据的平均值为新的聚类中心，设第i类聚类中心在元素转移后包含J个数据点，则新的聚类中心c i 表示为：元素转移将会引起聚类中心的改变，应当重复上述步骤多次直到获得稳定的聚类中心结果；修正后，最优类数可能会因为新的特性的加入而增加，又因为每次类的分裂都会使目标函数S减小，所以选择使内部混乱的类分裂为小类，从初始类数k开始，将类内距离最大的类分为两类；类内距离定义如下：其中S l 表示第l类的类内距离，c为u j 所属的聚类中心；如果存在：S max ＝max(S 1 ,S 2 ,...,S l ,...,S k ) (5)则将S max 对应的类采用K-means算法分裂成两个类，在类的不断分裂过程中，类内距离之和不断减小，直到到达预先设定的类数，最终输出聚类结果。
2.根据权利要求1所述的一种基于多元聚类模型与两阶段聚类修正算法的变电站特性分析方法，其特征在于：所述步骤(3)具体为：对步骤(1)中的日负荷曲线向量P采用经典k-means算法进行聚类，依照DBI指标确定最优聚类类数，其计算方法如下：式中k为聚类类数, 分别表示第i类、第j类中的数据对象到相应类的聚类中心的平均距离，D(c i ,c j )表示第i类到第j类的聚类中心的欧氏距离，求得DBI指标的最小值就可以确定最优类数，获得变电站日负荷曲线聚类结果。
3.根据权利要求1所述的一种基于多元聚类模型与两阶段聚类修正算法的变电站特性分析方法，其特征在于：所述的选择一部分离群数据，并判断这些离群数据是否应当从原来所述的类中移除并移入新的类中，其具体方法如下：设R％为元素转移比例，则选择距离所属聚类中心最远的R％数据点作为待转移的数据点；被选出的距聚类中心较远的数据u满足：与其他的聚类中心的距离比与当前聚类中心的距离更近时，则移入距离最近的聚类中心；判断这些待转移的数据点是否真正转移的原则为，在现有的聚类中心c 0 中，若存在聚类中心c 1 与待转移的数据点距离更小，以D(u,c 1 )表示为数据点与聚类中心c 1 的欧式距离，D(u,c 0 )表示数据点与聚类中心c 0 的欧式距离，即：D(u,c 1 )＜D(u,c 0 ) (7)则将该数据点从之前所属的聚类中心c 0 中去除，加入聚类中心c 1 。
