1.一种用户用电行为主导影响因素挖掘方法，其特征在于，包括以下步骤：S1：采集用户的电力数据，所述的电力数据包括用电数据和影响因素数据；S2：对用户的电力数据进行标准化处理，得到标准化的电力数据；S3：通过方差膨胀因子对标准化的电力数据进行多重相关性检验，若方差膨胀因子大于预设值，对标准化的电力数据进行筛选，得到筛选后的标准化的电力数据；若方差膨胀因子不大于预设值，不对标准化的电力数据进行筛选，执行S4；S4：通过典型相关分析方法从电力数据或者筛选后的电力数据中提取相关性最大的两个变量，设为F 1 和F 2 ，通过F 1 和F 2 判断影响因素数据中是否存在主导影响因素数据，若存在主导影响因素数据，则执行S5；若不存在主导影响因素数据，则方法结束；S5：通过K-中心聚类方法从影响因素数据中得到主导影响因素数据；并通过MapReduce并行化技术实现聚类算法的并行化；S6：以报表形式记录用户每日用电行为的主导影响因素数据并统计用户的用电行为的主导影响因素数据；结合GIS系统展现用户的用电行为的主导影响因素数据的空间分布特征；所述的S4包括以下内容：通过典型相关分析方法从自变量数据表A或自变量数据表A + 和因变量数据表B中提取相关性最大的两个变量，设为F 1 和F 2 ，以r(a j ,F 1 )和r(b k ,F 1 )为横坐标，以r(a j ,F 2 )和r(b k ,F 2 )为纵坐标绘制单位圆周；其中，r(a j ,F 1 )表示自变量a j 和主成分F 1 的相关系数，所述的r(a j ,F 1 )通过下式进行表达：式中，所述的Var是方差，所述的Cov是协方差；若r(a j ，F 1 )在预设的圆环宽度D内，若a j 与b k 点间距离小于给预设值D，则判定自变量数据表中存在对因变量数据表起主导性影响的变量，执行S5；若不存在主导影响因素数据，则方法结束；自变量数据表A中自变量记为a j ，自变量a j 中的数据记为a ij ；因变量数据表B，因变量数据表中的数据记为b ik ；所述的S5包括以下流程：S5.1：根据时间标记，将自变量数据表A或自变量数据表A + 和因变量数据表B分解为若干个数据表，自变量数据表A分解的数据表设为A nm ：{a 1 ,,a j } nm ；自变量数据表A + 分解的数据表设为A nm + ：{a 1 ,,a j } nm ；因变量数据表B分解的数据表设为B nm ：{b 1 ,,b k } nm ；所述的n为时间标记中的日标记；所述的m为时间标记中的时刻标记，m为整数，且m的取值范围是m＝[1，24]；S5.2：在每个数据表B nm 中确定初始聚类中心；S5.3：对每个数据表B nm 采用MapReduce函数并行执行K-中心聚类方法，得到每个数据表B nm 的主导影响因素数据；S5.4：对所有数据表B nm 的聚类结果进行归约处理；所述的S5.2包括以下内容：通过公式d(b i ,b j )度量数据表B nm 中的变量相似程度，所述的d(b i ,b j )通过下式进行表达：记变量b i 与b j 的相似性矩阵为U，所述的相似性矩阵U通过下式进行表达：式中，所述的d ij 为变量b i 与b j 的相似性距离；相似性矩阵U的最小距离理想解为： 其中， 分别计算第i个变量b i 到理想解的距离 取距离 最小的变量b i 作为初始聚类中心。
2.根据权利要求1所述的用户用电行为主导影响因素挖掘方法，其特征在于，所述的S1包括以下流程：S1.1：利用智能电表采集用户某个时段的用电数据，所述的用电数据包括电流和功率；定义用电数据的集合为因变量数据表B，因变量数据表中的数据记为b ik ；S1.2：采集用户的用电行为的影响因素数据，所述的影响因素数据包括位置、面积、人口、时间和气象信息，定义影响因素数据的集合为自变量数据表A，自变量数据表中自变量记为a j ，自变量a j 中的数据记为a ij 。
3.根据权利要求2所述的用户用电行为主导影响因素挖掘方法，其特征在于，所述的S2的内容如下：对因变量数据表B和自变量数据表A进行数据标准化处理，所述的数据标准化处理通过下式进行表达：式中，所述的s j 为第j个变量的数据方差；所述的x ij 为S1中的电力数据，即没有标准化前的电力数据。
4.根据权利要求3所述的用户用电行为主导影响因素挖掘方法，其特征在于，所述的S3包括以下流程：S3.1：用方差膨胀因子对自变量数据表A进行多重相关性检验，若方差膨胀因子大于预设值，则判定自变量数据表A存在多重相关性，执行S3.2；否则，执行S4；所述的方差膨胀因子通过下式进行表达：式中，所述的VIF j 为自变量a j 的方差膨胀因子；所述的 将a j 作为因变量进行回归分析拟合得到， 通过下式进行表达：S3.2：运用逐步回归法对自变量数据表A进行筛选，定义筛选后的自变量数据表A为自变量数据表A + 。
5.根据权利要求4述的用户用电行为主导影响因素挖掘方法，其特征在于，所述的S5.3包括以下内容：Map操作：通过S5.2确定每个数据表B nm 的初始聚类中心{b i } nm ，输入数据表A nm ：{a 1 ,,a j } nm 或数据表A nm + ：{a 1 ,,a j } nm 至不同的Map处理单元，将影响因素的变量数据以行形式存储，记为数据片1、数据片2、……数据片p，指定聚类数为1，计算每个数据片到初始聚类中心的距离，并生成簇；标记该簇中变量所属的聚类类别ID，按距离大小重新将各数据片排序，并输出结果；Reduce操作：根据Map输出结果重新计算每个簇的中心位置，将Map输出结果作为输入，所有属于同一簇的数据片累加相同的各数据片变量距离，求解各变量距离的均值，更新簇内中心；计算数据表B nm 中各变量与新的簇内中心之间的距离，选择距离最小的变量作为新的聚类中心；并输出结果；判断新的聚类中心与上一轮聚类中心间的距离，如果两者的差值大于给定阈值，则进行一次MapReduce；若差值小于给定阈值，则输出各聚类类别ID下距离序号为1的数据片，该变量即为对应数据表的主导影响因素。
6.根据权利要求5述的用户用电行为主导影响因素挖掘方法，其特征在于，所述的S5.4包括以下内容：通过S5.3输出聚类结果序列：S n ：{{a i } n1 ,{a i } n2 ,,{a i } n24 }，统计聚类结果序列中每个变量的主导次数N i ＝count({a i } nm )，且0≤N i ≤24，将主导次数最多的变量作为用户在n日的用电行为的主导影响因素。
