1.一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法，其特征在于，包括：(1)获取电网各节点历史PMU数据，建立随机矩阵模型，利用滑动时间窗技术，求取每个窗矩阵特征值及其协方差矩阵的特征值，具体是：步骤1.1、获取电力系统各节点的历史PMU数据，从PMU数据中获取电压相量信息，得到原始数据矩阵模型S，同时确定滑动时间窗的长度和宽度，从原始数据矩阵模型S中提取每一个滑动时间窗矩阵S t ，对其进行标准化处理得到标准非Hermitian矩阵 原始数据矩阵模型S为：式中，s N,T 表示T时刻PMU的第N个量测值，N为PMU的量测值总数，T为时间序列总长度；当选取滑动时间窗的宽度为N w ，长度为T w 时，t i 时刻的时间窗矩阵S t 为：式中， 表示t i 时刻PMU的第N w 个量测值，N w 为当前选取量测值总数，T w 为当前选取时间窗口总长度；对S t 进行标准化处理为：式中， 表示标准化矩阵 的第i行j列的元素，s i,j 表示矩阵S t 第i行j列的量测值，N w 为选取的测量值总数，T w 为选取的历史时间段，μ(s i )和σ(s i )分别为矩阵S t 第i行的均值和标准差， 和 分别表示标准化后的矩阵 第i行的均值和标准差，且 步骤1.2、根据标准非Hermitian矩阵得到奇异值等价矩阵S u ，定义若干个奇异值等价矩阵S u 的乘积为矩阵积 对其进行标准化，得到标准矩阵Z； 的奇异值等价矩阵S u 可以通过 得到；式中， 表示标准化矩阵 的共轭转置矩阵，U为Haar酉矩阵；矩阵积 可以通过 得到；式中，i＝1,2,3,…,L表示奇异值等价矩阵S u 的个数；标准矩阵Z的各元素可以通过 得到；式中，p＝1,2,3,…,N表示矩阵积 的行数，z p 表示标准矩阵Z的各行元素， 表示矩阵积 的各行元素， 表示矩阵积 第p行的标准差；(2)基于平均谱半径、切比雪夫多项式和似然比检验函数建立三个线性特征值统计量，构成特征数据集；(3)用模糊C均值聚类算法对特征数据集进行聚类，形成代表电网运行工况的类簇，输出各类的聚类中心和隶属度矩阵；(4)实时获取电网各节点的PMU数据，结合历史数据建立随机矩阵模型，通过建立线性特征值统计量进行特征提取，生成特征数据，使用模糊C均值聚类算法对特征数据集进行聚类，完成实时数据的类别判断。
2.如权利要求1所述的一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法，其特征在于，所述步骤(2)包括：(2-1)建立线性特征值统计量(linear eigenvalue statistics,LES)，其公式为：公式(1)中，N代表线性特征值统计量， 表示检验函数，λ表示特征根，q＝1，2，…，n表示特征值的数量；分别选取 似然比检验函数 切比雪夫多项式 (2-2)根据LES，将标准矩阵的特征值代入 将其协方差矩阵的特征值代入 和 构成具有三个特征量的特征数据，并按照时序滑动时间窗，得到每个时刻的特征数据集。
3.如权利要求1所述的一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法，其特征在于，所述步骤(3)包括：(3-1)将步骤(2)得到的特征数据集X(X N1 ,X N2 ,X N3 )作为输入，输入聚类数目c，模糊因子m，1≤m≤∞，终止迭代条件ε，记初始迭代次数为0；(3-2)随机初始化聚类中心 初始化隶属度矩阵公式(2)中，x i 表示样本数据，u ki 表示样本x i 对类属k的隶属度矩阵，v k 和v l 分别表示类属k和l的聚类中心，c表示聚类数目；(3-3)根据特征 数据集X(X N1 ,X N2 ,X N3 )、 和u ki ，计算新的聚类中心公式(3)中，v k 表示类属k的聚类中心， 表示模糊因子为m时，样本x i 对类属k的隶属度矩阵；(3-4)达到终止迭代条件时，输出聚类结果(U,V)。
4.如权利要求1所述的一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法，其特征在于，所述步骤(4)包括：(4-1)对实时PMU数据流，结合步骤1中的原始数据矩阵模型S，基于步骤(1)和(2)，得到实时特征数据 (4-2)基于步骤(3)的聚类结果(U,V)作为初始化条件，对新特征数据对新特征数据基于步骤(3)进行模糊C均值聚类运算，确定实时数据所属的类别。
