1.一种基于多源数据选取典型负荷特性变电站的方法，其特征在于，所述方法包括以下步骤：步骤1，对目标电网同一电压等级下的变电站进行负荷特性普查，得到负荷特性数据，负荷特性数据包括负荷类型数据和行业组成数据；步骤2，根据负荷类型数据对变电站做类型聚类分析，对变电站进行负荷分类得到若干组负荷特性相似的变电站组，具体包括：步骤2.1，选取变电站的负荷构成作为特征向量；x i ＝(x i1 ，x i2 ，…x im )，i＝1,2,…n，其中，x i 表示第i个变电站的负荷构成,n是变电站个数，m是特性指标个数；步骤2.2，将聚合理论方法应用到变电站负荷类型分类中，采用遗传模拟退火改进模糊聚类算法；步骤2.3，通过模糊聚类计算各变电站之间的相似度，将不同变电站负荷构成之间的相似度转换为隶属度的大小进行表达，其中，隶属度为：式中，u ij 是第i个变电站与第j个变电站的隶属度，C j 是第j个初始聚类中心，C k 是第k个初始聚类中心，y i 是第i个变电站的特征向量，m是变电站的特征维数；步骤2.4，依据距离矩阵构造模糊相似矩阵，通过遗传算法随机选取c个聚类中心，初始化控制参数，初始化种群，根据距离矩阵计算每个个体的隶属度、适应度，通过遗传算法进行选择、交叉、变异等操作产生新种群，通过模拟退火算法替换或接受旧个体；其中，聚类中心为：式中，u ij 是第i个变电站与第j个变电站的隶属度，y i 是第i个变电站的特征向量，m是变电站的特征维数；步骤2.5，将目标函数J m 定义为每个变电站负荷构成与其对应聚类中心的距离平方和再求和，输出目标函数J m 最小时的聚类中心和隶属矩阵，其中目标函数为：式中，J m 是每个变电站负荷构成与其对应聚类中心的距离平方和再求和，u ij 是第i个变电站与第j个变电站的隶属度，y i 是第i个变电站的特征向量，C j 是第j个初始聚类中心,K是聚类中心个数；步骤2.6，根据变电站隶属矩阵和聚类中心的最大隶属原则，将变电站与聚类中心之间的隶属度作为选取典型站点的依据，对变电站进行负荷分类；步骤3，根据行业组成数据对变电站组做行业聚类分析，对变电站进行行业分类；步骤4，根据负荷分类和行业分类选取能够表征负荷特性的典型变电站；具体的，对于负荷分类得到的变电站组中，在每组中选取与对应聚类中心最接近的作为典型负荷特性变电站。
2.根据权利要求1所述的一种基于多源数据选取典型负荷特性变电站的方法，其特征在于：在所述步骤1中，具体包括：步骤1.1，对目标电网依据地市划分调查范围；步骤1.2，对该地市辖区同一电压等级所有变电站进行负荷普查；步骤1.3，调查各变电站承担的负荷类型、各负荷类型消耗的有功功率及所占比例，得到负荷类型数据，负荷类型包括工业负荷、居民负荷、商业负荷、农业负荷和其它负荷；步骤1.4，调查各变电站的工业负荷中具体的行业类型及所占比例，得到行业组成数据。
3.根据权利要求1所述的一种基于多源数据选取典型负荷特性变电站的方法，其特征在于：在所述步骤3中，具体包括：步骤3.1，选取工业负荷中的行业组成作为特征向量；g i ＝(g i1 ，g i2 ，…g ip )，i＝1,2,…n，式中，g i 是第i个变电站工业负荷中的行业组成，p是变电站工业负荷的类别，n是变电站个数；步骤3.2，将工业负荷中行业组成数据通过多维缩放MDS进行数据降维，将在高维空间中的数据点对，距离相等的映射在低维空间中；q i ＝(q ix ，q iy )，i＝1,2,…n，式中，q i 是经降维后的第i个变电站工业负荷中的行业组成的特征向量，q ix 是降维后x轴向量，q iy 是降维后y轴向量，n是变电站个数；步骤3.3，采用遗传模拟退火改进模糊聚类算法，对降维后的行业组成数据进行聚类；步骤3.4，输出目标函数Q m 最小时的聚类中心和隶属矩阵，其目标函数为：式中，Q m 每个变电站行业组成与其对应聚类中心的距离平方和再求和，u1 ij 是第i个变电站与第j个变电站行业组成的隶属度，q i 是经降维后的第i个变电站工业负荷中的行业组成的特征向量，C1 j 是第j个聚类中心，n是变电站个数，T是聚类中心个数；其隶属矩阵为：式中，u1 ij 是第i个变电站与第j个变电站行业组成的隶属度，q i 是经降维后的第i个变电站工业负荷中的行业组成的特征向量，C1 j 是第j个聚类中心，C1 t 是第t个聚类中心，T是聚类中心个数；其聚类中心为：式中，C1 j 是第j个聚类中心，u1 ij 是第i个变电站与第j个变电站行业组成的隶属度，q i 是经降维后的第i个变电站工业负荷中的行业组成的特征向量，n是变电站个数；步骤3.5，将行业组成隶属矩阵与对应的聚类中心矩阵按照最大隶属原则进行行业分类。
