1.一种基于监测数据的三相不平衡扰动源建模方法，其特征在于，包括：获取待建模的三相不平衡扰动源在预设工作周期内的无功功率数据和三相不平衡度监测数据；基于模糊C均值聚类算法，对所述无功功率数据和所述三相不平衡度监测数据进行聚类，获得对应于各聚类结果的聚类数据集；根据各所述聚类数据集的分布形态，分别选择概率密度函数的类型并进行求解，获得各所述聚类数据集分别对应的概率模型；根据各所述聚类数据集分别对应的概率模型，构建所述三相不平衡扰动源对应于所述预设工作周期的时序模型；所述三相不平衡度监测数据包括负序电压不平衡度和负序电流不平衡度；所述对所述无功功率数据和所述三相不平衡度监测数据进行聚类，具体为：获取聚类样本数据X：其中，l为第l个电能质量监测数据采样点，N为所述预设工作周期内采样点的总数，ε U 为负序电压不平衡度，ε I 负序电流不平衡度，q为无功功率；根据所述聚类样本数据，构建聚类损失函数：其中，J为模糊C均值聚类算法的价值函数，m为加权系数，u in 为样本x n 属于第i个聚类的隶属度，c i 为第i簇的聚类中心，k为聚类中心的总数，||*||表示距离，x n 为第n个样本；通过拉格朗日乘子进行求解，获得以下约束：其中，J'为拉格朗日函数，λ i 为权重系数；对所述隶属度和所述聚类中心进行迭代优化，直到所述模糊C均值聚类算法收敛；通过邓恩系数确定k的取值，获得聚类结果；所述对所述隶属度和所述聚类中心进行迭代优化，直到所述模糊C均值聚类算法收敛，具体为：通过下式对所述隶属度和所述聚类中心进行迭代优化：直到符合以下收敛条件：其中，r为迭代步数，ε为预设的误差阈值。
2.如权利要求1所述的一种基于监测数据的三相不平衡扰动源建模方法，其特征在于，所述通过邓恩系数确定k的取值，具体为：根据下式计算不同k取值下任意两簇的邓恩系数DVI：计算所述不同k取值下任意两簇的邓恩系数平均值；将邓恩系数平均值最大的k作为三相不平衡扰动源的聚类数。
3.如权利要求1至2任意一项所述的一种基于监测数据的三相不平衡扰动源建模方法，其特征在于，所述根据各所述聚类数据集的分布形态，分别选择概率密度函数的类型并进行求解，具体为：根据各所述聚类数据集的分布形态，分别从正态分布、对数正态分布、指数分布和均匀分布中进行选择，并通过极大似然估计法进行求解。
4.一种基于监测数据的三相不平衡扰动源建模装置，其特征在于，包括：数据获取模块，用于获取待建模的三相不平衡扰动源在预设工作周期内的无功功率数据和三相不平衡度监测数据；聚类模块，用于基于模糊C均值聚类算法，对所述无功功率数据和所述三相不平衡度监测数据进行聚类，获得对应于各聚类结果的聚类数据集；求解模块，用于根据各所述聚类数据集的分布形态，分别选择概率密度函数的类型并进行求解，获得各所述聚类数据集分别对应的概率模型；模型构建模块，用于根据各所述聚类数据集分别对应的概率模型，构建所述三相不平衡扰动源对应于所述预设工作周期的时序模型；所述三相不平衡度监测数据包括负序电压不平衡度和负序电流不平衡度；所述聚类模块对所述无功功率数据和所述三相不平衡度监测数据进行聚类，具体为：所述聚类模块获取聚类样本数据X：其中，l为第l个电能质量监测数据采样点，N为所述预设工作周期内采样点的总数，ε U 为负序电压不平衡度，ε I 负序电流不平衡度，q为无功功率；根据所述聚类样本数据，构建聚类损失函数：其中，J为模糊C均值聚类算法的价值函数，m为加权系数，u in 为样本x n 属于第i个聚类的隶属度，c i 为第i簇的聚类中心，k为聚类中心的总数，||*||表示距离，x n 为第n个样本；通过拉格朗日乘子进行求解，获得以下约束：其中，J'为拉格朗日函数，λ i 为权重系数；对所述隶属度和所述聚类中心进行迭代优化，直到所述模糊C均值聚类算法收敛；通过邓恩系数确定k的取值，获得聚类结果；所述聚类模块对所述隶属度和所述聚类中心进行迭代优化，直到所述模糊C均值聚类算法收敛，具体为：所述聚类模块通过下式对所述隶属度和所述聚类中心进行迭代优化：直到符合以下收敛条件：其中，r为迭代步数，ε为预设的误差阈值。
5.如权利要求4所述的一种基于监测数据的三相不平衡扰动源建模装置，其特征在于，所述聚类模块通过邓恩系数确定k的取值，具体为：所述聚类模块根据下式计算不同k取值下任意两簇的邓恩系数DVI：计算所述不同k取值下任意两簇的邓恩系数平均值；将邓恩系数平均值最大的k作为三相不平衡扰动源的聚类数。
6.如权利要求4至5任意一项所述的一种基于监测数据的三相不平衡扰动源建模装置，其特征在于，所述求解模块根据各所述聚类数据集的分布形态，分别选择概率密度函数的类型并进行求解，具体为：所述求解模块根据各所述聚类数据集的分布形态，分别从正态分布、对数正态分布、指数分布和均匀分布中进行选择，并通过极大似然估计法进行求解。
