1.一种集成电力负荷曲线聚类方法，其特征在于，所述方法包括以下步骤：获取原始电力负荷数据；

使用SOM神经网络对原始电力负荷数据进行粗聚类，获得聚类结果C1，具体包括以下步骤S1至S6：S1、初始化SOM神经网络神经元的权值向量和获胜神经元领域半径N0：wij＝rand(0,1),1≤i≤m,1≤j≤n                        (1)其中，Wi为输出层第i个神经元的权值向量，Wi＝[wi1,wi2,...,win]；wij为Wi的第j个分量的值；n为输入层节点的个数，m为输出层神经元的个数；初始获胜神经元领域半径N是一个较大的值N0；

S2、归一化输入向量Xk和SOM输出层神经元的权值向量Wi：其中，Xk＝[xk1,xk2,...,xkn]为第k个输入向量，n＝9为输入层节点数；Wi为输出层第i个神经元的权值向量，Wi＝[wi1,wi2,...,win]，其中1≤i≤m；||Xk||为输入向量Xk的欧几里得范数；||Wi||为第i个神经元的权值向量的欧几里得范数；

S3、计算输入向量Xk和输出层神经元的权值向量Wi的欧氏距离，获得获胜神经元：其中，d(Xk,Wi)表示第k个输入向量和第i个神经元的权值向量的欧氏距离；使得d(Xk,Wi)取得最小值的神经元i即为输入向量Xk的获胜神经元；

S4、更新获胜神经元拓扑领域内的神经元的权值向量：Wt+1＝Wt+η(t,Nt)·(Xk-Wt)                          (5)其中Wt为输入向量Xk的获胜神经元在t时刻的权值向量；η(t,Nt)为学习率函数，其表达式为：S5、更新学习率η和获胜神经元拓扑领域N：

学习率η的更新方式为：

ηt+1＝ηt-αt                                   (7)其中α为大于0的常数；

获胜神经元拓扑领域N的更新方式为：

Nt+1＝Nt-βt                                   (8)其中β为大于0的常数；

S6、判断SOM神经网络是否收敛：

若学习率η<ηmin或者达到最大的迭代次数T，则输出聚类结果C1并转S7；否则转S3；其中ηmin和T为用户预先设定的值；

使用DBSCAN算法对聚类结果C1的类中心进行聚类，将同类的类中心对应的类簇合并，获得聚类结果C3，具体包括以下步骤S7至S11：S7、计算SOM神经网络聚类结果C1的类中心ci：其中，Xi,Xj均为聚类结果C1的第i类簇中的元素；r为第i类簇中包含的元素个数；d(Xi,Xj)为Xi,Xj的欧氏距离；类中心ci集合用R表示；

S8、计算S7中的聚类结果C1的类中心ci集合R的K-距离集合D：对于数据集合R＝{c1,c2,c3,...,cm}，计算元素ci到R的子集S＝{c1,c2,c3,...,ci-1,ci+1,...,cm}中所有元素的距离，距离按照从小到大排序，获得排序后的距离集合D′＝{d1,d2,d3,...,dk,dk+1,...,dm}，dk即为K-距离，对集合R中每一个元素ci都计算K-距离，得到所有点的K-距离集合D＝{dk1,dk2,...,dkm}；

S9、初始化DBSCAN算法的领域半径Eps和最小密度MinPts：MinPts的值由用户指定，其值即为S8中的K-距离的K值；领域半径Eps为S8中计算的K-距离曲线D中斜率最大的点所对应的值，若存在多个点均为斜率最大点，则取这些点的平均值作为领域半径Eps的值；

S10、使用DBSCAN算法对聚类结果C1的类中心ci集合R进行聚类：根据S8和S9所确定的DBSCAN算法的参数，对R进行聚类，获得聚类结果C2；

S11、对聚类结果C1进行并类获得聚类结果C3；

根据修正偏离元素规则对聚类结果C3进行调整，获得最终聚类结果C4，具体包括以下步骤S12至S15：S12、计算聚类结果C3的类中心c′i；

S13、计算聚类结果C3中第i类簇的平均距离Mi；

S14、计算聚类结果C3中第i类簇的偏离元素X′i；

S15、将S14中的偏离元素X′i归入其相似类中，获得电力负荷数据的最终聚类结果C4。

2.根据权利要求1所述的集成电力负荷曲线聚类方法，其特征在于，所述的步骤S11对聚类结果C1进行并类获得聚类结果C3，进一步包括：将聚类结果C2中为同一类簇的类中心ci，cj所对应聚类结果C1中的第i类簇和第j类簇的数据进行合并，获得聚类结果C3。

3.根据权利要求1所述的集成电力负荷曲线聚类方法，其特征在于，所述的步骤S12计算聚类结果C3的类中心c′i，进一步包括：其中，Xi,Xj均为聚类结果C3的第i类簇中的元素；r为第i类簇中包含的元素个数；d(Xi,Xj)为Xi,Xj的欧氏距离。

4.根据权利要求1所述的集成电力负荷曲线聚类方法，其特征在于，所述的步骤S13计算聚类结果C3中第i类簇的平均距离Mi，进一步包括：其中，Xi,Xj均为聚类结果C3的第i类簇中的元素；r为第i类簇中包含的元素个数；d(Xi,Xj)为Xi,Xj的欧氏距离。

5.根据权利要求1所述的集成电力负荷曲线聚类方法，其特征在于，所述的步骤S14计算聚类结果C3中第i类簇的偏离元素X′i，进一步包括：若C3中第i类簇中的元素Xi到类中心c′i的欧氏距离大于λ倍的平均距离，则Xi即为C3中第i类簇的一个偏离元素X′i，即：其中λ为偏离因子，为一大于1的常数；将偏离元素从该类簇中剔除出去。

6.根据权利要求1所述的集成电力负荷曲线聚类方法，其特征在于，所述的步骤S15将S14中的偏离元素X′i归入其相似类中，获得最终聚类结果C4，进一步包括：计算从第i类簇中剔除出来的偏离元素X′i与其他类簇的类中心c′j的欧氏距离，将X′i并入使得距离d(X′i,c′j)取最小值的c′j所对应的类簇中；获得最终聚类结果C4。

7.根据权利要求1所述的集成电力负荷曲线聚类方法，其特征在于，α取值为0.0002，β取值为0.0005。

8.根据权利要求1所述的集成电力负荷曲线聚类方法，其特征在于，ηmin取值为

0.000002，最大迭代次数T取值为2000。

9.根据权利要求5所述的集成电力负荷曲线聚类方法，其特征在于，λ取值为1.5。