1.一种基于聚类算法的配电网线变关系辨识方法，其特征是，包括以下步骤：步骤1：提取配变的电压数据经过预处理后生成电压时间序列作为原始特征，并划分为多个电压时间子序列；

步骤2：使用PCA降维法对电压时间子序列组成的原始特征矩阵进行降维，获取降维后保留了最多原始特征的前k维特征矩阵；

步骤3：将获取的降维后的新特征和配变的相关性系数矩阵进行拼接得到全新的特征矩阵；

步骤4：使用meanshift聚类算法对步骤3所得特征矩阵进行聚类；

步骤5：输出meanshift聚类结果，将远离聚类中心的配变判定为疑似线变关系错误，并进行人工核查。

2.根据权利要求1所述基于聚类算法的配电网线变关系辨识方法，其特征是，步骤2具体过程如下：步骤2.1：对原始特征矩阵的所有原始特征去中心化处理，具体为：求每一个原始特征的平均值，然后对于所有样本的原始特征，每一个原始特征都减去自身的平均值，得到去中心化特征;式中， 表示第i个原始特征的平均值，N表示样本数量， 表示第i个原始特征的第j维；

步骤2.2：计算经过去中心化特征的协方差矩阵C；

式中， 表示的第m个去中心化特征xcm与第n个去中心化特征xcn的方差；

其中：

式中， 为第m个去中心化特征的第j维， 第m个去中心化特征的平均值；

步骤2.3：根据 计算协方差矩阵C的特征值 和对应的特征向量u，其中， v为特征矩阵，对于M维向量，对应有M个特征值，每一个特征值 对应有u个特征向量；

计算主成分方差贡献率Vcr以及前l个主成分的累计方差贡献率Cvcr：；

其中，为第i个特征值，M为特征值数量；

将特征值按照从小到大进行排序，选出累计贡献率达85%以上的特征值所对应的前k个，并将其相对应的k个特征向量拿出来作为新特征；

步骤2.4：将原始特征投影到选取的特征向量上，得到降维后的新k维特征；

选取最大的前k个特征值和相对应的特征向量，并进行投影的过程，就是降维的过程；

对于原始特征，投影后的新特征的计算具体为：表示投影后的第k个新特征的第j维， 表示第k个特征向量的转置， 表示第N个原始特征的第j维。

3.根据权利要求2所述基于聚类算法的配电网线变关系辨识方法，其特征是，步骤4具体过程如下：步骤4.1：在初始样本数据中确定一个中心点为Ce，计算在设置的半径为D的圆形空间内所有点与中心点的向量；

步骤4.2：计算整个圆形内所有向量的平均值得到一个偏移均值向量：式中，Sh表示以Ce0为中心点，半径为h的高维球区域；p表示包含在Sh范围内点的个数；

Cei表示包含在Sh范围内的点，则下次迭代的中心点为Ce；

步骤4.3：引入了核函数和样本权重对meanshift聚类算法进行改进，引入核函数的概念，使计算中距离中心的点具有更大的权值，反映距离越短，权值越大的特性，得到改进后的偏移均值向量：式中， 为改进后的偏移均值向量， 是一个单位的核函数， 为高维空间中的一个点， 为为高维空间中的另一个点，H是一个正定的对称d*d矩阵，称为带宽矩阵，是每一个样本的权重；其中， ；

步骤4.4：将中心点移动到偏移均值的位置从而实现中心更新，即将中心点朝向偏移均值的矢量方向移动：式中， 为t时刻下求得的偏移均值； 为t时刻下的中心； 为t+1时刻下的中心；

步骤4.5：重复移动，直到需要区分的配变区分开以后结束。