1.一种基于堆栈降噪自编码的电网暂态故障数据聚类清洗方法，其特征在于：该方法包括以下步骤：S1：基于堆栈降噪自编码的故障数据特征提取阶段；

S2：基于主成分分析的故障特征降维阶段；

S3：基于密度峰快速搜寻聚类CFSFDP的故障数清洗阶段；

所述S1具体为：

堆栈降噪自编码网络结构为：输入层输入数据为纯净向量数据加噪后的含噪数据，中间隐藏层包含多个网络层构成栈式堆叠效果，以获取更抽象准确的数据特征；经过编码隐藏层的特征学习后进入解码隐藏层，对含噪数据进行纯净向量数据复现学习，最终由输出层输出原纯净数据；

对于输入数据x，通过加噪器对原始数据进行加噪化，从而得到加噪数据xn；输入加噪数据，经过堆栈式自编码器进行xn数据更有价值的特征提取，最终输出为复现数据yr：在整个自编码特征学习过程中可在中间隐藏层进行特征值输出，提取数据的价值特征；

所述S2具体为：

主成分分析PCA定义为：在向量空间{tn},n∈{1,2,…,N}中搜寻q个正交主向量wk,k∈{1,2,3…,q}，获得{tn}在wk子空间上的最大方差值，在高维数据中提取低维的线性无关主成分特征，在方差最大的方向选取投影保留更多的原始数据特征信息；

所述S3具体为：

设数据集Z＝{x1,x2,x3,…,xn}中有n组数据，集中任意两组m维数据之间的距离为用欧氏距离记 对于离散数据xi的局部密度使用高斯核函数连续化后为：

dc设定为人为设定截断距离；

xi与比其局部密度更高的数据组的距离为：

在聚类过程中选定对应局部密度ρi较大，δi较大的数据组为各类簇中心，其余的数据组根据自身的ρi，xi归类于各个类簇中心所表示的类簇，再或者由于dc的设置原因，造成其余数组在各类簇中存在交叠点，存在的交叠点则不为类簇的核元素。

2.根据权利要求1所述的一种基于堆栈降噪自编码的电网暂态故障数据聚类清洗方法，其特征在于：所述密度峰快速搜寻聚类CFSFDP中，通过计算正确清洗率和错误清洗率来衡量模型聚类效果：