1.一种基于集成聚类和频繁项集树的光‑荷典型场景集生成方法，其特征在于，所述方法包括以下步骤：S1.获取一定时间内待规划配电网的原始负荷数据及接入其的光伏出力数据，并对数据进行预处理及分类，得到多个数据集；

S2.利用集成聚类法依次将多个数据集聚类为不同的集群，从而生成多个聚类场景集；

S3.利用综合距离公式从每个聚类场景集中筛选出最具代表性的典型场景，将最具代表性的典型场景作为对应聚类场景集的标签，最终将所有聚类场景集转化为光伏典型场景集及负荷典型场景集；

S4.面向光伏典型场景集及负荷典型场景集，考虑同一地区时刻中不同气象影响因子，利用频繁项集树算法生成气象关联规则库，基于气象关联规则库，生成光伏‑负荷典型关联场景集；

在步骤S4中，所述频繁项集树算法为FP‑growth算法，利用频繁项集树算法生成气象关联规则库，基于气象关联规则库，生成光伏‑负荷典型关联场景集的过程为：S41.将典型场景集对应时间的气象影响因子进行特征提取以及关联分析处理;S42.根据光伏典型场景集的日期与气象数据监测日期的对应关系，使每个光伏典型场景均有对应的气象特征数据；

S43.将每个光伏典型场景的日期作为一个项集，包含所述光伏典型场景及其对应的气象特征，以1个光伏典型场景标签以及对应的n个气象特征数据作为项集，使得每个项集包含n+1个项目，采集若干个项集建立项集数据库；

S44.遍历项集数据库，统计项集数据库中全部项集的气象特征的频数，删除不满足最小支持度计数的项集，并按频数递减顺序对项集进行排序，得到频繁项列表；

S45.以空节点为根节点创建FP‑tree，依序将频繁项列表的项集插在FP‑tree上，若能分享路径则分享，并记录该节点数目，列表插完得到FP‑tree;S46.挖掘FP‑tree上的频繁项集，从频繁项列表的底部项依次向上找到对应的条件模式基，利用条件模式基递归挖掘得到频繁项集，所得频繁项集满足最小支持度以及最小置信度要求，即为强关联规则；

S47.以强关联规则作为气象特征数据与光伏典型场景的关联规则库，完成气象特征数据与光伏典型场景的关联分析，利用负荷典型场景集对应日期的气象特征匹配关联规则库，得到对应的光伏典型场景，最终得到光伏‑负荷关联典型场景。

2.根据权利要求1所述的基于集成聚类和频繁项集树的光‑荷典型场景集生成方法，其特征在于，在步骤S1中，在对获取的原始负荷数据及光伏出力数据进行预处理时，对缺失少量原始负荷数据、光伏出力数据的时间日期，采用三次样条插值法填充，舍弃缺失大量数据的时间日期。

3.根据权利要求2所述的基于集成聚类和频繁项集树的光‑荷典型场景集生成方法，其特征在于，在分类时，将负荷数据分类为工作日、周末及除周末外的节假日对应的3个数据集，将光伏的出力数据按照四季分为春、夏、秋、冬对应的4个数据集。

4.根据权利要求3所述的基于集成聚类和频繁项集树的光‑荷典型场景集生成方法，其特征在于，在分类后，将分类后的每日数据集进行特征提取，选取出光伏数据集的聚类特征向量及负荷数据集的聚类特征向量，其中，光伏数据集的聚类特征向量表示为：

其中， 为每日光伏出力的最大值； 为每日光伏出力全天总和； 为每日光伏出力的平均值； 为光伏出力的标准差； 是一天内光伏出力序列的一阶差分最大值； 是一天内光伏出力序列的一阶差分最小值， 是一天内光伏出力序列的一阶差分平均值；

负荷数据集的聚类特征向量表示为：

其中， 为日最大负荷； 为日最小负荷； 为日平均负荷； 为日负荷标准差； 为日负荷一介差分最大值； 为日负荷一介差分最小值； 为日负荷一介差分平均值。

5.根据权利要求4所述的基于集成聚类和频繁项集树的光‑荷典型场景集生成方法，其特征在于，步骤S2所述的集成聚类法为HDBSCAN算法即基于密度与层次的集成聚类算法，生成多个聚类场景集的过程为：S21.利用相互可达距离衡量数据集中数据点间的距离，不重复地遍历计算数据集中两点数据的相互可达距离，得到所有数据的距离表格；

S22.将每一个数据集中任意两点作为顶点，顶点相连后得到边，将距离表格中对应的距离作为边的权重，整个数据集转化为数据距离加权图；

S23.利用Prim算法构建数据距离加权图的最小生成树，实现以最小距离连接所有的距离点；

S24.将最小生成树中的所有边按照距离大小递增排序，然后依次选取每条边，将边连接的两个子图包含的子数据集各归为一类，通过并查集归类后，得到每个边对应的一个新类别，构建为聚类层次结构；

S25.确定最小聚类数量，自上而下遍历聚类层次结构，在每个子图归类时，判断归类产生的两个子数据集的数量是否大于最小聚类数量，若是，归为一类，否则，将归类类别标记为散点并删除，在遍历完整个聚类层次结构后，得到拥有少量类别的压缩聚类树；

S26.将压缩聚类树中每个压缩类别均打上一个类标签，自下而上遍历压缩聚类树，判断每个类别的父类别的稳定性是否大于该类子节点的稳定性总和，若是，则子节点均归属于该类，输出聚类结果；否则，将该类别的稳定性设置为其子节点的稳定性之和。

6.根据权利要求5所述的基于集成聚类和频繁项集树的光‑荷典型场景集生成方法，其特征在于，在步骤S26中，将压缩聚类树中的所有压缩节点声明为选定的簇，定义λ是一个衡量簇的持久性的值，对于给定的簇，定义λbirth和λdeath分别为对应簇分裂并成为该选定簇时的λ，以及簇分裂成更小的簇时的λ值；对于簇中的每一个节点，将λp定义为该点离群的λ值，介于λbirth和λdeath之间的值，对于每个簇，计算稳定性为：。

7.根据权利要求6所述的基于集成聚类和频繁项集树的光‑荷典型场景集生成方法，其特征在于，在步骤S3中，设每个聚类场景集中共Q个场景，综合距离公式包括余弦距离和欧几里得距离，余弦距离为：其中， 表示t时刻场景i的方向向量， 表示t时刻场景j的方向向量，， ， ；

欧几里得距离为：

其中， 表示t时刻场景i的数据值； 表示t时刻场景j的数据值；

选取最具代表性的典型场景时，利用平均值来表示某个场景的距离指标，场景i的距离均值公式为：利用归一化思想，评价场景典型情况，衡量出最具代表性的典型场景，表达式为：其中， 为 的集合， 、 分别为集合中的最小值和最大值，

为 的集合， 、 分别为集合中的最小值和最大值。

8.根据权利要求7所述的基于集成聚类和频繁项集树的光‑荷典型场景集生成方法，其特征在于，在步骤S41中，气象影响因子选取为每日对应时间的温度、光照、大气压值，气象特征 由以下公式提取：其中， 为温度最大值， 为温度最小值， 为温度平均值， 为温度的一阶差分平均值， 为太阳光照时间 为光照时间内的平均太阳辐射量， 太阳辐射量的一阶差分平均值， 为大气压的一阶差分平均值， 为大气压的一阶差分最大值。

9.根据权利要求8所述基于集成聚类和频繁项集树的光‑荷典型场景集生成方法，其特征在于，将气象影响因子进行关联分析处理时，利用分位数进行分析处理，将气象特征 所包含的所有特征都根据分位数，进行分级处理。