曾 楠，许元斌，罗义旺，刘 青，刘燕秋，张 欢

(1.国家电网公司，北京 100000；2.国网信通亿力科技有限责任公司智能电网大数据实验室，福建福州 350003)

0 引 言

电力系统负荷是整个电力系统安全稳定运行中较活跃的一部分。负荷模型是决定现代电力系统可靠性的重要因素之一，它的建立对电力系统规划、设计和运行等诸方面均有十分重要的意义。

近些年，电力系统负荷特性的聚类方法研究是诸多学者关注的热点，如支持向量聚类[1-3]、模糊免疫网络[4-5]、峰群优化算法[6-7]、蚁群优化算法[8-10]、分布一致性算法[11]、迭代细化聚类算法[12]、迭代自组织数据分析算法[13-14]等。1979年美国耶鲁大学J. A. Hartigan[15]提出一种将m个点在n维空间划分为K个簇的K-means聚类算法，使集群内点在簇间移动过程中的平方和更小。美国天睿公司学者Carlos Ordonez[16]在K-means算法基础上，提出一种不用采样，不同均值初始化和聚类方式的改进K-means算法，并成功应用于数据库管理系统。进而台湾国立中山大学Ming Chao Chiang提出一种简约K-mean算法[17]，对人群数据进行实验，验证了简约算法运行时间的快速性。加拿大圣玛丽大学Pawan Lingras[18]在Hartigan的基础上，提出一种基于粗糙集理论应用于Web数据的K-means聚类算法。Francesco Camastra在经典K-means的启发下，提出一种基于支持向量聚类[19]的集群迭代细化算法。Tung Shou Chen在文献[19]的基础上，利用分层聚类算法缩短集群合并时间，改善了原始数据阵列的聚类效率[20]。印度马德拉斯大学S. Kalyani通过K-means聚类算法对电力系统的可靠性进行评估[21]，对于IEEE 30节点和IEEE 57节点测试数据可行性已得到验证。合肥工业大学杨善林和周开乐对电力系统负荷特性中不良数据的识别和校正进行讨论，并通过负荷特性曲线进行负荷特征预测[22]。……