李 健，林韶生，陈 芳，杜佩仁

(1.深圳供电局有限公司，广东 深圳 518001；2.杭州鸿晟电力设计咨询有限公司，浙江 杭州 310012；3.浙江大学，浙江 杭州 310027)

不同类型用户的负荷发展规律[1]大不相同，在构建点负荷预测模型之前，我们需要基于大数据分析的特点[2]，以数据可获取为基本原则，对影响点负荷用电特征的关键因素进行选择[3]，首先采用聚类分析的方法对点负荷进行机器分类，然后，在此点负荷分类结果的基础上进一步分析各类点负荷的负荷增长规律，使预测效率更高，预测结果更加可信。

聚类分析(cluster analysis)，简称聚类(clustering)，是一个把数据对象(或观测)划分成子集的过程。每个子集是一个簇(cluster)，使得簇中的对象彼此相似，但与其他簇中的对象不相似。由聚类分析产生的簇的集合称作一个聚类。在这种语境下，在相同的数据集上，不同的聚类方法可能产生不同的聚类。划分不是通过人，而是通过聚类算法进行。聚类是有用的，因为它可能导致数据内事先未知的群组的发现[4-5]。

1 分类方法介绍

本次研究采用两级分类方法。一级分类根据台区的用电类别进行分类[6]；二级分类采用k-均值聚类法对台区的典型周期性负荷曲线进行分类。

1.1 一级分类

在负荷预测应用中，对负荷进行分类的主要目的是为了获得各种类型负荷相应的用电周期及负荷增长规律。电力用户的常规分类定义包括行业分类及用电类别两个属性，行业分类虽然较用电类别分类更精细，但在实际应用中，存在属性定义不完整、不精确、更新维护不及时等数据质量问题；……