黄冬梅，林孝镶，胡安铎，孙锦中

(1. 上海电力大学电子与信息工程学院，上海市 200090；2. 上海电力大学电气工程学院，上海市 200090)

0 引 言

随着泛在电力物联网的建设，智能电表等智能传感设备的大量接入，电力负荷数据的时空范围不断扩展。电力负荷的监测范围从配电站延伸到用户以及终端设备，造成电力负荷的数据量巨增，并且类型更加丰富。挖掘电力负荷数据的价值是电力行业的重要课题之一。负荷聚类是电力大数据分析的重要基础，可以用于用电行为研究[1]、电价制定[2]、负荷建模[3]、负荷预测[4]等多方面。精准的负荷聚类也有助于电力系统的优化运行[5]和电力需求侧管理水平的提升[6]。

电力负荷聚类方法大致包括直接聚类和间接聚类2种。直接聚类方法对归一化处理后的负荷数据，采用基于欧氏距离的层次聚类算法、模糊C均值聚类算法等传统聚类算法对负荷进行聚类[7-10]。文献[7-8]分别采用遗传算法和引力搜索算法寻找最优聚类中心，提高聚类质量和聚类稳定性。文献[9-10]分别采用层次聚类算法、模糊聚类算法对负荷进行分类。但是上述方法多以欧氏距离作为负荷的相似性度量，聚类质量难以保证，特别是在高维数据空间[11]。另一方面，随着智能电表等高级电力计量装置广泛安装在配用电侧[12]，电力公司信息采集能力不断提升，电力负荷数据呈现海量、高维的特征。因此，直接聚类方法面临着计算效率和聚类质量的挑战。

间接聚类算法首先通过降维算法对负荷数据进行降维处理，然后提取特征，再依据提取的数据特征进行聚类。……