黄冬梅，葛书阳，胡安铎，孙锦中，时 帅，孙 园

（1.上海电力大学电子与信息工程学院，上海 201306；2.上海电力大学电气工程学院，上海 200090；3.上海电力大学数理学院，上海 201306）

随着社会经济发展和智能电网建设，电力负荷的数据量不断增长、类型日益多样化。大量电力负荷数据中蕴含着差异化的用电信息，然而这些信息却不被直接利用，需要进行数据挖掘[1]。电力负荷聚类是按照负荷之间的相似度，将相似度大的负荷归为同一类，从而得到不同类别的电力使用情况和典型用电模式，进而有效识别不同的用电规律和负荷特性。电力负荷聚类可以应用于电价划分与制定、负荷预测、负荷模型建立、电能质量检测等多种场合[2]。

电力负荷曲线聚类领域中应用较广的算法有K-means算法、具有噪声的基于密度的聚类DB-SCAN（density-based spatial clustering of applications with noise）算法、模糊C均值FCM（fuzzy C-means）算法等[3]。其中，K-means等划分聚类算法具有可解释度强、时间复杂度低的优点，作为基本算法被广泛应用，但是在处理大量负荷数据时，最优聚类数目需要人为给定，每次运行随机初始化不同的中心容易使算法收敛异常，影响聚类稳定性和质量，此外，采用欧氏距离作为相似性度量时，容易忽略负荷变化信息，导致聚类不准确等问题。

针对上述缺陷，文献[4]通过对中心点筛选融合后使用层次K-means算法聚类，在一定程度上解决初始聚类中心的选取问题。文献[5-6]利用遗传算法等启发式算法初始化聚类中心来优化划分聚类算法，但由于使用了启发式算法，存在耗时增大的问题。……