随着电力网络朝着智能化方向发展,电力负荷数据体量呈爆发性增长的同时,特征量向着高维化延伸。聚类分析作为数据挖掘的重要技术手段,通过与降维技术结合,可以用较低计算开销挖掘出电力负荷数据内在模式信息,进而提取到用户用电行为习惯,在供需侧能效管理、异常用户检测等方面具有重要应用价值。针对降维技术和聚类分析在电力负荷数据中的信息挖掘工作,本文做了如下研究:(1)从美国开放能源信息网站(Open EI)上获取到电力负荷实验数据源,经预处理后建立实验数据集,并在实验集上对比划分聚类算法K-means、层次聚类算法BIRCH、基于密度的聚类算法DBSCAN和基于模型的聚类算法GMM四种典型聚类算法,在不同数据集规模和不同聚类数两种条件下进行比较,从聚类精度和聚类速度两方面进行分析,以戴维森堡丁指数(DBI)作为聚类有效性评价指标,得到划分聚类算法K-means综合聚类能力优于其它三种算法。(2)选取K-means算法进行研究和改进,(1)针对其需要预先确定聚类数的问题,引入GSA肘形判据用于寻找全局最佳聚类数;(2)针对其随机选取初始聚类中心,易造成算法不稳定、收敛到局部最优等问题,提用包含初始聚类中心优化选取规则的支柱K-means(Pillar K-means,PK-means)算法。通过实验证明了GSA肘形判据的有效性,由实验得到PK-means聚类精度和迭代速度都优于K-means。使用PK-means对实验集部分电力负荷曲线进行异常点检测,得到PK-means高质量聚类效果能帮助有效检测出电力负荷异常点。(3)在不同维度条件下对比主成分分析(PCA)、核主成分分析(KPCA)、局部线性嵌入(LLE)、多维尺度变换(MDS)、等距映射(ISOMAP)五种常用降维算法的降维聚类效果,得到线性降维算法不适用于本文实验集,并选取非线性降维算法中降维速度最快的KPCA和降维聚类精度较高的ISOMAP同PK-means结合。实验得到并论证了KPCA+PK-means和ISOMAP+PK-means较PK-means分别提升了聚类速度和聚类精度,说明:结合降维技术,可以在一定程度上提升聚类分析算法的能力。