近年来,随着大数据和云计算的出现,时序数据成为最普遍的数据形式。时序聚类是一种主流的数据挖掘技术,根据对象是时序数据集还是单条长时序数据,可以获得不同的聚类结果。其中,时序聚类的关键问题是如何更好计算时序之间的相似性。已有文献对相似性度量存在大量改进或是将大量的聚类方法应用到时序数据中,但是未曾指出导致相似性度量效果差的原因以及无法利用相似性进行合理聚类,导致聚类效果并不理想。因此本文提出了一种改进的动态时间规整（IDTW）算法和在IDTW相似性下的层次凝聚聚类方法（IDTW-HAC）,并将此聚类方法运用于光伏微电网的多变量时序数据中实现了工况的有效判别。本文的一系列实验证明了:IDTW相似性度量算法的有效性、IDTW-HAC方法的优越性以及将IDTW-HAC方法运用在光伏微电网的多变量时序数据上可以更准确地判别出运行工况从而达到故障诊断的目的。本文的主要工作以及创新点如下:1.针对时序数据之间相似性的计算问题,重点分析了动态时间规整算法（Dynamic Time Warping,DTW）算法的“多点匹配”现象带来的精度丢失问题,提出了一种改进的DTW算法（IDTW）并给出了算法的具体流程。在14组公开的UCR时间序列数据集上进行最近邻分类实验,实验结果表明IDTW在与ED、DTW、CDTW和ACDTW四种相似性度量算法的比较中具有更高的分类准确率,在一定程度上解决了“多点匹配”带来的精度丢失问题。2.针对许多聚类方法无法与相似性矩阵结合的问题,提出了一种面向时序相似性的层次凝聚聚类方法并给出了IDTW-HAC方法的详细流程。实验选取了6组公开的UCR时序数据集,选用了K-means、HAC、DTW-HAC、CDTW-HAC和IDTW-HAC五种方法进行全时间序列聚类实验。最终结果表明在最优参数下,IDTW-HAC方法取得最佳的聚类效果,在所有评价指标下均能得到最大值。3.针对光伏时序数据的故障诊断存在的问题,提出了一种IDTW相似性下的子序列层次凝聚聚类（SHAC）方法,并给出了子序列的获取、子序列的聚类、子序列中样本点的决策等步骤的详细流程。实验将对光伏微电网设备的多变量时序数据进行工况判别,实验分为两部分:一部分为将光伏微网的多变量时序数据作为静态多维数据直接进行多种聚类方法进行分析;另一部分为在不同相似性度量下的子序列层次凝聚聚类算法的对比。最终结果表明,IDTW-SHAC方法的聚类结果在一系列评价指标上均取得最大值,形成的类簇更接近真实工况,能够更好地判别出运行工况来进行合理的故障诊断。