本论文是研究基于蚁群优化算法(Ant Colony Optimization Algorithm,ACOA)来实现电力负荷聚类和输电线的故障类型的识别。ACOA已经在许多领域的相关问题中得到成功的应用,而在电力系统中开展的研究和应用则处于刚刚起步阶段。蚁群优化算法在大规模复杂组合优化问题研究中具有极强的优势,经应用研究测试证明了它的有效性。为了能深入掌握ACOA的基本原理和算法实现本论文的两个研究目标,论文首先对基于数据挖掘的聚类原理及其方法、国内外的研究动态进行了必要的基础概述工作;在此基础上,又对ACOA的原理、算法及其应用、国内外的研究动态作了概述。它们是进行论文研究的重要基础。由于外部随机因素的影响,电力系统短期负荷预测精度难于解决。在已有研究中采用聚类和模式识别结合原理来实现,但对外部气象因素特征与聚类性能之间不能很好协调,致使不能按预期目标来实现预测精度的要求。本论文首次把ACOA用于电力负荷序列聚类分析,并与广泛用于电力负荷聚类的Kohonen神经网络进行对比,经实际地区负荷系统仿真测试证明了基于ACOA的聚类性能优越性,它对气候异常情况、高温区域、节假日都具有更高的敏感性和分辨率;对负荷曲线轮廓的相似性具有更细腻和均匀性的聚类特性,对负荷预测精度的提高是有极其重要意义的。输电线故障类型识别问题对保护的动作和重合闸作用的发挥有极其重要的意义。目前基于富氏变换原理来处理暂态信号存在局限性,不能保证完全正确的故障选相。本论文首次研究用ACOA进行输电线故障类型识别,提出用故障后的3相电流和零序电流的波形时序数据,经模式自归一化后构造故障类型识别的特征矢量;创造性以各相和零序的波形强度关联的特征矢量作为聚类分析的依据,经仿真和测试证实所提出的基于蚁群优化算法聚类方法能够可靠、准确的实现输电线故障类型的识别,不受故障过渡电阻、系统运行模式、故障初始角、故障点位置等因素的影响;且在快速性上具优势。