在最近的近十年里,很多发展中国家致力于促进智能电网的建设与发展。应用智能电网相比传统电网,可以通过用户用电行为辨识算法来判断用户的用电模式并进行分类,对实现需求响应和电价制定具有重要意义。针对K均值算法中用电数据特征选取策略问题,本文提出了一种考虑特征间相关关系的迭代型特征优选策略。首先基于DBI指标对不同特征组合下的K均值聚类效果来作为特征选取的标准;然后,建立特征优选模型,通过实验将备选特征优选后加入优选特征组合;最后,基于特定类型的用户,实现了用电数据特征优选,完成了 K均值聚类算法的优化分析。通过电网实际功耗数据验证了该策略在提高聚类精度和降低计算复杂度方面的有效性。对用户的用电行为进行分类,以满足不同用户的不同用电需求,对于电力行业具有重要的意义。对于消费模式的分类,K均值聚类是最好的方法之一。传统的K均值聚类算法的初始聚类中心是随机选取的,使其易受局部最优值的影响,且复杂度与全局最小值选取相关。在以上特征优选的基础上,针对K均值算法随机选取初始聚类中心和人为预先设定聚类数导致算法稳定性差的问题,提出了初始聚类中心选取和类间分裂策略。实验表明,该算法相比传统的K均值算法具有更好的稳定性,可在已有聚类结果的基础上迭代进,节省计算资源。